无人机路径与视野规划的综述

虚拟现实智能硬件2020年12月第1引文：周晓辉，易子木，刘依琳，黄凯，黄辉。无人机路径与视野规划研究综述虚拟现实智能硬件，2020，2（1）：56-69 DOI：10.1016/j.vrih.2019.12.004·文章·无人机路径与视角规划研究综述XiaohuiZHOU，ZimuYI，YilinLIU，KaiHuang，HuiHuanG*深圳大学视觉计算研究中心，深圳518060*通讯作者，huihuang@szu.edu.cn投稿时间：2019年11月23日修订日期：2019年12月3日接受日期：2019年12月6日LHTD（20170003）和广东省人工智能与数字经济实验室（深圳）资助摘要背景近几十年来，无人机（UAV）发展迅速，在摄影、重建、监控、搜救等领域得到了广泛应用。在这些应用中，一个关键问题是路径和视图规划，它告诉无人机确切的飞行位置和如何搜索。方法针对无人机的三种主要应用场景（场景重建、环境探测和航空摄影），提出了一种协助研究人员在现有解决方案的背景下定位和评估他们的工作。结果/结论它也应该帮助新人和从业者在相关领域迅速获得大量文献的概述。除了目前的研究现状，我们分析和阐述的优点，缺点，和潜在的探索趋势，为每个应用领域。无人机;路径规划;视点平移;多视点重建;自主探索;场景导航;避障;无人机摄影;摄像机控制1引言无人机技术的成熟催生了广泛新颖的无人机应用。消费类无人机具有轻便、便携、交互性强、可扩展等特点。此外，无人机具有高度的自由度，使其能够捕获地面设备无法捕获的许多视角，从而为研究开辟了新的途径。近年来，在城市重建、场景探索、电影摄影、生物调查等领域进行了许多与无人机相关的研究。图1概述了三种典型应用。通过使用无人机，研究人员可以非常迅速地获得数据。然而，一个具有挑战性的问题是路径和视图规划。在为无人机规划飞行时，不同的任务需要图1无人机应用。www.vr-ih.com周晓辉等：无人机路径与视角规划研究综述57不同的飞行路径和摄像机控制策略。此外，为了飞行安全，飞行轨迹必须没有障碍物。因此，无人机必须时刻保持对自身与周围环境关系的准确感知。这种感知应包括其自身的位置和基于视觉系统和全球定位系统信号组合的环境地图。一个完整的概述有关的问题无人机路径和视图规划在计算机图形学领域是必需的。这种概述必须涵盖当前的情况和实地限制，以指导近期的未来研究。在本文中，我们提出了一个调查的规划问题，从无人机的图形应用的角度。我们希望为许多不同的研究团体提供对这一领域的全面了解，以促进这一方向的进展。在第2节中，我们介绍了已发表的作品的主题规划场景重建。第三节对环境探测与避障研究进行了全面的回顾。第四节总结了航空摄影的相关工作。我们的结论见第5节。2场景重建近年来，许多行业对大规模场景模型的需求越来越大[1 - 3]。 例如，在游戏和模拟软件中，为了使用户感觉更沉浸，重建的城市模型被用来使场景尽可能真实。一个完整的城市模型可以为自动驾驶和地图导航提供精确的三维环境，作为实时决策的基础。场景重建模型为景观规划、灾害分析和应急救援分析提供了数据源。为了满足这些要求，大规模场景重建取得了重大进展，利用光探测和测距（LiDAR）点，卫星图像，航空图像生成3D模型。然而，仍然存在许多挑战。利用LiDAR点的方法受到高成本传感器、不完整性和稀疏点云的限制。此外，安装在地面车辆上的LiDAR系统无法准确捕捉高层建筑，而安装在无人机上的LiDAR系统难以观察地面或建筑物的垂直面。Cheng等人[4]和Schwarz等人[5]提出了合并来自地面车辆和无人机的LiDAR数据，但这种方法增加了配准的难度Qin等[6 ，7]使用半全局匹配（SGM）算法从有理多项式系数卫星立体影像生成稠密点云，但在精度和完整性方面仍有改进的空间。随着消费级无人机的蓬勃发展和基于图像的建模技术的成熟，基于航拍图像的方法变得越来越流行。现有的方法可以分为两大类：现成的飞行计划和探索然后开发方法[8]。在图2中，UAV根据沿路径计算的视图收集图像（左），然后利用传统的多视图立体（MVS）算法来生成该区域的3D重建（右）。图2城市重建的路径和景观规划。左图是从粗略的2.5D模型生成的无人机轨迹，右图是基于多视图立体算法的相应重建。58虚拟现实智能硬件2020年12月第1该技术可以基于以下事实在数学上表示：沿着在某些约束下生成的轨迹捕获的图像将导致高质量的重建（等式1）。不同的约束条件代表不同的研究方向。V= arg maxS，V，S. t.ltrajlh，ttrajth，rVrh，（一）其中，QS，V=表示在视图集V，l traj下S中的所有表面样本的总可重构性< L h是轨迹长度约束，ttrajth是飞行时间约束，并且rVrh是视图集冗余约束。2.1现成的飞行计划人员商业飞行计划器，如Pix 4D[9]，Altizure[10]和DJI-TERRA[11]，是常见且简单的方法。这些规划器的参数设置有限。用户只需选择预设模式，生成简单的无人机路径，如锯齿形或圆形，即可填充待重建区域，而无需考虑场景中建筑物的结构和分布，如图3所示。基于这种缺乏灵活性，场景信息往往是不够的，特别是在密集的地区，建筑物的下部被阻挡。这些问题使得难以获得高质量的3D重建。图3从DJI-TERRA扫描路径[11]。2.2先探索后利用技术探索然后利用技术[8，12]涉及两个阶段。在“探索”阶段，初始路径是计划与均匀分布的意见，为该地区的重建，类似于现成的飞行计划。视图始终是最低点视图。接下来，无人机快速收集图像，并由开源（MVE[13]，COLMAP[14]）或商业软件（Pix4D[9]，RealityCapture[15]）使用，以生成称为几何代理的初始粗略模型。在“开发”阶段，根据几何代理规划新的轨迹，并且重复收集和重建过程以生成高质量的3D模型。这一组中的许多方法在第二阶段的实施方面有所不同。Hepp等人。[16]将这个问题表述为最大化信息和最小化未观察到的空间，并限制立体匹配，旅行时间和安全性。他们将视图选择的两个优化步骤和用于路径规划的旅行商问题结合到单个子模块目标59周晓辉等：无人机路径与视角规划研究综述函数[17]。此优化过程不保证收敛，并要求用户设置终止条件，如运行时间。Roberts等人[12]提出了一种新的场景覆盖模型。基于这个模型，他们制定了一个子模块优化方法来确定每个候选相机的最佳方向。然后执行整数线性规划以从候选视点选择最佳轨迹，使得场景覆盖最大化并且路径长度受到约束（以考虑无人机的有限电池寿命）。Smith等人[18]定义了一种模型，用于根据MVS算法的原理评估视图（V1，V2）对几何代理中样本的可重构性的成对视图贡献。该模型确保相机的位置和方向足以进行多视图重建。此外，它们还为基于图像的重建提供了一个综合基准。该基准可以根据规划的路径捕获图像，并定量评估重建结果。Peng等人。[8]提出了一种可见性圆锥模型来定义场景的覆盖范围。该模型利用视图流形上的骨架视图进行路径规划，以覆盖低质量区域。与上述方法不同，它们可以进行多个漏洞利用。此外，Almadhoun等人。[19]，Mendoza等人。[20]和Huang等人。[21]利用下一个最佳视图算法实时生成航路点。2.3总结现成的规划师不考虑区域内建筑物的几何形状或分布，这意味着他们的结果缺乏重要的有效信息。此外，这种方法是不灵活的。探索-然后-利用方法需要两次以上的访问和按顺序完成几个操作，这导致在重建现场的长数据捕获过程和高计算能力要求。一些方法，如[18]中提出的方法，基于固定的数量调整视图位置和方向，导致最终视图集包含显著的冗余。 规划一个轨迹，可以捕捉到良好的图像与冗余较少的视图集是一个具有挑战性的问题。在探索-然后-开发技术的第二阶段[12，16，18]中，约束条件下的规划优化是NP-难问题。分解和转化这个问题非常具有挑战性。一种方法是执行分解以首先最小化视图冗余，然后最大化可重构性。这可以显著减少采集所需的视点数量，同时保持相当的重建质量。由于大多数利用图像重建三维模型的算法的核心是基于MVS算法，城市中大量的玻璃幕墙对最终重建结果有很大影响。根据Xie et al.[22]此外，还应考虑光线的影响。3环境探索与避探索场景的方法有着广泛的应用，包括目标搜索、事故救援、生物调查和监测[23]。大多数勘探研究是利用地面车辆进行的，但地面车辆对地形的要求更严格，搜索效率更差。基于消费级无人机的蓬勃发展，大视野、机动性和低成本使得无人机更适合探索。以下是无人机在探索阶段使用的技术，以生成探索未知场景的知情轨迹：感知：对周围环境的感知。映射：使用三维地图[24]或其他体积地图来表示场景，这些地图应该实时更新。60虚拟现实智能硬件2020年12月第1定位：无人机本身的位置。这通常可以与映射一起作为同时定位和映射问题（ORB_SLAM 2[25]）来处理。规划：根据给定的地图生成路径。这四项技术也说明了无人机探索的挑战。在无人机探测过程中，如何动态、准确地表示周围环境，如何规划不同任务的最优轨迹，如何高效、安全地避开障碍物，都是需要进一步研究的难点。在图4中，我们展示了一个典型的3D场景导航过程。在模拟环境中，在指定目标后，无人机利用机载传感器连续收集数据并更新八叉树。然后，路径规划算法实时生成平滑且无碰撞的路径。在本节中，我们主要讨论基于两个目标的无人机探测：到达定义的目标和区域的全覆盖。图4给定目标位置（左），无人机利用机载传感器捕获场景数据（中），然后生成并更新飞行地图（右），以实时规划无碰撞轨迹。3.1定向导航问题定义如下。分别给定起始位置ps和目标位置pe，UAV必须从ps导航到pe，使得在不同的时间约束t下，在有限的时间th或有限长在这方面已有许多研究。我们试图将这种研究分为经典方法和学习方法。在非学习方法中，需要全局占用图来执行到目标的路径规划。Borenstein等人[26]和Kim et al.[27]利用LiDAR数据、深度信息或来自运动的结构来获取3D几何图。Mur-Artal等人[28]和Mur-Artal et al.[25]利用图像之间检测到的特征来构建目标场景的几何信息，定位机器人，并执行优化以微调参数。Qin等人[29]证明，惯性测量单元（IMU）数据和RGB图像的组合可以显着提高重建点的精度。虽然这些系统的效率适合于嵌入式机器人，但从这些方法恢复的信息通常是稀疏点云的形式，不能用于构建占用地图或直接执行路径规划。Engel等人[30]直接生成一个密集的点云来构建场景的地图，但他们的方法仍然受到图像噪声的影响，并且对相机失真很敏感。随着可用训练数据量的增加，深度神经网络在解决许多不同领域的问题方面变得越来越受欢迎。对于目标导航，Zhu等人[31]将机器人视为虚拟代理，并利用端到端深度强化学习框架学习在虚拟环境中导航到目标对象。他们希望网络学习机器人观察到的图像与它应该执行的动作之间的映射函数。虽然这种类型的端到端框架很容易理解和训练，但Gupta等人[32]证明了场景的记忆可以显着影响机器人的选择。在他们的工作中，一个局部碰撞地图被显式地学习，机器人根据碰撞地图做出决定。Chen等人。[33]利用图节点从场景中提取额外的信息，这被证明是有效的，并且成功率很高不过两61周晓辉等：无人机路径与视角规划研究综述这些方法利用神经网络同时生成地图和规划运动，与传统的规划方法相比，这导致了各种缺点。Mishkin等人[34]证明，尽管学习方法在从图像中提取几何信息方面表现出了巨大的潜力，但它们仍然受到网络噪声的影响，并且在精确的3D地图可用时无法像传统的规划方法那样执行。在目标导航期间安全有效地着陆也是一个具有挑战性的问题。根据着陆点的表示，该问题可以分为两类，即在人造标志点上着陆或在未知区域着陆。在后一种情况下，着陆策略必须考虑对着陆点候选者的探索和对候选者的几何细节的利用。该任务通常分为着陆点检测和轨迹生成。对于着陆点检测，Johnson et al.[35]和其他几个小组[36-38]在高程图中确定了具有平滑和小斜率几何特征的区域。基于新兴的机器学习技术，一些方法已经采用语义推理来识别候选着陆点。Maturana等人提出的方法[39]是第一个引入体积3D卷积神经网络（CNN）来解决这个问题的方法。Free LSD[40]和SafeUAV[41]利用2D图像分割来检测着陆区域。这些方法可以检测潜在的着陆点，如草坪，这是几何粗糙，但安全着陆。然而，生成使无人机能够主动检测着陆点并尽快着陆的轨迹并非易事。Desaraju等人[42]离线优化了轨迹，以获得候选着陆点和未知区域的最大信息。为了在实时环境中应用这种方法，Forster et al.[43]利用改进的REMODE[44]算法进行密集重建，并将结果显示为概率高程图。3.2全覆盖规划探索未知的3D区域以实现全覆盖称为覆盖路径规划。这个问题可以在数学上用公式表示为用于最大化已知场景的大小的轨迹（等式2）。如果最终视图集是V，函数C表示覆盖率，则我们希望求解最大，S. t.Ilh，tVth，（二）其中lV<$表示连接所有视图的轨迹的长度，lh是长度阈值，t $表示整个轨迹所需的时间，并且th是时间阈值。有两种主要类型的方法可以用来解决这个问题：基于前沿的方法[45-47]和基于采样的方法[48-53]。基于边界的方法[54]探索地图中自由空间和占用空间的边界。这些方法是大多数探索文献的基础。在探索过程中，不断选择边界作为探索的目标，直到覆盖整个场景。这使得探索由独立区域组成的大型环境变得容易。然而，由于这种方法在区域之间来回移动，因此完全探索是缓慢的 [51]。Cieslewski等人[47]扩展了经典的基于前沿的方法，目的是进行快速探索。他们的方法有两种模式。第一种是反应模式，它选择可见的边界，以最大限度地减少速度修正，并以持续的高速飞行。如果没有可见的边界，则激活经典模式以利用Dijkstra的最短路径算法选择新的边界。这两种模式在操作期间可以交替。该方法提供了快速的探索，并优于下一个最佳视图（NBV）和经典的基于前沿的方法。然而，有时62虚拟现实智能硬件2020年12月第1产生过长的轨迹。基于采样的方法总是以Next-Best-View的形式出现。Bircher等人[52]提出了一种基于NBV的滚动时域规划器。该方法利用快速探索随机树（RRT）[55]来存储从当前无人机位置可以覆盖的未映射空间，并在每个规划阶段之前重复识别树的第一条边。该规划器可以在资源有限的情况下在无人机上在线操作。但在探索大场景时有时会卡壳，无法实现全局覆盖。Selin等人。[51]结合了滚动时域NBV规划器和基于前沿的方法。前者用于局部探索，后者用于全局目标选择。考虑到昂贵的RRT计算和局部最小值，Schmid等人。[48]将探索建模为RRT启发的在线信息路径规划问题。此方法使未执行的段及其子树保持活动状态。该算法维护一棵可扩展的生长树，利用单一目标函数进行全局搜索，避免陷入局部极小。它还利用了一种新的截断符号距离场为基础的三维重建增益方案和成本效用公式。3.3总结虽然无人机领域的探索已经投入了大量的研究工作，但仍然存在许多挑战。例如，构建地图的精度直接影响规划视图的质量。此外，后续勘探视图的规划过程经常陷入局部最小值。一些研究人员[51，56]提出了一个局部-全局理论来解决这个问题。此外，在专注于无人机着陆的工作中，由于计算复杂度过高，很少有人将着陆点检测和轨迹生成视为单个过程。目前，大多数探索算法被设计用于探索简单的环境，并且对于具有严重遮挡的区域没有很好的解决方案。因此，在这方面仍有大量工作要做。4航空电影摄影最近，无人机电影摄影越来越受欢迎。基于其低成本、灵活性和可扩展性，它使拍摄更加多样化，降低了视频创作的难度，并产生了有趣和独特的镜头，极大地促进了媒体行业。使用无人机拍摄视频时，至少需要两名专业操作人员。一个控制无人机，另一个控制摄像头。这限制了无人机电影摄影的发展。因此，各种自动射击方法正在开发中。在自主摄影中，无人机必须根据用户的拍摄意图自动生成平滑的摄像机轨迹，然后根据约束和环境拍摄视频。图5显示了一个平滑的视频拍摄路径，其中每个视频帧都满足美学原则。这样的应用有一些操作挑战[57，58]，包括射击任务的定义，将任务转化为飞行计划的能力，对环境和自我定位的感知，多个无人机的任务分配，可扩展性和群集，以及自主和应急管理的能力。Xie等人[22]将电影摄影问题表述为局部-全局问题（等式3）。为当地成本定义为：E localT s，e=E quality+E axis+E rot，（3）其中，E质量定义视图质量，E轴评估轨迹与主方向之间的对准，轴，并且Erot用于惩罚视图方向变化。这里Ts，e是从从视图S到目标E。63周晓辉等：无人机路径与视角规划研究综述杰图5谢等人提出的无人机电影摄影系统的预告片。[22]第20段。基于待拍摄区域的粗略2.5D模型，他们的方法可以生成平滑且美观的无人机轨迹，以捕获具有定义地标的大规模场景的长时间连续飞越视频。对于全局规划，添加过渡轨迹以连接局部路径（等式4）。在这里，成本是Emm'= Equality + E腐烂 +E转弯，（4）其中E转弯用于阻止Z字形轨迹。在本节中，我们从两个角度讨论无人机自主电影摄影：动态场景和景观摄像。4.1动态场景无人机拍摄动态场景极具挑战性。它们必须实时跟踪移动目标，同时执行更新目标和环境的预测，生成可行的轨迹，执行沿轨迹飞行的控制，避开障碍物，完成射击任务，并处理紧急情况[57]。对于拍摄动态场景，感知是首先要考虑的因素，包括目标跟踪和环境映射。前者主要基于实时动态GPS和IMU传感器[59-62]、视觉系统[63]或动作捕捉系统[60，61，64]。后者始终是体积贴图。 一些方法利用虚拟相机来对动态对象与UAV相机之间的关系进行建模。Galvane等人。[61]提出了一种无人机Toric空间，它具有嵌入式约束，以保持无人机和动态目标之间的相对关系。此外，提出了一种交互式工具，以方便在屏幕空间中的操作，以控制无人机拍摄。散文情节串连图板语言（PSL）[61，65，66]是一种用于唯一描述所有可能的射击任务的正式语言。Bonatti等人[63]专注于艺术屏幕上的演员，并提出了一种无人机电影摄影框架，以拍摄在未知环境中移动的演员。该方法包括三个子系统。首先，视觉子系统利用MobileNet网络从单目图像中检测目标边界框，然后估计目标航向以预测运动。其次，测绘子系统利用LiDAR数据构建重复更新的立体地图，使无人机能够避免碰撞。最后，规划子系统制定平滑度、拍摄质量、安全性和遮挡避免的目标函数。多无人机自主摄影是另一个研究热点。除了上面讨论的问题，使用多个无人机可能会导致无人机之间的碰撞和拍摄任务的重叠分配。Capitán等人[57]提出了一种无人机团队电影摄影系统，该系统利用任务控制器基于规划，拍摄和导航模块在高级别上管理拍摄过程。然而，在该方法中，无人机飞行路径是简单的预设路径，这意味着仍然64虚拟现实智能硬件2020年12月第1发展空间很大。Achtelik等人[67]试图利用一群无人机自主绘制未知环境的地图。这是在没有任何地面站指挥的情况下完成的，是这一领域的重大进展。4.2风景摄影作品列表近年来，风景摄影取得了重大进展。已经开发了许多方法用于生成包含关键帧的虚拟路径，然后在真实环境中遵循这样的路径。Gebhardt等人[68]和Joubert等人[69]提出的方法都需要用户指定关键帧参数。前者将整个问题框定为一个可变时域轨迹优化方案。实现了位置基准的临时优化以及平滑和定时控制的平衡方法。Roberts和Hanrahan[70]利用优化的时间扭曲来提高计划轨迹的可行性。Gebhardt等人。[71]确定，当关键帧被实现为硬约束时，很难实现平滑的轨迹。Gebhardt等人[72]根据虚拟路径优化轨迹，以确保其可行性，在用户输入和相互冲突的限制之间取得平衡。为了解决控制理论文献中的轨迹优化问题，已经利用各种方法，例如Falaise等人[73]提出的模型预测控制方法，来实时生成四旋翼轨迹，并取得了令人满意的结果。Huang等人[74]引入了视觉兴趣度量，并生成了一个轨迹，以最大限度地提高相机捕获的视觉兴趣量。他们的方法迭代优化视觉兴趣，旅行速度和相机位置，直到收敛。Xie等人[22]提出了一种新的高级设计工具。该工具要求用户输入粗略的2.5D模型和其他障碍物。然后，它会生成一个平滑的轨迹，用于捕获连续的高级别视频，其中包含要拍摄的地标，并确保避障。该系统侧重于包含多个静态地标的大规模场景，而Nägeli等人的工作。[60]专注于动态目标和杂乱的环境。Yang等人[75]提出了一个系统，自动生成一个可行的和平滑的轨迹景观摄像。他们的系统要求用户以2D草图的形式表达他们的想法。但是，由于这种方法缺乏统一的美学量化评价标准，结果必须由带有偏见的人来判断。未来，有必要建立一个评估无人机拍摄美学的基准。4.3总结在本节中，我们将讨论与电影摄影相关的最新工作。基于对无人机的利用，电影制作者可以捕捉到更多有趣，吸引人和创造性的画面。但是，还有许多问题必须在未来解决。对于电影摄影来说，理解拍摄任务是关键。然而，目前的方法大多利用PSL或用户交互，这意味着自主性必须提高。此外，要拍摄有吸引力的照片，必须考虑美学规则。在目前的系统中，美学规则的定义过于简化，缺乏有效和准确的美学评估程序。因此，需要一个美学基准。此外，光线和阴影的影响通常被忽略的轨迹规划，但这些因素是非常重要的摄影。5结论从计算机图形学的角度，我们概述了目前的研究现状和挑战与无人机的大规模场景重建，探索与避障，65周晓辉等：无人机路径与视角规划研究综述电影摄影.此外，无人机视图和路径规划还应考虑许多问题。例如，对于复杂的户外场景，除了对无人机本身进行建模外，还必须基于各种因素对环境进行建模，例如风。Coombes等人[76]证明，风对无人机飞行时间有显著影响，必须将风考虑在内。此外，Coombes等人[77]建立了一个考虑风的成本函数，并在数学上分析了垂直于风的方向上的最小飞行时间。然而，这项工作假设风场是稳定和均匀的，这对于现实世界的环境来说太简单了。Achermann等人。[78]提出了一种CNN来预测3D风，以生成更安全的路径。无人机的优化问题中有许多是NP问题，简化这些问题是一个重大的挑战。基于上述技术和问题，我们可以结合无人机、计算机图形学、计算机视觉和机器学习的优势，实现有效易用的智能和自主无人机，可以适应各种实际应用。引用1Musialski P，Wonka P，Aliaga D G，Wimmer M，van Gool L，Purgatholf W.城市重建的调查。计算机图形学论坛，2013，32（6）：146DOI：10.1111/cgf.120772Souissi O，Benatitallah R，Duvivier D，Artiba A，Belanger N，Feyzeau P. Path planning：A 2013 survey. 2013年工业工程与系统管理国际会议（IESM）论文集。IEEE，2013，13Biljecki F，Stoter J，Ledoux H，Zlatanova S，Zolöltekin A. 3D城市模型的应用：最新评论。ISPRS国际地理信息杂志，2015，4（4）：2842 - 2889DOI：10.3390/ijgi40428424郑丽，龚建英，李明春，刘永霞.基于多视角航空影像和激光雷达数据的三维建筑物模型重建。摄影测量工程遥感，2011，77（2）：125DOI：10.14358/pers.77.2.1255施瓦茨湾在3D中映射世界。Nature Photonics，2010，4（7）：429-430DOI：10.1038/nphoton.2010.1486琴河用于卫星立体影像数字表面模型和正射影像生成的软件包。ISPRS Annals of Photogrammetry，RemoteSensing and Spatial Information Sciences，2016，III-1：77DOI：10.5194/isprs-annals-iii-1-77-20167琴河卫星立体影像三维重建与成图关键参数分析。arXiv：计算机视觉和模式识别，20198Peng C，Isler V. In：2019年机器人与自动化国际会议（ICRA）。2019年，IEEE，29819Pix4D S. Pix4D[EB/OL]. Pix4DmapperPro. 201510Altizure[EB/OL]。2019-11-19. 电子邮件www.altizure.cn/11DJI-TERRA[EB/OL]。2019-11-19. 电子邮件www.dji.com/cn/dji-terra12Roberts M，Shah S，Dey D，Truong A，Sinha S，Kapoor A，Hanrahan P，Joshi N.航空三维扫描的子模块轨迹优化。2017年IEEE International Conference on Computer Vision（ICCV）。威尼斯，IEEE，2017 DOI：10.1109/iccv.2017.56913杨文辉，杨文辉. MVE：基于图像的重建环境。计算机图形学，2015，53：44DOI：10.1016/j.cag.2015.09.00314放大图片作者：J.结构从运动重新审视。2016年IEEE计算机视觉与模式识别会议（CVPR）拉斯维加斯，内华达州，美国，IEEE，2016DOI：10.1109/cvpr.2016.44515RealityCapturing[EB/OL]. 2019-11-19. 电子邮件www.capturingreality.com/66虚拟现实智能硬件2020年12月第116Hepp B，Nießner M，Hilliges O.三维计划ACM Transactions on Graphics，2019，38（1）：1-17 DOI：10.1145/323379417放大图片作者：A.子模函数最大化。201418张文辉，张文辉，张文辉.城市场景重建中的空中航路规划。ACM图形学报，2019，37（6）：1DOI：10.1145/3272127.327501019[10]杨文辉，李文辉，李文辉.引导下一个最佳视图，用于大型复杂结构的3D重建。遥感，2019，11（20）：2440DOI：10.3390/rs112024420Mendoza M，Vasquez-Gomez J I，Taud H，Sugar L E，Reta C J.用于3D对象重建的下一个最佳视图的监督学习。2019年：121黄R，邹D，沃恩R，谭P.使用玩具无人机进行主动图像建模在：arXiv电子打印。201722谢凯，杨华，黄世清，李辛斯基，徐凯，龚明林，科恩-奥尔，黄华。为qadrotor摄像机创建和链接摄像机移动。ACM Transactions on Graphics，2018，37（4）：1-13 DOI：10.1145/3197517.320128423[10] Zhang J，Zhang J，Zhang J.用于城市/郊区环境监测的自主化学传感空中机器人IEEE Systems Journal，2019，13（3）：3524DOI：10.1109/jsyst.2019.290580724[10]吴文辉，张文辉，张文辉. MapMap：一个基于八叉树的高效概率3D映射框架。自主机器人，2013，34（3）：189DOI：10.1007/s10514-012-9321-025放大图片作者：J. ORB-SLAM 2：用于单眼、立体和RGB-D相机的开源SLAM系统。IEEE Transactions onRobotics，2017，33（5）：1255DOI：10.1109/tro.2017.270510326作者：J.快速移动机器人的实时避障。IEEE Transactions on Systems，Man，and Cybernetics，1989，19（5）：1179DOI：10.1109/21.4403327Kim D，Nevatia R.带有通用地图的符号导航。自主机器人1999，6（1）：69-88 DOI：10.1023/A：100882462632128[10]杨文军，王文军. ORB-SLAM：一个多功能和精确的单目SLAM系统。IEEE Transactions on Robotics，2015，31（5）：1147DOI：10.1109/tro.2015.246367129秦涛，李培林，沈世杰，VINS-mono：一种鲁棒通用的单目视觉惯性状态估计器。IEEE Transactions onRobotics，2018，34（4）：1004DOI：10.1109/tro.2018.285372930放大图片Engel J，Koltun V，Cremers D.直接稀疏测程法。IEEE Transactions on Pattern Analysis and MachineIntelligence，2018，40（3）：611DOI：10.1109/tpami.2017.265857731Zhu Y K，Mottaghi R，Kolve E，Lim J J，Gupta A，Li F F，Farhadi A.使用深度强化学习的室内场景中目标驱动视觉导航。2017 IEEE International Conference on Robotics and Automation（ICRA）新加坡，IEEE，2017DOI：10.1109/icra.2017.798938132Gupta S，Davidson J，Levine S，Sukthankar R，Malik J.视觉导航的认知映射和规划。2017年IEEE计算机视觉与模式识别会议（CVPR）Honolulu，HI，IEEE，2017 DOI：10.1109/cvpr.2017.76933Chen K，de Vicente J P，Sepulveda G，Xia F，Soto A，Vázquez M，Savarese S.基于图定位网络的视觉导航行为方法。201934放大图片作者：Mishkin D，Dosovitskiy A，Koltun V.在复杂的3D环境中对经典导航和学习导航进行基准测试67周晓辉等：无人机路径与视角规划研究综述201935[10] Johnson A E，Klumpp A R，Collier J B，Wolf A A.基于激光雷达的安全着陆火星的危险规避。制导、控制与动力学杂志，2002，25（6）：1091DOI：10.2514/2.498836Bosch S，Lacroix S，Caballero F.从单目图像自主检测无人机的安全着陆区域。2006年IEEE/RSJ智能机器人与系统国际会议北京，中国，IEEE，2006 DOI：10.1109/iros.2006.28218837沈永锋，拉赫曼Z，Krusienski D，李杰。基于视觉的安全着陆点自动检测系统。IEEE Transactions on Aerospaceand Electronic Systems，2013，49（1）：294DOI：10.1109/taes.2013.640410438刘新，李松，姜晓琴，黄晓艳。基于多级优化策略的行星着陆点探测与选择。Acta Astronautica，2019，163：272DOI：10.1016/j.actaastro.2019.01.00439Maturana D，Scherer S.用于LiDAR着陆区检测的3D卷积神经网络。2015 IEEE International Conference on Roboticsand Automation（ICRA）美国华盛顿州西雅图，IEEE，2015 DOI：10.1109/icra.2015.713967940Hinzmann T，Stastny T，Cadena C，Siegwart R，Gilitschenski I.免费LSD：为自动驾驶飞机提供免费的视觉着陆点检测。IEEE Robotics and Automation Letters，2018，3（3）：2545DOI：10.1109/lra.2018.280996241Marcu A，Costea D，Licenegre V，Prvu M，Slueneganschi E，Leordeanu M. SafeUAV：learning to estimate depthand safe landing areas for UAVs from synthetic data//Lecture Notes in Computer Science. Cham：Springer InternationalPublishing，2019：43DOI：10.1007/978-3-030-11012-3_442[10]杨文，李文.基于视觉的着陆点评估和朝向屋顶着陆的轨迹生成。机器人：科学与系统X，机器人：科学与系统基金会，2014年DOI：10.15607/rss.2014.x.04443[10]吴晓刚，王晓刚.基于单目视觉的连续机载高程测绘在微型飞行器自主着陆中的应用。2015 IEEE InternationalConference on Robotics and Automation（ICRA）美国华盛顿州西雅图，IEEE，2015DOI：10.1109/icra.2015.713898844Pizzoli M，Forster C，Scaramuzza D. REMODE：可能，单眼实时密集重建。2014 IEEE International Conferenceon Robotics and Automation（ICRA）中国香港，IEEE，2014 DOI：10.1109/icra.2014.690723345[10]李文，李文，李文.使用低成本传感器的无人驾驶飞行器的自主测绘和勘探。会议论文集，2018，4（1）：44DOI：10.3390/ecsa-5-0575346[10]张勇，刘晓波，刘晓波，张晓波.多无人机探索，通信和电池有限。2015年IEEE机器人与自动化国际会议美国华盛顿州西雅图，IEEE，2015 DOI：10.1109/icra.2015.713949447放大图片作者：J.多旋翼快速探测：高速飞行的前沿选择方法。2017 IEEE/RSJ智能机器人与系统国际会议（IROS）温哥华，BC，IEEE，2017DOI：10.1109/iros.2017.820603048Schmid L M，Pantic M，Khanna R，Ott L，Siegwart R，Nieto J. An Efficient Sampling Based Method for OnlineInformative Path Planning in Unknown Environments. arXiv：机器人，201949放大图片创作者：Dang T，Papachrivet C.使用空中机器人的自主探索和同时目标搜索。在：2018 IEEE航空航天会议。Big Sky，MT，IEEE，2018DOI：10.1109/aero.2018.839663268虚拟现实智能硬件2020年12月第150放大图片创作者：J.使用空中机器人的不确定性感知滚动地平线探测和测绘。 2017 IEEE International Conferenceon Robotics and Automation（ICRA）2017，IEEE，456851Selin M，Tiger M，Duberg D，Heintz F，Jensfelt P.大规模