MCVP: Multi-Channel Viewpoint Planner für die effiziente Erkundung und Kartierung komplexer 3D-Umgebungen

Die autonome Erkundung in komplexen 3D-Umgebungen ist ein zentrales Thema in der Robotik, wo aktuelle Ansätze oft eine begrenzte Effizienz und übermäßiges Zurückspulen zeigen. Um das Zurückspulen und die wiederholte Erkundung in komplexen Multi-Channel-Umgebungen zu mildern, schlagen wir MCVP (Multi-Channel Viewpoint Planner) vor, eine autonome Erkundungsstrategie, die aus drei Hauptkomponenten besteht: Generierung von Aussichtspunkten, Optimierung von Aussichtspunkten und Generierung von Erkundungspfaden mit doppelter Auflösung. Zunächst verwendet MCVP eine Mischkosten-Heuristik-Funktion, um qualitativ hochwertige Aussichtspunkte zu generieren, indem Schlüsselfaktoren wie Entfernung, Gierwinkel und Positionsbeschränkungen integriert werden. Anschließend wird ein Optimierungsprozess für die Aussichtspunkte angewendet, um Redundanzen zu beseitigen und die Rechenleistung zu optimieren. Um ein effizientes Mapping zwischen Aussichtspunkten und Kanälen herzustellen, wird eine bidirektionale Hash-Tabellenstruktur verwendet, die nach distanzbasierten Kriterien indiziert ist und eine schnelle Abrufung von Entsprechungen ermöglicht. Schließlich generiert das System einen Erkundungspfad mit doppelter Auflösung, der eine effiziente und adaptive Navigation für mobile Roboter in komplexen Umgebungen ermöglicht. Wir evaluieren die vorgeschlagene Methode im Vergleich zu modernsten Ansätzen in mehreren herausfordernden Simulationsszenarien. Die quantitativen und qualitativen Ergebnisse zeigen, dass unsere Methode erfolgreich eine vollständige Erkundung in verschiedenen Umgebungen mit hoher Effizienz erreichen kann, während sie signifikante Vorteile in Bezug auf Erkundungszeit und Bewegungsdistanz zeigt. Um den vorgeschlagenen Ansatz weiter zu validieren, führen wir reale Experimente sowohl in einem unterirdischen Parkhaus als auch auf einem komplexen Universitätscampus durch. Die experimentellen Ergebnisse bestätigen auch die Robustheit und praktische Durchführbarkeit unserer Methode in realistischen unbekannten Umgebungen.