面向部分未知环境的机器人覆盖路径随时重规划

在本文中，我们提出一种方法，用于为在具有初始未知静态障碍物的环境中运行的机器人重规划覆盖路径。现有的覆盖方法通过沿最少数量的覆盖线（直线路径）进行覆盖来减少覆盖时间。然而，在线重新计算此类路径可能计算代价高昂，导致机器人停顿从而增加覆盖时间。一种朴素的替代方案是贪婪绕行重规划，即与初始路径偏差最小的重规划，其计算高效但可能导致不必要的绕行。在这项工作中，我们提出一种名为 OARP-Replan 的随时覆盖重规划方法，该方法在给定时间预算内对中断的覆盖路径执行近最优重规划。我们通过求解整数线性规划（ILPs）的线性松弛来识别可在时间预算内最优重规划的中断路径段。我们在仿真中验证 OARP-Replan，并与贪婪绕行重规划器及其他最先进的覆盖规划器进行比较。我们还使用工业级自主机器人在实验中演示了 OARP-Replan。