MonoNav：基于单目深度估计与重建的MAV导航

部署最小型微型空中飞行器（MAV）平台（< 100 g）的一大挑战是它们无法搭载提供高分辨率度量深度信息的传感器（如LiDAR或立体相机）。当前系统依赖端到端学习或启发式方法，直接将图像映射为控制输入，难以在未知环境中快速飞行。在本工作中，我们提出以下问题：仅使用单目相机、视觉里程计和机外计算，我们能否创建度量精确的地图，以利用更大型最先进机器人系统所采用的强大路径规划与导航方法，在未知环境中实现稳健自主？我们提出MonoNav：一种面向MAV的快速3D重建与导航栈，其利用深度预测神经网络的最新进展，从单目图像与位姿流中实现度量精确的3D场景重建。MonoNav使用现成的预训练单目深度估计与融合技术构建地图，随后在运动基元上搜索以规划至目标的无碰撞轨迹。在大量硬件实验中，我们展示了MonoNav如何使Crazyflie（一款37 g的MAV）在杂乱室内环境中快速（0.5 m/s）导航。我们将MonoNav与最先进的端到端方法进行评估，发现导航中的碰撞率显著降低（降至1/4）。这种安全性的提升以保守性为代价，即目标完成率降低22%。