Multi-UAVs end-to-end Distributed Trajectory Generation over Point Cloud Data

本文介绍了一种专为多无人机系统量身定制的端到端轨迹规划算法，该算法利用点云数据在充满静态和动态障碍物的环境中生成无碰撞轨迹。我们的方法包括一个具有两个分支的神经网络，该网络接收感知和定位数据，并能够在代理之间传递中间学习特征。一个网络分支构建一个初始无碰撞轨迹估计，而另一个分支设计了一个神经碰撞约束用于后续优化，确保轨迹的连续性和物理执行限制的遵守。在具有挑战性的杂乱环境中进行的大量模拟，涉及多达25个机器人和25％的障碍密度，显示了100-85％范围内的避碰成功率。最后，我们介绍了一种作用于点云数据的显著性图计算方法，提供了对我们方法的定性洞见。

该论文旨在为多个无人机系统提供端到端的轨迹规划算法，以在存在静态和动态障碍物的环境中生成无碰撞轨迹，利用点云数据。

该论文提出了一种基于神经网络的方法，其中一个分支生成初始的无碰撞轨迹估计，而另一个分支为后续的优化设计神经碰撞约束，确保轨迹的连续性和物理执行限制的遵守。

该论文通过在具有挑战性的杂乱环境中进行大量模拟，涉及多达25个机器人和25％的障碍密度，显示出100-85％的碰撞避免成功率。论文还介绍了一种基于点云数据的显著性地图计算方法，提供对我们方法的定性洞察。

在这个领域中，还有其他相关研究，例如：'Decentralized Multi-Robot Collision Avoidance with Collision Cones and Nearness Diagrams'，'Decentralized Multi-Robot Path Planning with Collision Avoidance using Deep Reinforcement Learning'。