Low-Latency Mapless ESDF Queries for MAV Reactive Collision Avoidance

📄 arXiv: 2610.13158v1 📥 PDF

作者: Leonard Freißmuth, Cedric Le Gentil, Helen Oleynikova, Stefan Leutenegger

分类: cs.RO

发布日期: 2026-10-09

备注: 8 pages, 11 Figures

💡 一句话要点

提出无地图的低延迟ESDF查询以解决MAV反应式避障问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 反应式避障 无地图查询 GPU加速 欧几里得距离场 模型预测控制器 无人机导航 动态环境

📋 核心要点

  1. 现有的碰撞避免方法依赖于地图，导致在短期反应式规划中效率低下，无法快速响应环境变化。
  2. 本文提出了一种无地图的ESDF查询方法，利用GPU加速，直接处理深度图像，显著降低了预处理需求和延迟。
  3. 实验结果显示，该方法在复杂环境中表现优异，碰撞率显著低于最佳体素网格和无地图基线，提升效果明显。

📝 摘要（中文）

在未知且杂乱的环境中，反应式避障需要在毫秒级别内感知障碍物并修正运动。现有方法依赖于地图进行高频率的碰撞查询，但其加速结构需要预处理，这在长时间规划中是可行的。然而，在近场短期规划中，构建地图的成本可能得不偿失。本文提出了一种无地图的、基于GPU加速的欧几里得有符号距离场（ESDF）查询，几乎不需要预处理，直接在深度图像上操作，分辨率由图像池化而非体素大小决定。通过将该查询集成到模型预测控制器（MPC）中，模拟实验表明在激光扫描的森林中以高达9 m/s的速度飞行时，碰撞率仅为0.4%。

🔬 方法详解

问题定义：本文旨在解决在未知环境中进行反应式碰撞避免时的高延迟和低效率问题。现有方法依赖于地图进行碰撞查询，导致在短期规划中无法快速响应。

核心思路：提出了一种无地图的ESDF查询方法，利用GPU加速技术，直接在深度图像上进行处理，避免了传统方法中的高预处理成本。

技术框架：整体架构包括深度图像输入、GPU加速的ESDF查询模块和模型预测控制器（MPC）。该框架能够实时处理环境信息并进行动态避障。

关键创新：最重要的创新在于无地图的ESDF查询方法，显著降低了内存使用和总延迟，同时提高了准确性，与传统体素网格方法相比具有本质区别。

关键设计：在设计中，分辨率通过图像池化而非体素大小来设定，确保在不同分辨率下的性能一致性，且在嵌入式GPU上实现了高效的内存管理。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，集成该查询的MPC在激光扫描的森林中以9 m/s的速度飞行时，碰撞率仅为0.4%，显著低于最佳体素网格的5.9%和最佳无地图基线的5.5%。该方法在内存使用上减少了1到2个数量级，且在匹配分辨率下总延迟更低。

🎯 应用场景

该研究的潜在应用领域包括无人机在复杂环境中的自主飞行、机器人导航以及其他需要快速反应的自动化系统。其实际价值在于提高了在动态和未知环境中进行安全操作的能力，未来可能推动更多智能设备的广泛应用。

📄 摘要（原文）

Reactive collision avoidance in unknown, cluttered environments must perceive obstacles and correct motion within milliseconds. Existing methods rely on maps for high-rate collision queries, but their acceleration structures require pre- processing. That cost is amortized in long-horizon planning, where a map serves millions of queries; reactive planning, however, is a near-field, short-horizon problem with potentially only hundreds of queries per measurement, where building a map may not pay off. We propose a mapless, Graphics Processing Unit (GPU)-accelerated Euclidean Signed Distance Field (ESDF) query with negligible pre-processing that operates directly on posed depth images, with resolution set by pooling the image rather than by a voxel size. On an embedded GPU it is simultaneously more accurate and lower in total latency than every voxel-grid configuration we measured between 2 cm and 20 cm, at one to two orders of magnitude less memory at matched resolution. With our query integrated into a Model Predictive Controller (MPC), simulated runs in laser-scanned forests at up to 9 m/s collide in 0.4 % through dense branches, against 5.9 % with the best voxel grid and 5.5 % with the best mapless baseline at our resolution, whose failures we attribute to voxel resolution and total latency respectively. We deploy the system onboard at two forest sites and fly at commanded speeds of up to 4 m/s.