論文整理Perception-aware Receding Horizon Navigation for MAVs

問題背景：在未知或者部分未知的環境中進行導航，有一個比較大的問題是定位會有很大偏移，所以會導致規劃失敗（比如認為已經到終點了，但實際距離終點還有很遠）

常用方法：之前的論文常用的方法是有一個全域性的規劃器，然後一個區域性規劃器利用區域性資訊滾動優化，比如Online generation of collision-free trajectories for quadrotor flight in unknown cluttered environments

active slam：選擇能最大化狀態估計的準確度也叫activeSLAM，但是通常是全域性地圖，計算量很大，這篇論文是與滾動優化結合，在區域性地圖中可以減少計算量 we limit the scope of the problem to a local map and a short horizon and continuously recompute a suitable local trajectory for state estimation

方法框架：

• 定位和建圖： 定位是用的視覺里程計，建圖用的(REMODE + OctoMap)，REMODE生成active map，octomap生成dense map稠密地圖；
• 軌跡生成：沒有直接優化運動引數，而是先用minimum jerk生成幾條參考軌跡，然後根據這篇論文提到的幾個指標對軌跡進行衡量，選擇最優的來execute
• 軌跡指標：這裡考慮了三個指標：
  • perception quality 感知質量
  • the probability of collision 碰撞概率
  • its distance to the goal到目標的距離

active map ：
從SVO（基於單目和多相機的視覺測距法）裡提取active map

• landmarks：是已經多次重複被觀測到的點，所以位置的估計比較準確
• seeds：位置沒有被準確估計
  所以landmarks對於位姿估計的準確度貢獻更高
  從與當前幀重疊的關鍵幀中提取可見的landmark，提取出的landmarks組成了active map
  根據active map計算感知質量

Perception Quality：
構建一個最小二乘法，對於每一個pose，都可以在active map上找到可見的landmarks
其位姿可能通過最小二乘法來估計：

Tcb是transform從相機frame到機器人的body frame
proj（）是相機的投影方程
Ik是landmarks
ujk是第k個landmark的噪聲
上述方程攜程一般形式為：

Hj是資訊矩陣
不僅是最小化一個pose 的估計誤差，而是一條軌跡上所有被取樣的poses
不同的位姿是相互獨立的，所以就能寫出資訊矩陣：

collision probability：
碰撞概率的話是針對每個被取樣的pose，在稠密地圖上找到最近的點，計算距離
再對不同的pose分別計算再累計求和，寫成 多元高斯分佈 的形式：

這裡還有需要注意的就是，沿著軌跡碰撞概率是不會減小的，總會比前一個位置大的，所以當計算出的概率比前一個位姿小的話，取前一個位姿的值

goal progress：
一般計算軌跡向前運動了多少，都計算一段堆積開始到目標的距離和末尾到目標距離的差值
但是2m減少到1m 和100m減少到99m的貢獻是不一樣的，所以要考慮到當前位置到終點的距離


所以設計的公式是使得距離終點越近獎勵越大

實驗：
實驗的話，只做了與reactive的對比，其實挺不充分的，應該eth實驗室相關論文也對比
表明即使定位有偏差，甚至比較大，但是不會撞到障礙物，這是只使用區域性資訊的作用
當偏差超過5m認為fail
這個方法的特點就是避免走進紋理特別稀疏的場景，因為定位會不準
但有個問題就是會離障礙物比較近
因為障礙物的紋理比較豐富
所以障礙物既吸引又排斥軌跡
比reactive 的成功率會高很多
但是感覺實驗有點取巧，設計性太強，找的都是起點和終點有一段完全沒紋理的區域

emmm：
紋理多的區域的確對於定位有效，其實只要角度偏向就可以了，沒必要軌跡靠近
但是他一直預設有一個前向的相機，相機的方向就是mav的方向
如果用全向小車，車的轉向可以再單獨優化的
否則 所以障礙物既吸引又排斥軌跡 的確是個問題
但是整篇論文的想法是新穎的