⽬標⾏動及稠密環境未知情況下，⽆⼈機跟蹤的系統解決⽅案
本文是對《Fast-Tracker：A Robust Aerial System for Tracking Agile Target in Cluttered Environments》的⽂獻解讀。（文末附原文章鏈接）
來源：深藍前沿教育
Author: Zhichao Han*, Ruibin Zhang*, Neng Pan*, Chao Xu, and Fei Gao
Editer: 柯⻄
摘要
-
⽬標軌跡預測：利⽤觀測到的⽬標歷史資訊,在考慮⽬標動態約束的情況下預測未來軌跡； -
跟蹤軌跡規劃：傳統規劃結構,前端采⽤考慮運動學的搜索⽅法,後端采⽤時空優化和⽆碰撞的軌跡優化⽅法。
內容及貢獻
在⽆⼈機跟蹤領域，⾸先要在有限感測器條件下識別⽬標和周圍障礙物，然後規划出可⾏的安全軌跡。此外，為了處理意外情況，需要⾼頻率的重規划過程。我們提出⼀個⽬標意圖未知，周圍環境未知的⽆⼈機跟蹤系統框架。
目標軌跡預測及重定位
將⽬標近似為剛體，假設⽬標運動速度和加速度有界且連續，對於觀測過的歷史軌跡使⽤polynomial regression，然後⽤Bernstein basis polynomial進⾏動態約束，⽣成的軌跡作為⽬標未來運動預測。此外，針對障礙物遮擋，感測器範圍限制，⽬標運動未知時，⽆⼈機難以定位⽬標的情況，我們設計了⽬標重定位策略。
跟蹤軌跡生成 論文貢獻
將上述⽅法集成到⽆⼈機系統上，采⽤多個相機提升感測器性能，在真實環境中實驗，並與其他⽅法相⽐，更有優勢，該⽂貢獻如下:
-
輕量級且⽬標運動未知的基於⻉塞爾多⾯體約束的運動預測⽅法； -
前端：⼀個考慮⽬標的運動學搜索⽅法;後端：時空軌跡優化⽅法； -
結合感測器，形成系統解決⽅案，並進⾏評估。
目標運動檢測
帶約束的貝塞爾預測軌跡
采⽤⻉賽爾曲線描述⽬標預測軌跡，n階⻉塞爾曲線性質如下：
該⽅法將觀測到的世界坐標系下的⽬標位置及時間戳存⼊⻓度為L的FIFO隊列中。其中，歷史時間範圍是
，等於當前時刻。當獲取到新的⽬標觀測，調整歷史觀測⽣成新的⽬標預測軌跡 
。預測的時間範圍是
，如圖3。
歷史觀測的可信度隨時間遞減，因此，觀測到的時間越靠前，在損失函數中權重越低。添加權重 判斷不同時間戳觀測的置信度。采⽤雙曲切線tanh(x)計算權重：
函數值隨 
值的增加快速衰減，可以有效判斷不同觀測的有效性。整體損失函數包括兩部分：
1.使⽬標軌跡和觀測距離差最小；
為了保證⽬標預測軌跡的動態可⾏性，預測速度和加速度約束為
]，
]。根據⻉塞爾曲線的凸包屬性和hodograph屬性（詳⻅運動規劃課程第六節），運動學約束如下：
n是⻉塞爾曲線階次， st是時間尺度。⻉塞爾曲線的⼆範數正定，所以該問題是帶約束的QP問題。
目標重定位
，然後離散最後預測軌跡。如果預測軌跡上有障礙，采⽤路徑搜索演算法⽣成⽆障礙路徑 
·
.和 
構成重定位路徑Pr；4. 在重定位步驟中，如果在重定位軌跡上有新的障礙，則重新⽣成新的軌跡。
安全軌跡生成
目標導向的運動學跟蹤路徑搜索
運動學搜索⽅法基於hybrid A*演算法，主要包括鄰節點拓展和啟發式函數設計兩部分：
鄰節點拓展：
·拓展鄰節點的時間序列為
是上⼀幀狀態向量，給出 
可以得到基於運動學的拓展節點。每次拓展步驟可以⽣成 
個拓展節點。
啟發式損失函數：
1. 距離損失函數
·
：⽆⼈機當前狀態Xc到⽬標狀態Xg的距離。
·⽬標狀態Xg ：由跟蹤⽬標的當前狀態Xtc和預測
時刻後狀態
的中間量得到。
時空優化軌跡生成
：由預測軌跡 
得到，速度量是 
的⼀階導數， 
其中 
采⽤Xc到Xg的OBVP距離，轉化為兩點邊界值問題（OBVP），⽤於求解最⼩化動態損失函數的最優路徑。
是時間懲罰函數， 
是期望拓展時間的和，是權重，該項能夠加速搜索，因為它傾於選擇當前節點的相鄰區域，⽽⾮整個狀態空間。
。
Results/實驗結果
應用詳情
四旋翼硬體平台同論⽂”Teach-repeat-replan”,⽬標是頭戴⼆維碼移動的⼈.⽤三個有限視場⻆的相機檢測⽬標.因為視場⻆較寬,⽆需使四旋翼⾯向⽬標,⽽是朝向軌跡切線⽅向,以保證能夠觀測到軌跡⽅向的障礙。
系統總運⾏時間接近20ms,設置整個系統重規劃頻率為15HZ。
實驗詳情 
code：//github.com/ZJU-FAST-Lab/Fast-tracker
原⽂鏈接：
//www.yuque.com/docs/share/adaea007-7bce-4421-806d-9b8c38b0870d?#
//www.bilibili.com/video/BV1xr4y1w7RJ
關注深藍前沿教育公眾號，獲取更多乾貨文章~
