SC-Explorer：用于安全高效探索建图与规划的增量式三维场景补全

未知环境探索是机器人学中的基本问题，也是自主系统众多应用的核心组成部分。探索未知环境的一大挑战在于机器人必须依据每个时间步可用的有限信息进行规划。尽管当前多数方法依赖启发式与假设基于这些局部观测规划路径，我们转而提出一种将深度学习融入探索的新方式，利用三维场景补全实现知情、安全且可解释的探索建图与规划。我们的方法SC-Explorer结合使用一种新型增量融合机制的场景补全，以及一种新提出的分层多层建图方法，以保障机器人的安全性与效率。我们进一步提出一种信息性路径规划方法，充分利用我们建图方法的能力以及一种新型场景补全感知信息增益。虽然我们的方法普遍适用，我们在微型飞行器(Micro Aerial Vehicle, MAV)用例中对其进行了评估。我们仅使用移动硬件在高保真仿真实验中详尽研究了各组件，并表明相较基线我们的方法可将环境覆盖速度提升73%，且仅带来极小的地图精度下降。即便最终地图中不包含场景补全结果，我们表明它们仍可用于引导机器人选择更具信息量的路径，使机器人传感器对场景的测量速度加快35%。我们在全自主MAV上验证了我们的系统，即使在复杂杂乱环境中也展现出快速可靠的场景覆盖。我们将方法开源。