GVD-Exploration：基于快速广义Voronoi图提取的高效自主机器人探索框架
机器人学
2023-09-13 v1
摘要
快速扩展随机树(RRTs)是移动机器人自主探索的流行技术。然而，RRTs使用的随机采样会导致前沿提取低效且不精确，影响探索性能。为解决路径规划慢和路径代价高的问题，我们提出一种使用基于广义Voronoi图(GVD)的多选择策略用于机器人探索的框架。我们的框架包含三个部分：使用端到端神经网络实时构建环境GVD的新颖建图模型；加速前沿提取并减少前沿冗余的基于GVD的启发式方案；以及考虑不同类型前沿并使机器人在探索过程中能做出合理决策的多选择前沿分配方案。我们在仿真和真实世界实验上评估了我们的方法，表明其在效率和鲁棒性方面优于基于RRT的探索方法。
引用
@article{arxiv.2309.06041,
title = {GVD-Exploration: An Efficient Autonomous Robot Exploration Framework Based on Fast Generalized Voronoi Diagram Extraction},
author = {Dingfeng Chen and Anxing Xiao and Meiyuan Zou and Wenzheng Chi and Jiankun Wang and Lining Sun},
journal= {arXiv preprint arXiv:2309.06041},
year = {2023}
}
备注
11 pages, 10 figures