DARPA“快速轻量自主”项目智能算法

作者：军鹰智库    来源：军鹰动态

美国国防部高级研究计划局（Defense Advanced Research Projects Agency，DARPA）启动“快速轻量自主”（Fast Lightweight Autonomy，FLA）项目，通过研究非传统感知和自主方法，为不确定环境中的高速无人机进行导航，使小型无人机借助自身携带的各种传感器，在杂乱无章的建筑物内和障碍遍布的环境下实现自主完成任务。

一、项目采用的智能算法

（一）导航与感知

为了能够在没有GPS的情况下，在各种环境中进行精确定位和导航，研究中使用一种基于视觉惯性测距仪(VIO)技术的估计器，它将机器视觉单目摄像机与性能良好的惯性测量单元(IMU)集成在一起。VIO利用IMU和摄像机的互补性，IMU提供了具有绝对标度但会漂移的高速率测量，而摄像机提供了无漂移但缺乏标度信息的低速率测量。

目前正探索用于高速飞行中感知的几种协同策略。近场前向感知，商用立体相机和结构光传感器被用于10米或更小范围内获取密集深度信息。正在开发基于多层映射技术的新技术，可从单目相机中提取局部几何信息，其中可以通过帧到帧跟踪来快速确定大体深度。为了帮助远程规划，正在探索符号感知技术，该技术利用学习技术对环境和物体进行分类，以有助于确认安全、可接受的飞行路线，如道路、通道、门道、窗户和树木之间的空隙。

图1 基于网格的单目图像几何恢复

（二）规划与控制

规划与控制子系统利用了3D反馈运动基元，该基元直接使用局部深度数据来控制行为。这些运动基元可通过基于系统精确动态模型的碰撞概率快速确定，且对低精度状态估计具有鲁棒性的优点。此外，该规划策略不依赖于规划目标轨迹的全局地图，也不依赖于全球地图来规划通向目标的路线，因此，它不受全局地图所带来问题的影响（全局地图通过飞行维持一致性，但飞行存在状态估计误差）。当系统飞入复杂的空间或在大障碍物周围盘旋需要协助时，2D全局规划器为运动基元系统提供帮助。长远来看，感知子系统将融入学习技术，用于对当前环境进行分类，然后根据该环境类型的一般特征，在超出传感器范围的概率安全轨迹上提供规划子系统。

图2 飞行模拟测试中运动基元轨迹选择路线图

二、飞行验证成果

（一）第一阶段飞行验证

FLA项目在一个拥有模拟墙壁和过道的室内仓库环境中进行了首次飞行测试。为了使测试更具挑战性，DARPA测试团队在通道上创造了死胡同，强制无人机在过道之间转换，并将过道中的各种物品作为障碍物。试验的目标是一辆北极星多功能车，终点距离起点约60米。在每次试验之间，测试团队会重新配置环境，以使每次试验都是不同的。在这次飞行测试中，共有39次成功达到试验目标，并且在一些试验中无人机达到了5m / s的速度。在这次测试中，无人机只要求找到目标，并没有要求返回原点。

图3 首次飞行测试场景图

第二次测试是在2016年11月，三个团队在弗罗里达州进行了飞行测试。这次飞行测试是在室外环境中进行的，混合了开阔的草地、道路、茂密的灌木丛、森林和一些建筑物。对于这次测试，单程目标距离大约为160m到1km。如果无人机飞到目标位置，返回原点并自主着陆，则认为试验是成功的。这些试验的目标物体是穿过森林与停机坪后机库内部的红色化学桶。

有一次试验与其他不同，在出发点与目标之间基本没有障碍物，旨在展示高速飞行，实验的最大距离为1km，无需返回原点。在飞行中，飞行速度达到了19.5m/s。由于目标距离的增加（需要更好的导航精度才能成功到达目标），非结构化和明确定义的环境（影响障碍物检测）以及多变/具有挑战的照明（影响依赖相机的导航和感知系统），这个试验在复杂性方面有了明显进步。

每个团队在面对不同的路线时显示出各自的优势和缺点，这取决于它们选用的传感器与算法的性能。一些团队的无人机在室内绕行障碍物上表现较好，另一些则在室外通过树丛或开放空间时是表现更好。

图4 寻找红色化学桶并返回原地概念图（左）与现实仿真图（右）

（二）第二阶段飞行验证

研究人员演示最新FLA软件在模拟城市环境，并在没有人类帮助的情况下执行现实世界的任务。为使更小、更轻的四轴无人机取得更好的性能，研究人员在2017年第一阶段飞行测试基础上，改进了软件和使用的商业传感器，在佐治亚州佩里的监护中心培训基地的模拟城镇进行了空中测试，测试的场景包括城市室外和室内，并取得了重大进展，包括：1）以更快的速度飞行在多层建筑之间，穿过狭窄通道，同时识别感兴趣的物体；2）穿过狭窄的窗户飞进建筑物，沿走廊搜索房间，并绘制室内三维图；3）识别楼梯并沿楼梯飞行，最后从一个敞开的出口离开大楼。

1、麻省理工学院/德雷珀实验室团队研究成果

在第二阶段，来自麻省理工学院和德雷珀实验室（MIT/Draper）的工程师团队为增加无人机速度，减少了机载传感器的数量，以减轻无人机的重量。该团队负责人表示，FLA快速轻量自主项目的传感器载荷应该足够轻。第一阶段中，团队在平台上安装了各种不同的传感器来侦察环境的情况。而在第二阶段，尽量只使用一台摄像机。

该团队任务的一个关键部分是，无人机在穿越城市景观时不仅要绘制出地理上准确的地图，而且还要绘制语义地图。当无人机使用传感器在未知环境中进行障碍物快速探测和导航时，它会不断地绘制地图，因为它会探索和记忆它已经去过的地点，它也能自行返回起点。

机载计算机利用神经网络可识别出道路、建筑物、汽车和其他物体，并在地图上标识出它们，同时提供可点击的图像。在任务完成后，人类编队成员可以从机载处理器下载地图和图像。此外，麻省理工学院和德雷珀实验室团队开发了一种同步能力，通过连接来自无人机的可选Wi-Fi(人类编队成员可以根据需要打开或关闭)，将无人机收集的数据与一款名为安卓战术攻击套件(ATAK)的手持应用程序可实现实时同步，无人机可以发送关注对象的实时图像，这款程序已经被部署到军队中。

在飞行试验中，研究人员成功地演示了对模拟城镇周边不同位置汽车的自主识别。在“探索模式”下，无人机对车辆进行识别，并通过Wi-Fi实时提供可点击的高分辨率图像，同时可在手持设备上的ATAK地理数字地图上显示。

图5 无人机识别车辆（左）与手持设备图像显示（右）

2、宾夕法尼亚大学团队研究成果

宾夕法尼亚大学研究团队为提升无人机自主性，减小了其尺寸和重量以便能够在杂乱无章且狭小的室内空间中自主飞行。第一阶段使用的传感器和计算机不再适用于重量和体积减小的无人机，这给研究人员带来了新的挑战。为此，该团队开发一款新的集成单板计算机，容纳所有需要的传感器和计算平台。在第二阶段，使用的无人机与之前相比大小减小一半，质量减少一半以上，同时使用一款通用处理器，此处理器只需很少的功耗就可以完成全部的计算任务。

在该团队进行的试验中，无人机从室外起飞，识别出并穿过只有几英寸宽的二层窗户，沿着走廊飞以寻找开放的房间，发现一个楼梯间并飞下到一层，最后从一扇敞开的门飞回室外。

图6 无人机识别穿过窗户（左）与飞下一段楼梯（中）以及飞出敞开的门（右）

宾夕法尼亚大学开发的无人机有一个关键特点，其能够创建一个未知室内空间的详细三维地图，可避免障碍，并有飞下楼梯间的能力。在任务执行中，无人机不仅需要认知环境的一部分，还需要掌握它上方以及下方的环境，因为它有可能需要绕着桌子或椅子飞，因此在室内环境中建立一个完整的三维图非常重要。该项目下一步是将更多的计算能力集成到更小的平台上，为军队或救护队员生产一种小到可以放在手心里的智能无人机。