← 返回论文列表

KIO规划器：注意力引导的无人机导航单阶段运动规划与双映射方法
KIO-planner: Attention-Guided Single-Stage Motion Planning with Dual Mapping for UAV Navigation

作者: Dexing Yao, Haochen Li, Junhao Wei 等14人
arXiv: 2605.19703v1
分类: cs.RO
📝 论文摘要
在狭窄且多墙体的密闭环境中进行自主无人机飞行，需在严格安全约束下实现低延迟、可靠的轨迹规划。传统基于优化的规划方法存在建图延迟的缺陷，且在穿越密集结构障碍物时易陷入局部最优解。同时，现有端到端学习方法难以从原始深度图像中提取细粒度几何特征，且缺乏严格的动力学约束，导致无人机在靠近墙壁时易发生不可预测的碰撞。针对上述问题，本文提出KIO-planner——一种注意力引导的单阶段轨迹规划框架。首先，我们在感知主干网络中集成卷积块注意力模块（CBAM），以自适应地聚焦关键结构边缘与可通行空间。其次，我们引入新型双重映射机制（Dual Mapping）——包含物理边界激活与深度像素空间中的确定性几何安全盾牌——在不依赖全局地图融合的条件下实施动力学可行性约束与无碰撞飞行。大量高保真仿真实验表明，KIO-planner可实现高达3.0米/秒的敏捷导航。与最先进基线相比，KIO-planner不仅推理延迟更低（约24毫秒），且生成轨迹显著更平滑，控制成本降低28.4%。尤为重要的是，我们的双重映射机制将最坏情况下的安全裕度（以距障碍物最小距离衡量）从0.48米大幅提升至0.76米，从而确保在高度受限环境中实现快速、平滑且更安全的导航。

📊 核心分析

🎯 研究动机
- 传统优化规划器在墙密环境中存在**映射延迟** 和**局部极小值** 问题，难以可靠导航 - 现有端到端学习方法无法从原始深度图像提取**细粒度几何特征**，且缺乏**硬运动学约束**，导致靠近墙壁时发生不可预测碰撞 - 研究背景：自主无人机在受限、多墙环境中的飞行需要低延迟、可靠的运动规划，同时满足严格安全约束
🔧 核心方法
- 提出**注意力引导单阶段轨迹规划框架KIO-planner**，集成**卷积块注意力模块(Convolutional Block Attention Module, CBAM)** 到感知骨干，自适应聚焦关键结构边缘和可通行空间 - 引入**双映射(Dual Mapping)机制**：包括**物理边界激活(physical bounds activation)** 和**深度像素空间中的确定性几何安全盾(deterministic Geometric Safety Shield)**，无需全局地图融合即可强制执行运动学可行性和无碰撞飞行 - 采用**单阶段(single-stage)** 架构，避免多阶段级联误差，直接输出轨迹
💡 核心创新
- **首次将CBAM注意力机制** 应用于无人机运动规划的感知阶段，增强对关键几何特征的提取能力 - **提出双映射机制**，在深度像素空间内同时处理运动学约束和碰撞避免，无需全局地图构建，降低延迟和计算开销 - **单阶段端到端框架**，相比现有两阶段或多阶段方法，显著降低推理延迟（约24 ms）并简化流程
🏆 总体贡献
- 提出KIO-planner框架，在墙密受限环境中实现高达**3.0 m/s** 的敏捷导航，同时保持低延迟和安全性 - 相比SOTA基线，**控制成本降低28.4%**，轨迹更平滑，最坏情况安全裕度（最小障碍物距离）从0.48 m提升至0.76 m - 为无人机在高度受限环境中的运动规划提供了**兼顾速度、平滑性和安全性的新范式**，具有实际应用价值