基于快速分层GVD抽样的机器人探索拓扑图

拓扑图比度量图更适合用于机器人探测任务。然而，实时更新准确且细节丰富的环境拓扑图仍是一个挑战。本文提出了一种基于广义Voronoi图（GVD）的拓扑图更新方法。首先，对新观察区域进行去噪处理，以避免低效GVD节点误导拓扑结构。随后，设计了一种多层次分层GVD生成方法，以控制全局和局部层面的抽样粒度。这不仅确保了拓扑结构的准确性，还增强了捕获细节特征的能力，减少路径回溯的概率，并通过维护覆盖图确保GVD之间无重叠，从而提高GVD利用效率。其次，设计了一种带连接约束的节点聚类方法和一种基于切换机制的连接方法，以避免生成不可达节点和由障碍物吸引导致的错误节点。采用特殊的缓存结构存储所有连接信息，从而提高探索效率。最后，针对GVD单元范围内障碍物导致的前沿判断问题，设计了一种基于形态学膨胀的前沿提取方法，以有效确保前沿的可达性。在此基础上，采用轻量级代价函数实时评估并切换到下一个视点。这使得机器人在出现路径回溯迹象时能够快速调整策略，从而跳出困境并提高探索灵活性。通过与SOTA方法的比较测试验证了该系统在探索任务中的性能。