Key points are not available for this paper at this time.
Fortschritte in der Forschung zur autonomen Navigation von Mikro-Luftfahrzeugen erfordern Datenstrukturen, die in der Lage sind, Innen- und Außenräume in 3D darzustellen. Das Fahrzeug muss in der Lage sein, die Kartenstruktur in Echtzeit mit Daten von Abstandssensoren zu aktualisieren, wenn unbekannte Bereiche kartiert werden; es muss auch in der Lage sein, Belegungsinformationen aus der Karte abzurufen, um Lokalisierung und Routenplanung zu ermöglichen. Zu den Kartierungsmodellen, die für diese Aufgaben verwendet wurden, gehören Voxelraster, mehrstufige Oberflächenkarten und Octrees. In diesem Papier schlagen wir einen neuen Ansatz zur 3D-Kartierung mit einem mehrvolumigen Belegungsraster oder MVOG vor. MVOGs speichern explizit Informationen über sowohl Hindernisse als auch freien Raum. Dies ermöglicht es uns, frühere potenziell fehlerhafte Sensormessungen zu korrigieren, indem wir schrittweise neue positive oder negative Sensordaten integrieren. Dies wiederum ermöglicht die Gewinnung zuverlässigerer probabilistischer Informationen über die Belegung des 3D-Raums. MVOGs übertreffen bestehende probabilistische 3D-Kartierungsmethoden hinsichtlich des Speicherverbrauchs, da Beobachtungen in kontinuierliche vertikale Volumen gruppiert werden, um Speicherplatz zu sparen. Wir beschreiben die Techniken, die für die Kartierung mit MVOGs erforderlich sind, und analysieren ihre Leistung anhand von experimentellen Daten aus Innen- und Außenbereichen.
Dryanovski et al. (Fr,) untersuchten diese Frage.