喜讯 | HCP Lab 2篇论文入选全球机器人顶级会议IROS 2017

An Autonomous Vision-Based Target Tracking System for Rotorcraft Unmanned Aerial Vehicles

一种基于视觉的无人机自主跟踪系统

系统结构框图

室外实验图

配图说明：系统结构框图和室外实验，带云台的摄像头将获取到的视频流传给机载电脑，机载电脑执行跟踪算法，云台控制算法，目标位置估计算法，目标运动状态估计算法。结合以上四个算法的输出，飞行器控制算法计算得到飞行器控制参数把那个传给控制器，控制器相应控制参数，控制飞行器执行相应的动作。

随着无人机技术的发展，无人机在许多领域发挥出巨大的作用。利用视觉信息使无人机能够自主跟踪运动目标就是研究热点之一。在计算机视觉领域，研究人员已经提出有许多性能较好地跟踪算法，但大部分算法受制于其运算量而无法在无人机的机载平台上运算。除此之外，部分关于无人机跟踪运动目标的研究主要着眼于飞行器的控制律设计及相关的仿真，而其它完成实物实验的研究所采用基本都是“地面站--飞行器”的模式，即所有运算均在拥有较强计算能力的地面站上完成，这种模式受制于飞行器和地面站之间的传输距离和传输质量。本文改进了核相关滤波（KCF）视觉跟踪算法，并设计了基于李雅普诺夫第二定律的飞行器控制律以及飞行器的跟踪策略，使飞行器不仅能够利用视觉信息自主跟踪运动目标，还能够处理目标丢失的情况，而且所有的运算均在飞行器的机载平台上实现。实物实验表明，我们的系统是稳定的，对于剧烈运动的目标也能够实现稳定跟踪。

Decentralized Navigation of Multiple Robots Based on ORCA and Model Predictive Control

基于ORCA与模型预测控制法的多机器人导航

左图为32个机器人相互规避的仿真，

右图为存在静态障碍物的情况下，四个机器人规避碰撞的仿真。

互惠式速度避障算法（ORCA）是近几年愈发成熟的机器人避障方法，先是提出了速度障碍的概念，将碰撞规避问题转化为规避速度障碍的问题。基于速度的碰撞规避策略由于考虑了障碍物的速度，可以避免与动态障碍物的碰撞。

但是实际机器人都有不同的模型，并且加速度控制更加符合实际的机器人控制方法。本文结合了ORCA与模型预测控制方法（MPC）。每一个机器人都采用分布式控制，首先计算自己与身边机器人的速度障碍。计算得出的速度障碍作为速度约束加入MPC中，结合其他约束（例如静态障碍物的位置约束、机器人模型约束）。通过解决MPC问题得到的一连串最优解，来得到未来N个时刻的预测位置和期望加速度控制量，并且仅采用下一时刻的期望控制量传递给机器人。相比于传统的ORCA 方法，MPC-ORCA方法使得机器人的速度运动上更加平滑。