Plánování trajektorií pro rychlé předcházení kolizím

Abstract

Výzkum na poli autonomních bezpilotních prostředků (UAV) se stal významným oborem mobilní robotiky. Rychlý a agilní let v neznámém prostředí s překážkami je stále složitý problém pro autonomní létající roboty. Tato práce představuje nový přístup pro plánování trajektorií, založený na systému MRS z FEL ČVUT, který využívá efektivní vyhledávání prostoru pomocí pyramid k umožnění rychlého a bezpaměťového ověřování kolizí. Navržená metoda tvoří obdélníkové pyramidy na základě dat z hloubkových senzorů na dronu za účelem aproximace volného prostoru, což umožňuje real time vyhodnocování možných trajektorií s výrazně nižšími výpočetními nároky. Výsledný algoritmus je schopen generovat bezpečné a dynamicky proveditelné trajektorie s vysokou frekvencí, bez nutnosti spoléhat se na předem známé mapy nebo náročné palubní výpočty. Efektivita vyvinutého algoritmu je podrobně porovnávána s nejmodernějšími přístupy, jako je například Fast Planner, v různých simulovaných prostředích na kvadrokoptéře. Výsledky dokazují schopnost provádět agilní let rychlostí 8 m/s pro hustoty překážek srovnatelné s referencí. Demonstrujeme podobnou rychlost přeplánování, zejména při vyšších rychlostech a vyšších hustotách překážek. Pokroky v oblasti agilního letu povedou k využití v aplikacích, jako je inspekce infrastruktury nebo pátrací a záchranné operace.Fast and agile flight in unknown and cluttered environments remains a major challenge for autonomous aerial robots. This thesis presents a novel trajectory planning framework built upon the MRS system from FEE CTU, incorporating an efficient pyramid-based space search to enable rapid, memory-less collision checking. The proposed method constructs rectangular pyramids with data from onboard depth sensors to approximate free space, allowing for real-time evaluation of candidate trajectories with significantly reduced computational cost. The resulting planner is capable of generating dynamically feasible and safe trajectories at high rates without reliance on prior maps or heavy onboard computation. The performance of the developed algorithm is extensively compared against state-of-the-art approaches such as Fast Planner, across a range of simulated environments on a quadrotor platform. We show agile flight at 8 m/s with medium density of obstacles, comparable to reference. We demonstrate competitive replanning speed, particularly at higher speeds and densities. Advancements in agile flight will lead to applications such as inspection of infrastructure or search and rescue operations.