在小樹林飛也能又快又穩，這是港科大沈劭劼組的「猛禽」無人機重規劃框架

人從樹林中走過尚且可能被刮到頭髮、衣服，但這個無人機似乎不會。

如果面前有一片樹林，無人機能自己穿過去嗎？現在的技術已經能夠做到這一點，但速度一般。

最近兩年，港科大沈劭劼教授帶領的研究小組向這一問題發起了挑戰。他們提出的新方法不僅能讓無人機穿過樹林，還實現了快速自主導航。

在樹林中進行的測試。播放速度：1 倍速。

在室內布置的障礙中進行的測試。播放速度：1 倍速。

從 demo 中我們可以看到，這架無人機可以在障礙重重的室內外快速飛行，即使在拐彎處也不會撞到障礙物。這還要得益於他們提出的一個穩健的 perception-aWare重規劃框架——RAPTOR（字面含義：猛禽）。

正如名字中所寄予的期望，RAPTOR 經歷了各種複雜環境的考驗，結果都能保證無人機的平穩、快速自主飛行。相關研究已經提交給機器人學頂會 T-RO 接受評審。

論文連結：https://arxiv.org/pdf/2007.03465.pdf

項目連結：https://github.com/HKUST-Aerial-Robotics/Fast-Planner

在此之前，該研究團隊還有兩篇相關論文，其中一篇被 ICRA 2020 接收。

讓無人機飛得又快又穩難在哪兒？

近年來，由於軌跡重規劃不斷取得進展，讓四旋翼無人機在未知環境中自主導航已經不是什麼難事。然而，大多數方法只適用於中速飛行。是什麼阻礙了四旋翼無人機的提速之路？作者總結出了以下幾個原因：

1. 在未知的環境中高速運行時，四旋翼無人機需要在極短的時間內重新規劃軌跡，以避免撞到障礙物，否則它會墜毀。然而，在非常有限的時間內，大多數方法不能保證快速找到可行軌跡。

2. 目前的方法通常是在一個拓撲等價類中尋找局部最優軌跡，但該類別可能並沒有包含平穩、快速飛行所需的最佳解決方案。

3. 現有的方法對環境的感知不足，當飛行速度和障礙物密度變高時，這可能是一個致命的缺陷。如果不注意感知，按照原計劃執行的運動可能會遭遇環境能見度受限等問題，進而導致安全航行所需的周圍空間信息不足。

圖 1 可以更好地說明在重新規劃中不考慮感知的後果。為了最小化能量消耗，系統在靠近牆壁的地方生成了一條軌跡。如果沿著這條軌跡飛行，無人機對角落後面未知空間的可見性非常有限，轉過去的瞬間才發現障礙物已經近在眼前。然而，此時情況已經難以逆轉，無人機可能會直接撞上去。因此，對於無人機的安全、高速飛行來說，積極地觀察和避免可能的危險比被動地躲避危險更加關鍵。

RAPTOR 做了什麼？

為了解決上述問題，港科大的研究者提出了一個穩健的 perception-aWare軌跡重規劃框架——RAPTOR。

為了確保在有限的時間內獲得可行軌跡，港科大的研究者提出了一種基於路徑引導梯度（path-guided grADIent）的優化方法，利用幾何引導路徑消除不可行的局部極小值，保證路徑重新規劃的成功。同時，為了進一步提高重新規劃的最優性，該研究還引入了一種在線拓撲路徑規劃，以提取一組能夠捕捉環境結構的全面的路徑。在多條不同路徑的引導下，多條軌跡並行優化，使解空間得到更徹底的探索。

這一解決方案是在之前的論文《Robust real-time UAV replanning using guided gradient-based optimization and topological paths》中首次提出的。然而，該方法採用了 optimistic 的假設，缺乏對環境的感知意識，因此限制了無人機在更高速度、更複雜的環境中的能力。

為了彌補這一差距，研究人員採用 perception-aware 規劃策略將上述方法擴展到更快、更安全的飛行。

首先，該研究提出了一種風險感知的軌跡精化方法，並將其與 optimistic 規劃器相結合。利用該方法，沿著 optimistic 軌跡，識別對無人機存在潛在危險的未知區域。這些區域的可見度以及安全反應距離都被明確規定，以確保無人機能夠更早地發現未標記區域中存在的障礙並及時躲避。

其次，研究者將無人機的偏航角納入了兩步運動規劃框架。在離散狀態空間中尋找一個使信息增益和平滑度最大化的最優偏航角序列，並通過優化使其更加平滑。由偏航角規劃的運動使視場（FOV）受限的四旋翼無人機主動探索未知空間，為下一步的飛行獲取更多相關知識。

本文所提出的重規劃系統如圖 3 所示。該算法利用全局規劃、密集映射和狀態估計模塊的輸出，對全局參考軌跡進行局部修改，以避免先前未知的障礙物。

重規劃分兩步進行：首先，穩健的 optimistic 重規劃通過路徑引導優化並行生成多個局部最優軌跡。優化是通過從拓撲路徑搜索中提取並精心選擇的拓撲獨特路徑來引導的。在這一步中採用 optimistic 假設。第二步是利用 perception-aware 規劃策略。在這一步驟中，局部最優軌跡中的最佳軌跡通過風險感知軌跡精化進一步細化，提高了其在未知和危險空間中的安全性和可見性。在優化軌跡的基礎上，偏航角得到規劃，以主動探索未知環境的內容。

研究者通過基準比較和具有挑戰性的現實世界實驗，對所提出的 perception-aware 規劃策略和整個規劃系統進行了系統的評估。結果表明，perception-aware 規劃策略能夠在傳統方法無法保證安全的、具有挑戰性的場景中，支持快速和安全的飛行。此外，整個規劃系統在快速飛行任務的幾個方面都優於 SOTA 方法。在複雜環境中進行的大量室內外飛行試驗也驗證了該規劃系統的有效性。

作者簡介

本文一作 Boyu Zhou 是香港科技大學 Robotics Institute 的在讀博士生，本科階段就讀於上海交通大學。他的研究興趣包括移動機器人運動規劃和密集映射、信息路徑規劃等。

Boyu Zhou的導師沈劭劼是香港科技大學副教授，同時擔任香港科技大學 - 大疆創新聯合實驗室主任。他 2014 年於美國賓夕法尼亞大學獲得博士學位，並於同年加入香港科技大學任教。他的研究興趣主要集中在機器人和無人機領域，包括狀態估計、傳感器融合、定位和映射以及在複雜環境中的自主導航。

沈劭劼和他的研究團隊曾獲 IROS 2018 最佳學生論文獎、SSRR 2016、2015 最佳論文獎等獎項。去年拿到 200 萬左右年薪的「華為天才少年」秦通也是沈劭劼的學生。

Java工程師入門深度學習（二）：DJL推理架構詳解

DJL是亞馬遜推出的開源的深度學習開發包，它是在現有深度學習框架基礎上使用原生Java概念構建的開發庫。DJL目前提供了MXNet,、PyTorch和TensorFlow的實現。Java開發者可以立即開始將深度學習的SOTA成果集成到Java應用當中。

11月3日20:00，李政哲（AWS軟體開發工程師）將帶來線上分享，介紹DJL推理模塊並結合具體場景講解各模塊使用方法，推理 API 的使用方法以及如何優化推理速度，如何部署在微服務、大數據服務以及移動端並搭配客戶成功案例的講解。