|
美国国防预先研究计划局（DARPA）开展的“快速轻量自主”（FLA）项目旨在开发一种新的导航、感知、规划和控制算法，使无人系统能够在未知、杂乱的环境中实现自主、高速飞行。本文首先从研究背景、目标和技术定位等方面概述了项目的基本情况；然后重点介绍了项目的两项关键技术，导航与感知（视觉惯性测距技术、多层映射技术、机器学习技术），规划与控制（3D反馈运动基元、2D全局规划器）；最后结合项目具体试验成果，展望未来发展趋势，认为FLA项目可以大幅提升无人机的自主能力，扩展无人机的应用场景，推进分布式协同作战能力的形成，项目成果有良好的可扩展性和极大应用价值。 01 目前，美国在执行紧急监视侦察任务方面的能力存在不足：军队在复杂环境中执行危险的巡逻任务时或救援队开展灾难营救行动时经常使用无人机搜集数据来进行态势感知，执行队员可以在安全区域远程监控进展，但是需要了解建筑物内部的情况时（墙壁、门和杂乱的空间使无人机操控变得困难），仍需人员进入，而这通常会使美国军人或救援队员处于危险之中。 美国国防预先研究计划局（Defense Advanced Research Projects Agency，DARPA）的“ 快速轻量自主”（Fast Lightweight Autonomy，FLA）项目旨在开发一种新的导航、感知、规划和控制算法，使无人系统能够在未知、杂乱的环境中实现自主、高速飞行。将这一新技术集成在小型四旋翼无人机上，该项目将展示敏捷的飞行能力，使飞行器在没有外部通信或GPS导航的情况下，以高达20m/s的速度在未知的室内/室外环境中自主感知和飞行。 02 2015 年，DARPA启动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自主完成任务。 FLA项目开发具有先进自主算法的智能软件，并集成在质量仅为 5 磅的轻型四旋翼无人机上，使得无人机在续航能力和机载计算能力有限的情况下，在室内、地下或受干扰等GPS受限时无需远程遥控就可自主执行任务，以此实现高度自主。其可以将小型空中和地面系统转变为能自主执行危险任务的编队成员——例如在敌军遍布的城市环境中执行任务的先前侦察，或者在地震后搜索受损建筑物以寻找幸存者。FLA项目提出之初，DARPA提出了一些衡量指标，见表 1。 表1 FLA项目衡量指标 FLA项目共分为两个阶段，第一阶段主要对室外、仓库和办公室进行飞行测试。2015 年 9 月 25日，DARPA向Scientific Systems公司授予FLA项目第一阶段合同，同时还有麻省理工学院等优秀团队共同参与开发。2016 年成功完成第一阶段飞行试验。 第二阶段主要完成门、窗户和其他物体识别的飞行测试。麻省理工学院和德雷珀实验室团队此阶段致力于使无人机不需要外部通信设施或GPS就能在未知的环境中自主感知和机动。2017 年参与的团队成功完成了第二阶段的飞行试验。 03 在未知环境中仅使用机载传感器进行搜索，必须解决两个关键问题：导航和感知问题，即无人机必须在快速飞行过程中非常有效地从传感器提取信息，以便定位自身位置和感知周围环境，以识别障碍物和清除不可靠路径；规划和控制问题，即无人机必须准确和快速地避免碰撞，同时朝着目标前进。此外，这些导航、感知、规划和控制子系统必须与低延迟通信紧密集成才能协同工作，以此实现这种精确的集成系统功能。 3.1 为了使无人机能够在不借助GPS情况下实现各种环境中的精确定位和导航，项目研发了一种基于视觉惯性测距（VIO）技术的估算器。估算器 集成了机器视觉单目相机和惯性测量单元（IMU），其中相机能提供无漂移但缺乏标度信息的低速率测量，IMU能提供具有绝对标度但漂移的高速率测量，VIO则利用两者的互补性达到了更好的测量效果。此做法继承了多状态约束卡尔曼滤波框架的工作，将高速高漂移IMU数据和低速率低漂移视觉数据集成在一个实时、成熟的框架中。 图1 基于网格的单目图像几何恢复 而为了无人机高速飞行中的感知，项目开发了几种协同策略。为近场前向感知，商用立体相机和结构光传感器被用于 10m或更小范围内密集深度信息的获取。同时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，以通过帧到帧的跟踪来快速确定大体深度。而为了远程感知，项目探索符号感知技术，该技术利用机器学习技术对环境和物体进行分类，有助于确认安全、可用的飞行路线，如道路、通道、门道、窗户和树木之间的空隙。 3.2 项目的规划与控制系统基于 3D反馈运动基元，这是一种轨迹控制/规划方法，可直接使用局部深度数据来控制无人机运动行为。通过运动基元的方法，不需要经历构造地图、优化轨迹和跟踪轨迹等一般过程，核心是规划通向目标的路线（ 高速飞行并避免障碍），利用基于系统精确动态模型的碰撞概率快速确定，并且受益于低精度状态估计方法的鲁棒性。 图2 飞行模拟测试中运动基元轨迹选择路线图 此外，运动基元方法不依赖于全局地图状态反馈，以避免无人机飞行中状态估计方法可能产生的误差。当无人机飞入复杂的空间或在大障碍物周围盘旋需要协助时，项目开发的 2D全局规划器则为运动基元系统提供帮助。未来，感知系统将融入机器学习技术，用于当前环境的分类，然后根据环境类型的特征，向规划控制系统推荐超出无人机传感器探测范围的安全轨迹。 04 4.1 2016 年 4 月，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试验。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穿越，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60m。在每次试验之间，测试团队会稍微重新配置环境，使得每次试验都是不同的。在这次飞行试验中，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高达 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 第二次试验是在 2016 年 11 月，三个团队在弗罗里达州进行了飞行试验。这次飞行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，目标距离从单程大约 160m增加到 1 km。试验中，无人机飞到目标位置，并返回原点自主着陆。测试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，试验的最大距离为 1 km，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），不确定的环境（ 影响障碍物检测）以及多变 / 具有挑战的光线（ 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。 4.2 2018 年，FLA项目完成了第二阶段的飞行试验，研究人员演示最新FLA软件在模拟城市环境中，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，研究人员基于 2017 年第一阶段飞行测试，改进了软件并且使用商业传感器，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，取得了重大进展，包括：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；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；以及识别楼梯并沿楼梯飞行，最后从一个敞开的出口离开大楼。 麻省理工学院和德雷珀实验室的工程师团队为提高无人机飞行速度，减少了机载传感器的数量，以减轻无人机的重量。第一阶段中，团队在平台上安装了各种不同的传感器执行侦察任务。而在第二阶段，只使用一台摄像机。无人机在侦察时不仅要绘制出准确的地图，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，探索和记忆已经侦察的地点，因此可以自行返回起点。 图5 无人机识别车辆（上）与手持设备图像显示（下） 在无人机执行任务中，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，并在地图上对其进行标识并支持点击功能。在任务完成后，人类操作员可以从机载处理器下载地图和图像。为提升任务效率，麻省理工学院和德雷珀实验室团队开发了一款名为安卓战术攻击套件（ATAK）的手持应用设备，该设备可以连接来自无人机的可选Wi-Fi（人类操作员可以按需打开或关闭）。当 Wi-Fi 连接时，无人机可以发送关注对象的实时图像，不必等待任务完成。 在飞行试验中，研究人员成功验证了无人机对模拟城镇周边处于不同位置的汽车的自主识别能力。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ATAK上显示地理数字地图。 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的狭小室内空间中自主飞行。为容纳所有需要的传感器和计算平台，该团队开发了一款新的集成单板计算机，使得无人机尺寸减小一半，重量减少一半以上。同时使用一款通用处理器，只需很少的功耗就可以完成全部的计算任务。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行，因此建立一个完整的三维图在室内环境中非常重要。 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） 在该团队试验中，无人机从室外起飞，以更快的速度飞行在多层建筑之间，识别并穿过只有几英寸宽的二层窗户；沿走廊搜索房间，并绘制室内三维地图；识别楼梯间并沿楼梯飞下，最后从一个敞开的门离开大楼飞回室外。该项目下一步是将更多的计算能力集成到更小的平台上，生产一种足够小到可以放在手心里的智能无人机。 05 FLA项目研究了先进的算法，可以使小型无人机借助自身携带的各种传感器，在不确定的环境中自主完成任务。 图7 无人机主要关键技术图谱 FLA项目所涉及到的关键技术主要有几个方面：能源与动力技术，包括发动机技术和能源类型；平台技术，包括气动设计、外形设计、材料等方面；网络通信技术，主要用于无人机和有人平台之间以及无人机集群内部的通信，需要满足高速、低延迟、高可靠、抗干扰等需求；载荷技术，包括高性能的传感器、探测器以及其他任务载荷的设计制造等；自主控制技术，包括自主导航、路径规划、态势感知、自主决策、集群协同等方面。FLA项目研发是以现有的轻型无人机平台为基础，并且预期的主要应用场景是缺少外界信息支援的复杂环境，因此项目重点发展的是无人机自主控制这一领域的技术。该项目有以下优势： （1）提升无人机自主能力，以提高自身生存能力并降低人员危险。多次飞行试验的成功表明，该项目开发的先进算法可以使无人机绘制三维地图并记忆环境，该功能使得无人机可以在没有任何通信GPS等外界支撑的情况下自主执行并完成任务，并能自主回到出发点以供人员下载信息。这些自主能力减少了无人机被无线电检测的几率，很大程度上提升了它的生存能力和安全性，同时降低了人员危险。此外，新开发的手持设备可通过Wi-Fi与无人机载荷进行数据同步，以便人员可以根据需要实时关注无人机侦察情况，而无需等待其返回再下载信息，避免可能因延迟带来的危险。 （2）后续将改进算法，成果即将过渡到陆军。该项目合作的大学和工业研究团队今后将致力于对FLA项目算法的改进，在不久以后只要提供一般的航向、飞行距离和需要搜索的特定目标，这些算法可以将轻型、商用现成的空中或地面无人系统转换为无需人工干预的的高性能操作系统。配备FLA算法的无人系统不需要远程飞行员、GPS导航、通信链路，也不需要该区域的预编程序地图，只需要机载软件、轻量级处理器和低成本传感器，可以自动实时地完成所有工作。 （3）支撑其他项目，推进分布式协同作战能力的形成。项目研究重点是无人机，但是这一项目所取得的成果在地面、水面和水下系统，尤其在GPS信号不佳或无GPS信号的环境中，均具有很大的应用潜力。FLA项目是DARPA战术技术办公室发起的，该项目侧重于单个无人机自主能力的研究，该办公室还发起了“ 拒止环境中协同作战”（CODE）、“ 进攻性蜂群使能战术”（OFFSET）项目，这两个项目侧重多无人机蜂群协同作战，FLA项目研究成果很有可能应用于CODE和OFFSET项目。 06 无人机快速、轻量、自主的特点逐渐受到国内外各行各业的高度关注。本文通过研究DARPA开展的FLA项目，分析美国对于优化无人机性能的解决思路。项目通过开发先进的智能算法，应用于集成了小巧轻便传感器和计算载荷的小型无人机平台，使无人机可以在室内、城市室外、野外等复杂、危险和缺少外部支持的未知环境中自主执行任务，同时也能使人员通过手持设备在无需暴露的情况下仍能保持对态势的感知。项目成果表明单架无人机可在无GPS或GPS不佳环境中自主执行侦察等任务，该项目已计划过渡到陆军，未来无人机协同形成蜂群后，在侦察、饱和攻击等实战应用中将很大程度提高美军作战能力。 作者：王彤，李磊，蒋琪 |
|
|
