PierGuard：面向海岸码头 underwater 机器人检查的规划框架
机器人学
2025-05-14 v1
摘要
使用 underwater 机器人代替人类进行海岸码头检查可提升效率，同时降低风险。在完成此类任务时，有效快速地规划处于复杂环境中的路径是一个关键挑战。快速探索随机树*（RRT*）等基于抽样的路径规划方法在高维空间中展现了显著性能。近年来，研究者开始设计各种几何启发式方法和神经网络驱动的启发式方法，以进一步提升 RRT* 的有效性。然而，这些通用路径规划方法在应用于高度杂乱的 underwater 环境时仍需改进。本文提出 PierGuard，结合双向搜索和神经网络驱动启发式区域的优势。我们设计了专用神经网络，用于生成杂乱地图中的高质量启发式区域，从而提高路径规划的性能。通过大量仿真和真实海洋场地实验，证明了所提出方法的有效性和效率。与最新几何基于抽样方法相比，我们的方法实现了约 2.6 倍的性能；与最新基于学习的抽样方法相比， nearly 4.9 倍。我们的结果为码头自动化和海洋安全性提升提供了宝贵的见解。更新后的实验视频已包含在补充材料中。
引用
@article{arxiv.2505.07845,
title = {PierGuard: A Planning Framework for Underwater Robotic Inspection of Coastal Piers},
author = {Pengyu Wang and Hin Wang Lin and Jialu Li and Jiankun Wang and Ling Shi and Max Q. -H. Meng},
journal= {arXiv preprint arXiv:2505.07845},
year = {2025}
}