基于 ROS2 Ego-Planner 的无人机避障
基于 ROS2 Ego-Planner 的无人机避障
项目定位：基于 EGO-Planner 搭建的无人机避障仿真系统，打通「环境感知 → 局部建图 → 轨迹规划 → 轨迹执行」的完整闭环链路。我在项目中主要负责避障算法实现。
规划链路
集成 Occupancy Grid Map 局部地图、A* 前端路径搜索与 B-spline 轨迹优化模块，支持未知环境下的局部避障与在线重规划场景。
多模态融合
将深度相机点云与模拟 LiDAR 点云做体素级几何融合，采用 Log-odds 证据累积叠加距离自适应权重，兼顾近场细节感知与中远距离观测稳定性。融合层围绕 min_probability、min_hits、dual_bonus 三个参数做候选枚举与评分选择，并基于局部 GT 体素筛选出更优的融合阈值组合。
证据质量建模
引入 Dempster-Shafer 证据指标层，对 depth 与 LiDAR 的体素级占据证据做质量建模，在线输出占据置信度、未知度与传感器冲突度，用于融合质量诊断与参数评估。
结果
- 自适应融合相较最佳单传感器保持稳定正收益：
fusion_f1达到 0.2893、fusion_recall达到 0.1693，分别提升约 0.1000 和 0.0647。 - 闭环优化后路径长度由 23.38 m 降至 23.06 m，加速度 RMS 由 9.10 降至 6.28。
技术栈
ROS2 · EGO-Planner · A* · B-spline · Occupancy Grid · Dempster-Shafer · 点云融合
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Cube Diary！