Résumé Technique : SPOT – Planification de Trajectoire Spatio-Temporelle sans Obstacles pour les UAV

Énoncé du Problème

L'article traite du défi de la planification de mouvement réactive pour les quadrotors opérant dans des environnements inconnus contenant des obstacles dynamiques. Bien que les cadres de planification à deux étapes existants (chemin global + optimisation de trajectoire locale) soient performants en environnement statique, leur efficacité diminue considérablement dans les environnements dynamiques et encombrés. Les méthodes de pointe actuelles souffrent souvent de plusieurs limitations :

• Elles reposent sur la fusion de cartes ou des cartes locales statiques, ce qui est lourd en termes de calcul et peu pratique pour un déploiement réel.
• Elles supposent souvent l'accès aux trajectoires réelles des obstacles (par exemple, via la capture de mouvement), ce qui est irréaliste pour des UAV autonomes.
• Elles échouent fréquemment à incorporer des trajectoires de secours ou de contingence. Dans des environnements densément peuplés avec de multiples obstacles dynamiques, l'optimisation de trajectoire seule peut mener à des situations d'impasse (deadlocks) où l'UAV est piégé sans chemin réalisable vers l'objectif, le laissant vulnérable aux collisions.

Méthodologie

Les auteurs proposent SPOT (Spatio-Temporal Obstacle-free Trajectory), un cadre de navigation sans carte, basé sur la vision, conçu pour une navigation robuste dans des environnements dynamiques inconnus. L'architecture du système (Fig. 2) intègre trois composants principaux :

1. Segmentation du Mouvement des Objets

Au lieu de construire une carte globale, SPOT opère directement sur les nuages de points provenant d'une caméra de profondeur embarquée. Il utilise un pipeline de suivi d'objets dynamiques basé sur la vision pour estimer la position et la vitesse des objets.

• Les points à l'intérieur des boîtes englobantes détectées héritent de la vitesse de l'objet (dynamique).
• Les points à l'extérieur de ces boîtes sont traités comme statiques.
• Cela crée une représentation spatio-temporelle en temps réel de l'environnement sans nécessiter de carte pré-construite.

2. RRT* Spatio-Temporel (ST-RRT*)

L'algorithme de planification central est une extension 4D de RRT* qui incorpore le temps ($t$) comme une dimension aux côtés des coordonnées spatiales ($x, y, z$).

• Représentation des Nœuds : Chaque nœud est défini par $n_i = (x_i, y_i, z_i, t_i)$, encodant à la fois la position et le temps d'arrivée.
• Faisabilité : Les arêtes dans l'arbre de recherche doivent satisfaire la causalité ($t_{child} > t_{parent}$) et la faisabilité cinématique (contraintes de vitesse).
• Échantillonnage Informé : L'algorithme utilise une stratégie d'échantillonnage informé étendue au domaine spatio-temporel. Il restreint l'exploration à un hypersphéroïde prolate dans l'espace et à une distribution temporelle spécifique, accélérant la convergence vers des chemins optimaux et efficaces en temps.
• Vérification de Collision : Pour gérer efficacement les obstacles dynamiques, SPOT utilise une Grille de Hachage Spatio-Temporelle (Spatio-Temporal Hash Grid). Les obstacles dynamiques sont propagés vers l'avant dans le temps en utilisant un modèle de vitesse constante. La grille permet des requêtes de plus proches voisins approximatives pour vérifier les collisions à des étapes temporelles spécifiques, combinant la clartage statique (via un kd-tree) et la clartage dynamique.

3. Corridor de Vol Sûr (SFC) et Optimisation de Trajectoire

• Génération de l'SFC : Le chemin squelettique issu de ST-RRT* est dilaté en une séquence de polyèdres convexes chevauchants (Safe Flight Corridors). Contrairement aux méthodes qui ne considèrent que les obstacles statiques, SPOT construit ces corridors en agrégeant les nuages de points des obstacles dynamiques prédits sur l'horizon temporel pertinent, garantissant que le corridor reste sans collision pendant toute la durée du vol.
• Optimisation de Trajectoire : Une trajectoire lisse et dynamiquement réalisable est générée au sein de l'SFC en utilisant le framework MINCO. L'optimisation minimise l'effort de contrôle du jerk au carré tout en respectant les limites dynamiques (vitesse, accélération) et en restant à l'intérieur des polyèdres temporels alloués.

4. Module de Planification de Secours (Backup Planning)

Une contribution critique de SPOT est son mécanisme de Planification de Secours réactif pour gérer les impasses.

• Déclencheur : Activé lorsque le planificateur ne parvient pas à trouver un chemin réalisable dans un délai imparti ou lorsque l'UAV reste en vol stationnaire dans un emplacement non sûr.
• Mécanisme : Le système construit un polygone convexe autour de l'UAV (en ne considérant que les obstacles statiques) et utilise un Champ de Potentiel Artificiel de Cauchy (CAPF) répulsif pour calculer un vecteur d'échappement loin des obstacles.
• Exécution : Un "objectif de secours" temporaire est fixé à l'intersection de ce vecteur et du polygone statique. Le planificateur génère une trajectoire réactive vers cette zone sûre. Une fois que l'UAV atteint cette région, la machine à états finis (FSM) se réinitialise au mode initial pour reprendre la planification dirigée vers l'objectif.

Contributions Clés

1. Formulation Novatrice : Un planificateur RRT* spatio-temporel sans carte, basé sur la vision, qui traite directement les nuages de points et les vitesses d'objets pour les environnements dynamiques.
2. Gestion Robuste des Impasses : L'intégration explicite d'un module de génération de trajectoire de secours qui empêche les collisions lors des scénarios d'impasse, une caractéristique souvent absente dans les travaux antérieurs.
3. Validation Complète : Tests étendus tant en simulation (jusqu'à 30 obstacles dynamiques) qu'en expériences matérielles réelles en utilisant uniquement les capteurs et le calcul embarqués, démontrant les capacités de transfert sim-to-real.

Résultats Expérimentaux

Les auteurs ont validé SPOT par rapport à des méthodes de pointe (incluant [14] et [7]) en simulation et sur matériel.

• Simulation (Vérité Terrain) : Dans des environnements avec 10, 20 et 30 obstacles dynamiques, SPOT a atteint des taux de réussite de 100 %, 92 % et 80,2 %, respectivement.
  • Étude d'Ablation : Le retrait du module de secours ("SPOT-w/o backup") a fait chuter considérablement les taux de réussite (par exemple, à 52,2 % avec 30 obstacles), soulignant le rôle critique du planificateur de secours pour éviter les impasses.
  • Comparaison : SPOT a surpassé la méthode [14] (qui n'a pas réussi à s'échapper des impasses) et la méthode [7] (qui manquait de compensation de mouvement d'objet), même lorsque [7] était testée à des vitesses d'UAV plus élevées.
• Validation du Pipeline : Les simulations dans l'environnement PX4 SITL avec Gazebo ont démontré la capacité du système à naviguer autour d'humains en utilisant uniquement les données du détecteur embarqué, validant le pipeline sim-to-real.
• Matériel : Les expériences ont été menées sur un micro-quadricoptère personnalisé équipé d'une caméra Intel RealSense D455 (profondeur) et T265 (odométrie), tournant sur un NVIDIA Jetson Xavier NX. L'UAV a navigué avec succès entre obstacles statiques et dynamiques dans des conditions réelles.

Signification et Revendications

L'article affirme que SPOT représente une avancée significative pour la navigation réactive des UAV dans des environnements dynamiques et inconnus. Sa principale importance réside dans :

• Fonctionnement Sans Carte : En évitant la fusion de cartes, le cadre réduit la charge de calcul et est plus évolutif pour les contextes hautement dynamiques.
• Robustesse : L'inclusion d'un module de planification de secours répond directement au problème de l'impasse (deadlock), garantissant que l'UAV ne reste pas immobile et vulnérable lorsqu'un chemin direct est bloqué.
• Applicabilité Réelle : Le recours exclusif à la vision et au calcul embarqués, validé par des expériences matérielles, démontre la faisabilité du déploiement de tels systèmes sans infrastructure externe (comme la capture de mouvement).

Les auteurs concluent que, bien que le travail actuel se concentre sur des prédictions de vitesse constante pour les obstacles dynamiques, les efforts futurs viseront à améliorer l'estimation des modèles de mouvement et à étendre les capacités à des environnements plus rapides et plus exigeants.