基于牛耕式分解算法的环境采样
机器人学
2022-07-14 v1
摘要
通过移动机器人实现数据收集自动化有望提升环境调查的效率，但这要求系统自主确定如何采样环境同时避开障碍物。现有方法如牛耕式分解算法可实现对环境至指定分辨率的完全覆盖，然而在许多情况下，以分布分辨率采样将产生过长路径与不可行的测量数量。对这些路径下采样可得到可行方案，但代价是分布估计精度下降。本工作探讨了牛耕式分解算法中分布精度与路径长度之间的这一权衡。我们通过在一组环境分布上的蒙特卡洛模拟计算精度与路径长度指标来量化算法性能。我们强调了应优先某一目标而非另一目标的条件，并提出了一种通过对更均匀采样来提升算法有效性的改进。这些结果展示了牛耕式算法的智能部署如何有效引导自主环境采样。
引用
@article{arxiv.2207.06209,
title = {Environmental Sampling with the Boustrophedon Decomposition Algorithm},
author = {Hannah He and Joe Norby and Sean Wang and Natasha Sihota and Thomas P. Hoelen and Gregory V. Lowry and Aaron M. Johnson},
journal= {arXiv preprint arXiv:2207.06209},
year = {2022}
}