无人机整机
无人机配件
无人机服务
设备与工具
RAPTOR 做了什么？
为了解决上述问题，港科大的研究者提出了一个稳健的 perception-aware 轨迹重规划框架——RAPTOR。
为了确保在有限的时间内获得可行轨迹，港科大的研究者提出了一种基于路径引导梯度（path-guided gradient）的优化方法，利用几何引导路径消除不可行的局部极小值，保证路径重新规划的成功。同时，为了进一步提高重新规划的最优性，该研究还引入了一种在线拓扑路径规划，以提取一组能够捕捉环境结构的全面的路径。在多条不同路径的引导下，多条轨迹并行优化，使解空间得到更彻底的探索。
这一解决方案是在之前的论文《Robust real-time UAV replanning using guided gradient-based optimization and topological paths》中首次提出的。然而，该方法采用了 optimistic 的假设，缺乏对环境的感知意识，因此限制了无人机在更高速度、更复杂的环境中的能力。
为了弥补这一差距，研究人员采用 perception-aware 规划策略将上述方法扩展到更快、更安全的飞行。
首先，该研究提出了一种风险感知的轨迹精化方法，并将其与 optimistic 规划器相结合。利用该方法，沿着 optimistic 轨迹，识别对无人机存在潜在危险的未知区域。这些区域的可见度以及安全反应距离都被明确规定，以确保无人机能够更早地发现未标记区域中存在的障碍并及时躲避。
其次，研究者将无人机的偏航角纳入了两步运动规划框架。在离散状态空间中寻找一个使信息增益和平滑度最大化的最优偏航角序列，并通过优化使其更加平滑。由偏航角规划的运动使视场（FOV）受限的四旋翼无人机主动探索未知空间，为下一步的飞行获取更多相关知识。
本文所提出的重规划系统如图 3 所示。该算法利用全局规划、密集映射和状态估计模块的输出，对全局参考轨迹进行局部修改，以避免先前未知的障碍物。
重规划分两步进行：首先，稳健的 optimistic 重规划通过路径引导优化并行生成多个局部最优轨迹。优化是通过从拓扑路径搜索中提取并精心选择的拓扑独特路径来引导的。在这一步中采用 optimistic 假设。第二步是利用 perception-aware 规划策略。在这一步骤中，局部最优轨迹中的最佳轨迹通过风险感知轨迹精化进一步细化，提高了其在未知和危险空间中的安全性和可见性。在优化轨迹的基础上，偏航角得到规划，以主动探索未知环境的内容。
研究者通过基准比较和具有挑战性的现实世界实验，对所提出的 perception-aware 规划策略和整个规划系统进行了系统的评估。结果表明，perception-aware 规划策略能够在传统方法无法保证安全的、具有挑战性的场景中，支持快速和安全的飞行。此外，整个规划系统在快速飞行任务的几个方面都优于 SOTA 方法。在复杂环境中进行的大量室内外飞行试验也验证了该规划系统的有效性。
作者简介
本文一作 Boyu Zhou 是香港科技大学 Robotics Institute 的在读博士生，本科阶段就读于上海交通大学。他的研究兴趣包括移动机器人运动规划和密集映射、信息路径规划等。
Boyu Zhou的导师沈劭劼是香港科技大学副教授，同时担任香港科技大学 - 大疆创新联合实验室主任。他 2014 年于美国宾夕法尼亚大学获得博士学位，并于同年加入香港科技大学任教。他的研究兴趣主要集中在机器人和无人机领域，包括状态估计、传感器融合、定位和映射以及在复杂环境中的自主导航。
沈劭劼和他的研究团队曾获 IROS 2018 最佳学生论文奖、SSRR 2016、2015 最佳论文奖等奖项。去年拿到 200 万左右年薪的「华为天才少年」秦通也是沈劭劼的学生。
Java工程师入门深度学习（二）：DJL推理架构详解
DJL是亚马逊推出的开源的深度学习开发包，它是在现有深度学习框架基础上使用原生Java概念构建的开发库。DJL目前提供了MXNet,、PyTorch和TensorFlow的实现。Java开发者可以立即开始将深度学习的SOTA成果集成到Java应用当中。
11月3日20:00，李政哲（AWS软件开发工程师）将带来线上分享，介绍DJL推理模块并结合具体场景讲解各模块使用方法，推理 API 的使用方法以及如何优化推理速度，如何部署在微服务、大数据服务以及移动端并搭配客户成功案例的讲解。
2024-04-27 09:45
2024-04-26 10:33
2024-04-26 10:25
2024-04-26 10:13
2024-04-25 11:09
2024-04-25 11:06
2024-04-25 10:51
2024-04-25 10:46
2024-04-24 09:57
