Autonomous Tail-Sitter Flights in Unknown Environments

要約

テールシッター型無人航空機 (UAV) の完全自律飛行のための軌道生成には、高度に非線形な空気力学が原因で大きな課題が生じます。
この論文では、私たちの知る限り、未知の乱雑な環境でも高速ナビゲーションが可能な世界初の完全自律型テールシッター UAV を紹介します。
UAV の自律性は、LiDAR ベースのセンシング、微分平坦度ベースの軌道計画および純粋なオンボード計算による制御などの最先端テクノロジーによって実現されます。
特に、高速で衝突のない動的に実行可能な軌道を生成する、最適化ベースのテールシッター軌道計画フレームワークを提案します。
この非線形で制約のある \textcolor{black}{問題}を効率的かつ確実に解決するために、テールシッター UAV のオンライン計画に合わせた効率的な実現可能性が保証されたソルバー EFOPT を開発します。
私たちは、従来の NLP ソルバーに対するタスクの計画における EFOPT の優位性をベンチマークするために、広範なシミュレーション研究を実施しています。
また、屋内実験室、地下駐車場、屋外公園などのさまざまな現実世界の環境で、最大 15m/s の速度での積極的な自律飛行の徹底的な実験を実証します。
ビデオデモは https://youtu.be/OvqhlB2h3k8 で入手でき、EFOPT ソルバーは https://github.com/hku-mars/EFOPT でオープンソース化されています。

要約(オリジナル)

Trajectory generation for fully autonomous flights of tail-sitter unmanned aerial vehicles (UAVs) presents substantial challenges due to their highly nonlinear aerodynamics. In this paper, we introduce, to the best of our knowledge, the world’s first fully autonomous tail-sitter UAV capable of high-speed navigation in unknown, cluttered environments. The UAV autonomy is enabled by cutting-edge technologies including LiDAR-based sensing, differential-flatness-based trajectory planning and control with purely onboard computation. In particular, we propose an optimization-based tail-sitter trajectory planning framework that generates high-speed, collision-free, and dynamically-feasible trajectories. To efficiently and reliably solve this nonlinear, constrained \textcolor{black}{problem}, we develop an efficient feasibility-assured solver, EFOPT, tailored for the online planning of tail-sitter UAVs. We conduct extensive simulation studies to benchmark EFOPT’s superiority in planning tasks against conventional NLP solvers. We also demonstrate exhaustive experiments of aggressive autonomous flights with speeds up to 15m/s in various real-world environments, including indoor laboratories, underground parking lots, and outdoor parks. A video demonstration is available at https://youtu.be/OvqhlB2h3k8, and the EFOPT solver is open-sourced at https://github.com/hku-mars/EFOPT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google