协同探索与导航文献整理

协同探索与导航文献整理

引用

CSDN

1.

https://blog.csdn.net/weixin_41331879/article/details/145460835

协同探索与导航是机器人领域的重要研究方向，涉及多无人机、无人机集群以及多移动机器人等多个方面。本文对近年来在该领域的相关研究进行了系统性整理，涵盖了多个前沿项目及其创新点，为相关领域的研究者提供了有价值的参考。

一、多无人机协同探索

1. SOAR：异构无人机协同探索实现快速自主重建

SOAR是一个专为复杂环境快速自主重建设计的LiDAR-视觉异构多无人机系统。系统包括一个配备大视场（FoV）LiDAR的探索者以及配备相机的拍摄者。通过基于表面前沿的探索策略，系统能够快速获取场景表面几何信息。随着表面的逐步探索，系统识别未覆盖区域并逐步生成视点。这些视点通过解决一致多仓库多旅行商问题（Consistent-MDMTSP）分配给拍摄者，确保任务一致性的同时优化扫描效率。最后，拍摄者利用分配的视点确定最佳覆盖路径以获取图像。

主要创新点：

1. 新颖的LiDAR-视觉异构多无人机系统，能够快速高效完成重建任务。
2. 增量视点生成方法，确保全面覆盖。
3. 任务分配方法，优化扫描效率并确保连续任务分配的一致性。
4. 在两个现实模拟环境中得到广泛验证。

2. RACER：一种使用分散式无人机群进行快速协同探索的方法

RACER方法采用基于在线网格空间分解的配对交互方法，确保所有无人机同时探索不同区域，仅使用异步和有限的通信。此外，优化了未知空间的覆盖路径，并通过车辆路径规划问题将工作负载均衡分配给每个无人机。在任务分配的基础上，每个无人机不断更新覆盖路径并逐步提取关键信息来支持探索规划。分层规划器寻找探索路径，细化局部视点，并生成最短时间的轨迹以顺利安全地探索已知空间。

图. 多旋翼自主探索系统概述，包括感知、协调和探索规划模块。

主要创新点：

1. 基于在线网格分解的配对交互方法，确保无人机只通过异步和有限的通信共同探索不同区域。
2. 一种最小化全局覆盖路径（CP）长度并平衡工作负载的CVRP公式。
3. 从[1]扩展的分层探索规划器，结合全局覆盖路径的引导，提高探索效率。
4. 实现了完全自主探索，并在具有挑战性的现实环境中进行实验。

3. 使用协作式纳米无人机在非结构化环境中进行最小感知探索

ExploreBug是一种混合型前沿追踪算法，专为处理纳米无人机群的受限感知能力而设计。系统包括建图子系统、探索子系统和导航子系统。此外，还集成了一个群体内的碰撞避免系统以防止无人机间的碰撞。通过广泛的模拟实验和实际环境的探索实验验证了该方法的有效性。

主要创新点：

1. 设计了一种新颖的探索算法，能够有效利用最小的感知能力——仅需四个单束距离传感器。
2. 通过模拟和真实环境中广泛的实验评估了所提出方法的性能。
3. 将所提出系统的代码和框架开源，帮助研究人员进行评估和基于该框架开展进一步的研究。

4. GVP-MREP：通过动态拓扑图上的 Voronoi 分区进行快速且通信高效的多无人机探索

该方法通过设计一个多机器人动态拓扑图（MR-DTG），由表示已探索区域和连接区域的节点与边组成。在 MR-DTG 的支持下，该方法通过仅传输探索规划所需的必要信息实现高效通信。为了进一步提高探索效率，提出了一种分层多无人机探索方法。具体来说，通过图的 Voronoi 分割将 MR-DTG 的节点分配给这些无人机，以考虑实际的运动成本，从而实现合理的任务分配。

主要创新点：

1. 采用图的 Voronoi 分割处理多无人机探索任务。
2. 相比当前最先进方法，探索时间和通信量分别减少38.3%和95.5%。
3. 在真实环境下使用 6 架无人机验证了该方法的有效性。

5. 森林的快速多无人机分散探索

该研究提出了一种探索策略，使多个无人机能够以分布式方式快速探索复杂场景。通过为每架无人机提供决策能力以在不同执行模式之间切换，所提出的方法在完全未知区域的谨慎探索与未知空间大规模区域的更激进探索之间实现了良好的平衡。实验结果表明，该方法在多无人机设置下对森林区域的完全覆盖速度比当前最先进方法快30%。

主要创新点：

1. 设计了一种多机器人分布式探索策略，能够在谨慎探索和已探索地图的积极开发之间实现有效平衡。
2. 在模拟中进行了广泛评估，证明了比当前最先进方法更好的性能。
3. 公开了所提出系统的源代码。

6. 在野外的微型飞行集群机器人

该研究开发了微型但完全自主的无人机，这些无人机带有轨迹规划器，可以根据机载传感器的有限信息及时准确地运行。规划问题满足飞行效率、避障、机器人间碰撞避免、动力学可行性、集群协调等各种任务需求，从而实现可扩展的规划器。此外，该规划器基于时空联合优化，对轨迹形状变形并同步调整时间分配。因此，即使在最受限的环境中，也可以在几毫秒内穷尽地开发求解空间后获得高质量的轨迹。规划器最终集成到开发的手掌大小的集群平台中，具有板载感知、定位和控制功能。

主要创新点：

1. 开发了微型但完全自主的无人机，能够在复杂环境中进行集群导航。
2. 规划器满足多种任务需求，实现可扩展的规划能力。
3. 在各种实际现场实验证明了系统的可扩展性。

7. EGO-Swarm：在杂乱环境中的完全自主和分散的四旋翼集群系统

EGO-Swarm 是一个完全自主和去中心化的系统，每架无人机都能独立决策，无需中央控制。它能够在未知且障碍物丰富的环境中，仅依靠机载资源进行自主导航。系统提供了高效的轨迹规划能力，能够在几毫秒内生成安全、平滑且动态可行的轨迹。此外，还结合了一种轻巧的拓扑轨迹生成方法，以提高鲁棒性并逃脱局部最小值。支持 GPU 加速，项目提供了详细的安装和编译指南，支持在 Ubuntu 16.04、18.04 和 20.04 上运行。

主要创新点：

1. 完全自主和去中心化的系统架构。
2. 复杂环境中的自主导航能力。
3. 高效的轨迹规划能力。
4. 支持 GPU 加速和详细的部署指南。

二、无人机集群协同定位

1. Omni-Swarm：用于航空集群的分布式全向视觉-惯性-UWB 状态估计系统

Omni-Swarm 是一个用于航空集群的分布式全向视觉-惯性-UWB 状态估计系统，通过全向感知前端和后端基于图形的优化融合，实现了厘米级相对状态估计精度。系统在保证航空集群全局一致性的同时，实现了厘米级相对状态估计精度。此外，在 Omni-swarm 的支持下，无需任何外部设备即可完成无人机间防撞，展示了 Omni-swarm 作为自主空中集群基础的潜力。

主要创新点：

1. 提出一种分散式全向视觉-惯性-UWB群状态估计系统Omni-swarm。
2. 开源软件和自定义数据集。

2. 面向空中集群的分布式协同视觉惯性 SLAM 系统

D2SLAM 是一种新颖的去中心化和分布式 CSLAM 系统，能够实现对附近无人机的高精度自我运动和相对状态估计，以及对远处或不可见的无人机进行全局一致的轨迹估计。系统支持立体和全向摄像机，可满足各种作需求并克服空中集群中的视野挑战。实验证明D2SLAM 在准确的自我运动估计、相对定位和全局一致性方面的有效性。通过分布式优化算法增强，D2SLAM 表现出卓越的可扩展性和对网络延迟的弹性，使其非常适合各种实际的空中集群应用。

主要创新点：

1. D2SLAM，一种新型的分散式分布式 SLAM 系统，能够实现对附近无人机的高精度自我运动和相对状态估计。
2. D2VINS，一种使用 ADMM 方法的多机器人系统的分布式视觉惯性状态估计器。
3. D2PGO，一种基于 ARock 的异步分布式 PGO 算法，专为多个机器人设计。

3. Swarm-LIO2：用于航空集群系统的分布式高效 LiDAR 惯性里程计

Swarm-LIO2 是一种用于航空集群系统的完全去中心化、即插即用、计算高效且带宽高效的光探测和测距 （LiDAR） 惯性里程计。系统使用去中心化的即插即用网络作为通信基础设施，仅交换带宽高效和低维的信息，包括身份、自我状态、相互观察测量和全局外在转换。广泛的模拟和真实世界实验表明，它对大规模航空集群系统和复杂场景的广泛适应性，包括无 GPS 的场景和退化的场景。

主要创新点：

1. 因子图优化用于高效的队友识别和全局外参校准，大大降低了群体初始化的复杂性和能耗。
2. 新的状态边缘化策略和激光雷达退化评估方法，以减轻计算负担并增强群体的可扩展性。
3. 综合模拟和现实世界实验验证了Swarm-LIO2的有效性，支持大规模群体（在现实世界中测试了五个无人机）。
4. 提出了一种名为Swarm-LIO2的开源实现系统，包括算法和空中平台的硬件设计的源代码。

三、多移动机器人协同探索

1. 基于 SubMap 的多机器人勘探系统，具有多机器人多目标势场勘探方法

SMMR-Explore 是一个基于 SubMap 的多机器人探索方法，设计了一个基于地图的 DSLAM 框架，该框架仅共享子地图，消除了 PR 描述符和传感器数据的传输。此外，提出了一种基于多机器人多目标势场 （MMPF） 的勘探策略，可以消除目标的来回变化，将勘探效率提高 1.03 ×∼1.62 ×，节省 3 % ∼ 40 % 的差旅成本。系统在 Gazebo 模拟器和真实机器人上进行了评估。

主要创新点：

1. 完全基于子映射的 DSLAM 方法，节省了 30% 的总通信流量。
2. MMPF 探测方法，将勘探效率提高 1.03× ∼1.62×。
3. 开源的基于 SubMap 的 Multi-R obot 探索包 （SMMR-Explore）。

2. MR-TopoMap：通信受限环境中基于拓扑图的多机器人探索

MR-TopoMap 开发了一种在机器人在环境中移动时构建拓扑图的方法，以及一种基于创建的拓扑图的探索策略。后一个映射由一组连接顶点的顶点和边组成，其中每个顶点代表一个特定区域，其中嵌入了一个描述符，该描述符是通过目视观察该区域并使用描述符识别它来提取的。每个机器人都存储了其本地网格图用于路径规划，而不是在它们之间共享。考虑到探索任务，机器人选择正确方向的能力取决于其他机器人的位置和未探索的区域。系统的探索框架在 Gazebo 模拟器和真实机器人上进行评估，将探索效率提高了 23%∼77%，与占用网格图方案相比，数据传输减少了 84%∼90%。

主要创新点：

1. 基于拓扑图的多机器人探索框架，将通信流量降低 84%∼90%。
2. 基于创建的拓扑图的勘探策略，勘探效率提高 35%∼47%。
3. 在真实的机器人平台上验证了方法的稳健性。

3. MUI-TARE：初始位置未知的协作多智能体探索

MUI-TARE 是一种基于多智能体子地图的规划框架，用于自主探索具有未知初始相对姿态的大规模 3D 环境。系统开发了一种自适应合并方法，包括主动合并距离估计、回退策略和主动合并，它允许 MUI-TARE 与 AutoMerge 智能交互，以确保勘探效率和子地图合并稳健性。此外，系统的协作多代理规划将总体勘探时间缩短了 52%。

主要创新点：

1. MUI-TARE，一种基于多智能体子地图的规划框架，用于自主探索具有未知初始相对姿态的大规模 3D 环境。
2. 自适应合并方法，包括主动合并距离估计、回退策略和主动合并。
3. 实验表明，方法比基线效率高 50%，同时稳健地合并子映射。

四、多移动机器人协同定位

1. DCL-SLAM：一种用于机器人集群的分布式协作 LiDAR SLAM 框架

DCL-SLAM 是一个与前端无关的完全分布式协作光探测和测距 （LiDAR） SLAM 框架，用于在信息交换较少的未知环境中共定位。基于点对点通信，DCL-SLAM 采用轻量级 LiDAR-Iris 描述符进行位置识别，不需要完整的团队连接。DCL-SLAM 包括三个主要部分：可更换的单机器人前端 LiDAR 里程计、检测机器人之间重叠的分布式闭环模块，以及适应分布式姿态图优化器并结合拒绝伪回路测量的分布式后端模块。

主要创新点：

1. 提出了一种用于机器人集群的前端不可知、完全分布式协作的 LiDAR SLAM 框架。
2. 提出了一种高度集成的数据高效机器人间闭环检测方法。
3. 进行了广泛的实验评估，包括性能、可扩展性和实际现场测试。

2. Swarm-SLAM：面向多机器人系统的稀疏分散式协同同步定位建图框架

Swarm-SLAM 是一个开源的 C-SLAM 系统，旨在具有可扩展性、灵活性、去中心化和稀疏性，这些都是 Swarm Robotics 的关键属性。系统支持激光雷达、立体和 RGB-D 传感，它包括一种新颖的机器人间闭环优先技术，可减少通信并加速收敛。系统在五个不同的数据集上进行了评估，并在一个真实实验中评估了三个机器人通过自组网进行通信。

主要创新点：

1. 一种基于代数连通性最大化的通信约束下的稀疏预算机器人间闭环检测算法。
2. 一种去中心化的邻居管理和姿态图优化方法，适用于零星的机器人间通信。
3. 一个与 swarm 兼容的开源框架，支持激光雷达以及立体或 RGB-D 摄像头。

3. CoLRIO：用于机器人群体的激光雷达测距-惯性集中状态估计

CoLRIO 是一个集中式系统，以促进协作激光雷达测距-惯性状态估计，使机器人群体能够在无需锚点部署的情况下运行。系统有效地将计算密集型任务分配给中央服务器，从而减轻了单个机器人在局部里程计计算上的计算负担。服务器后端通过利用共享数据，并通过位置识别、全局优化技术以及去除异常数据来完善联合位姿图优化，从而建立全局参考，以确保精确和稳健的协作状态估计。

主要创新点：

1. 构建在固定滞后平滑和强度辅助直接原始点注册基础上的紧密耦合激光雷达惯性里程计。
2. 一个在线、稳健且集中化的激光雷达测距惯性状态估计系统，用于机器人群体，能够在不部署锚点的情况下实现共定位。
3. 对所提出的框架在数据集和模拟中进行了广泛的评估，包括性能、通信和可扩展性。