AvoidBench: 簡單好用的無人機避障測試環境

在無人機自動控制的領域中，時下並沒有統一的避障測試方法與環境，主要原因有二：1. 避障包含了與機器與環境間的互動，不能單靠輸入固定資料的方式來評估。2. 避障的成功率牽扯到眾多因素，如物體質地大小、風速等環境因素，及自機感知、路線規劃、控制等內在因素。

雖說已有如 MAVBench(Boroujerdian et al. 2019) 的無人機測試環境，其所能測試的項目包含搜救、建圖、路線規劃等，使用的度量仍只有「時間」與「功耗」，而未考慮環境本身的複雜程度。

荷蘭台夫特理工在今年一月開源了一個項目(Yu, Croon, and De Wagter 2023)，基於 Gazebo 與 Flightmare(Song et al. 2020) ，透過 RotorS 無人機模擬器與額外整合的 Unity3D 虛擬環境，低成本的避障測試環境可以很輕鬆地被建立起來；其測試的度量包含可遍歷性、相對間隙大小等「環境度量」，及成功率、路線長度、功耗、飛行速度、路線完成度、演算法速度等「效能度量」。透過 Python 或 C++ 語言，使用者可以簡單地將避障方法進行模組化實現。

這樣的測試環境被拿來測量最先進的開源避障演算法: Ego-planner, MBPlanner, Agile-autonomy 在目前支援的森林環境與室內環境下，Ego-planner 成功率較高，Agile-Autonomy 則能以較快速度飛行。

撰文｜葉宸甫

參考資料

1. Boroujerdian, Behzad, Hasan Genc, Srivatsan Krishnan, Wenzhi Cui, Aleksandra Faust, and Vijay Janapa Reddi. 2019. “MAVBench: Micro Aerial Vehicle Benchmarking.” arXiv. https://doi.org/10.48550/arXiv.1905.06388.

2. Song, Yunlong, Selim Naji, Elia Kaufmann, Antonio Loquercio, and Davide Scaramuzza. 2020. “Flightmare: A Flexible Quadrotor Simulator.” In Conference on Robot Learning.

 

3. Yu, Hang, Guido C. H. E. de Croon, and Christophe De Wagter. 2023. “AvoidBench: A High-Fidelity Vision-Based Obstacle Avoidance Benchmarking Suite for Multi-Rotors.” arXiv. http://arxiv.org/abs/2301.07430.