跳到主要内容

FastPlanner

来源： https://github.com/HKUST-Aerial-Robotics/Fast-Planner

Fast-Planner旨在帮助四旋翼飞行器在复杂的未知环境中实现快速飞行。它包含一套丰富的、精心设计的规划算法，并提供了基础代码框架和算法，支持多个流行的开源无人机项目，包括ego-planner、 FUEL和RACER等。

消息：

  • 2021年3月13日：快速自主探索代码现已发布！查看此代码库了解更多详情。

  • 2020年10月20日：Fast-Planner 得到扩展，并应用于快速自主探索。查看此repo了解更多详情。

作者：香港科技大学空中机器人课题组周博宇、沈少杰，浙江大学FAST实验室高飞。

   

完整视频： video1、 video2、 video3。IEEE Spectrum 上已报道了有关此项工作的演示：page1、page2、 page3 （在页面中搜索_HKUST ）。_

要在几分钟内运行此项目，请查看快速入门。查看其他部分以获取更多详细信息。

如果此项目对您有帮助，请点赞⭐。我们非常努力地开发和维护它😁😁。

目录​

1. 快速入门​

该项目已经在 Ubuntu 18.04（ROS Melodic）和 20.04（ROS Noetic）上进行了测试。

首先，您应该安装nlopt v2.7.1：

git clone -b v2.7.1 https://github.com/stevengj/nlopt.git
cd nlopt
mkdir build
cd build
cmake ..
make
sudo make install

接下来，您可以运行以下命令来安装其他所需的工具：

sudo apt-get install libarmadillo-dev

然后简单地克隆并编译我们的包（这里使用 ssh）：

cd ${YOUR_WORKSPACE_PATH}/src
git clone https://github.com/HKUST-Aerial-Robotics/Fast-Planner.git
cd ../ 
catkin_make

您可以查看详细的项目设置说明。编译完成后，您可以通过以下方式启动可视化：

source devel/setup.bash && roslaunch plan_manage rviz.launch

并开始模拟（在新终端中运行）：

source devel/setup.bash && roslaunch plan_manage kino_replan.launch

您将在 中找到随机地图和无人机Rviz。您可以使用该工具选择无人机要到达的目标。此处2D Nav Goal展示了一个示例模拟。

2. 算法与论文​

该项目包含一系列用于四旋翼飞行器的稳健且计算高效的算法：

  • 运动动力学路径搜索
  • 基于B样条的轨迹优化
  • 拓扑路径搜索和路径引导优化
  • 感知意识规划策略（待出版）

这些方法在下面列出的论文中有详细说明。

如果您在研究中使用此项目，请至少引用我们的一篇论文：Bibtex。

所有规划算法以及其他关键模块（例如映射）都在fast_planner中实现：

  • plan_env：在线地图构建算法。它以深度图像（或点云）和相机姿态（里程计）对作为输入，进行光线投射以更新概率体积地图，并为规划系统构建欧氏有向距离场（ESDF）。
  • path_searching：前端路径搜索算法。目前，它包含一个动态路径搜索算法，该算法遵循四旋翼飞行器的动力学原理。它还包含一个基于采样的拓扑路径搜索算法，用于生成多个拓扑结构独特的路径，从而捕捉三维环境的结构。
  • bspline：基于 B 样条的轨迹表示的实现。
  • bspline_opt：使用 B 样条轨迹的基于梯度的轨迹优化。
  • active_perception：感知规划策略，使四旋翼飞行器能够主动观察并避开未来出现的未知障碍物。
  • plan_manage：调度和调用映射与规划算法的高级模块。其中包含启动整个系统的接口以及配置文件。

除了文件夹fast_planner之外，还使用轻量级uav_simulator进行测试。

3. 设置和配置​

先决条件​

  1. 我们的软件是在 Ubuntu 18.04（ROS Melodic）和 20.04（ROS Noetic）中开发和测试的。

  2. 我们使用NLopt来解决非线性优化问题。uav_simulator依赖于 C++ 线性代数库Armadillo。这两个依赖项可以通过以下命令安装。

首先，您应该安装nlopt v2.7.1：

git clone -b v2.7.1 https://github.com/stevengj/nlopt.git
cd nlopt
mkdir build
cd build
cmake ..
make
sudo make install

接下来，您可以运行以下命令来安装其他所需的工具：

sudo apt-get install libarmadillo-dev

在 ROS 上构建​

满足先决条件后，您可以将此存储库克隆到您的 catkin 工作区和 catkin_make。建议使用新的工作区：

  cd ${YOUR_WORKSPACE_PATH}/src
  git clone https://github.com/HKUST-Aerial-Robotics/Fast-Planner.git
  cd ../
  catkin_make

如果在此步骤中遇到问题，请先参考现有问题、拉取请求和Google ，然后再提出新问题。

现在您可以开始运行模拟了。

使用 GPU 深度渲染（可以选择跳过）​

此步骤并非运行模拟的必需步骤。但是，如果您想在uav_simulator中运行更逼真的深度摄像头，则需要安装CUDA 工具包。否则，将使用不太逼真的深度传感器模型。

uav_simulator中的local_sensing包可以选择使用 GPU 或 CPU 来渲染深度传感器测量数据。默认情况下，在 CMakeLists 中设置为 CPU 版本：

set(ENABLE_CUDA false)
# set(ENABLE_CUDA true)

但是，我们强烈推荐 GPU 版本，因为它生成的深度图像更像真实的深度相机。要启用 GPU 深度渲染，请将 ENABLE_CUDA 设置为 true，同时记得根据您的显卡设备更改“arch”和“code”标志。您可以在此处查看正确的代码。

    set(CUDA_NVCC_FLAGS 
      -gencode arch=compute_61,code=sm_61;
    )

如需安装 CUDA，请访问CUDA ToolKit

4. 运行模拟​

首先使用我们的配置运行Rviz ：

  <!-- go to your workspace and run: -->
  source devel/setup.bash
  roslaunch plan_manage rviz.launch

然后运行四旋翼模拟器和Fast-Planner。下面提供了几个示例：

运动动力学路径搜索与 B 样条优化​

该方法通过动态路径搜索在离散控制空间中找到安全、动态可行且时间最短的初始轨迹。然后，通过 B 样条优化来提高轨迹的平滑度和清晰度。要测试此方法，请运行：

  <!-- open a new terminal, go to your workspace and run: -->
  source devel/setup.bash
  roslaunch plan_manage kino_replan.launch

通常情况下，您会在 中找到随机生成的地图和无人机模型Rviz。此时，您可以使用2D Nav Goal工具触发规划器。点击 中的某个点Rviz，会立即生成新的轨迹并由无人机执行。示例如下：

文中 详细 介绍 了 相关 算法.

拓扑路径搜索与路径引导优化​

该方法的特点是搜索不同拓扑类别中的多条轨迹。得益于该策略，解空间的探索更加彻底，避免了局部极小值，并得到了更优的解。同样，运行：

  <!-- open a new terminal, go to your workspace and run: -->
  source devel/setup.bash
  roslaunch plan_manage topo_replan.launch

然后你会发现随机地图已经生成，并且可以使用它2D Nav Goal来触发规划器：

文中 详细 介绍 了 相关 算法.

感知重规划​

相关论文发表后将发布代码。

5. 在您的应用程序中使用​

如果您已成功运行模拟并希望在项目中使用Fast-Planner，请浏览 kino_replan.launch 或 topo_replan.launch 文件。其中包含并记录了您在使用过程中可能更改的重要参数。

请注意，在我们的配置中，深度图像的尺寸为 640x480。为了提高地图融合效率，我们进行了下采样（在 kino_algorithm.xml 中，skip_pixel = 2）。如果您使用分辨率较低的深度图像（例如 256x144），可以通过设置 skip_pixel = 1 来禁用下采样。此外，depth_scaling_factor_设置_为 1000，您可能需要根据您的设备进行更改。

最后，对于安装问题，例如 ROS/Eigen 版本不同导致的编译错误，请先参考已有的Issues、Pull Request以及Google等资源，再提交新 Issue。无关紧要的 Issue 将不会收到回复。

6.更新​

  • 2020年10月20日：Fast-Planner 得到扩展，并应用于快速自主探索。查看此repo了解更多详情。

  • 2020年7月5日：我们将在未来发布论文的实现：RAPTOR: Robust and Perception-aware Trajectory Replanning for Quadrotor Fast Flight （已提交给TRO，正在审核中）。

  • 2020 年 4 月 12 日：ICRA2020 论文《_使用基于引导梯度的优化和拓扑路径的鲁棒实时无人机重新规划》_的实现现已可用。

  • 2020年1月30日：体积映射与我们的规划器集成。它以深度图像和相机姿态对作为输入，进行光线投射以融合测量值，并为规划模块构建欧氏有向距离场 (ESDF)。

致谢​

我们使用NLopt进行非线性优化。

执照​

源代码根据GPLv3许可发布。

免责声明​

这是研究代码，分发时希望它有用，但不附带任何担保；甚至不附带适销性或针对特定用途的适用性的暗示担保。

更多信息

  1. FastPlanner官方