制造能够快速飞行的无人机并不难，制造能够避开障碍物的无人机并不难。制造一次可以同时做两件事的无人机要困难得多，但为了使它们真实有用，这是必要的。

在麻省理工学院CSAIL，Pete Florence(在Russ Tedrake实验室)开发了一个名为NanoMap的新运动规划框架，该框架使用一系列3D快照，允许快速移动(10 m / s)无人机安全地绕过障碍物，即使他们并不完全确定他们在哪里。

这是麻省理工学院无人机行动的视频。如果你没有抓住所有的细节，请不要担心，因为我们将解释之后发生的事情：

我不介意告诉你，这是那些让我想起我拥有地质学学位而不是机器人学的论文之一。钱币。那么，让我们从NanoMap的关键思想开始，该论文有助于在摘要中明确表达：

NanoMap的关键思想是存储嘈杂的相对姿态变换的历史，并在相应的深度传感器测量集上搜索空间中查询点的最小不确定性视图。

如果这不是完全有意义的话，我就在你身边，但这个数字应该对基本想法有所帮助：

该图显示了NanoMap如何评估运动计划(蓝线)，给定一系列深度传感器测量值(灰色三角形)。对于每个采样点(红点)，搜索测量历史记录，直到找到包含采样点的视图(橙色三角形)。

随着无人机向前移动，它需要一系列连续的深度传感器快照(在30赫兹左右，取决于传感器)，由上面的灰色三角形*表示。看到那条小弯曲的蓝线?让我们说这是你希望无人机随后飞行的轨迹。为了达到该轨迹中的第一个点(左起第二个图中的红点)，无人机可以从正确的位置看到正在发生的事情。但是为了进一步规划，无人机需要有关其深度传感器当前视野范围之外的区域的信息。然后，NanoMap开始向后查看其快照集合，直到找到一个显示需要计划的区域。如果它找不到一个好的快照，那么它将不得不放慢速度并环顾四周，但如果确实找到一个，

“如果NanoMap没有模拟不确定性，并且无人机距离预期的位置仅漂移了5%，那么无人机将每四次飞行失败一次。与此同时，当它解决不确定性时，崩溃率降至2%。“

这种技术的问题在于，无人机必须越往后寻找正确的快照，就越不确定它在拍摄快照时的确切位置(相对于现在的位置)，因此它需要移动以避免快照包含的任何障碍。这源于这样一个事实，即自主机器人在独立跟踪自己的位置时往往很糟糕。由于IMU并不完美，并且相机和激光雷达并不完美，因此估计相对于其所在位置的机器人将变得越来越不准确。

许多机器人在他们构建的地图上进行本地化(通过同时定位和映射，或SLAM)使用所谓的循环闭包来尝试和补偿这一点。他们徘徊，建立一张地图，随着机器人的传感器漂移而逐渐变得不那么精确，而且它的位置变得越来越不确定。在机器人徘徊了一段时间之后，它会循环回来，一旦它识别出它开始的位置，就可以将它记住的起点与它现在看到的结果进行比较并关闭循环，校准(在某种程度上)其余部分。地图。这是实践中的一个视频 - 注意一旦机器人意识到它曾经在那个大的椭圆形房间之前，地图如何捕捉到更直角y(和准确)的东西：

这是进行自主导航的传统方式：通过相同地标 - 空间或物体的多个视图补偿不确定性 - 可以相互校准，最终得到一个漂亮的大精确地图。NanoMap完全消除了这一点。相反，它只是使用该快照序列并通过对每个快照的实际不确定性进行建模，寻找具有最低不确定性的快照，然后将不确定性结合到运动计划中来补偿不确定性。不确定性越高，无人机离障碍物的距离越远，因为每个障碍物可能变大的空间越大。

对于无人机，大多数不确定性来自IMU测量加速度的准确性。没有得到正确的加速度测量(你从未真正做过)会导致速度和位置估计的不准确性随着时间的推移变得更糟。这被称为漂移，无人机正在尝试的动作越极端，漂移就越严重，这意味着无人机移动得更快，更动态地发现它更难以准确估计它们的位置，这并不奇怪。

在测试中，研究人员发现，当漂移远低于20 cm / s左右时，他们的不确定性建模确实开始得到回报。高达约75厘米/秒的漂移，使用NanoMap进行规划并结合不确定性能够使无人机在97-98%的时间内崩溃。漂移超过1米/秒，无人机只有10%的时间是安全的，但这比没有不确定性建模的测试强三倍。新闻稿总结如下：

如果NanoMap没有模拟不确定性，并且无人机距离预期的位置仅漂移了5%，那么无人机将每四次飞行失败一次。同时，当它考虑到不确定性时，崩溃率降至2%。

所以那很好，对吧?麻省理工学院已经通过作为DARPA FLA计划的一部分进行的飞行实验展示了它的运作情况，NanoMap是开源的，可供你在Github上玩。