未知環(huán)境中無人機(jī)自適應(yīng)邊界快速檢測(cè)算法

唐嘉寧,謝翠娟,趙一帆,李孟霜,彭志祥

(1.云南民族大學(xué) 電氣信息工程學(xué)院, 昆明 650000; 2.云南民族大學(xué) 無人自主系統(tǒng)研究院, 昆明 650000)

0 引言

由于無人機(jī)具有獨(dú)特的優(yōu)勢(shì),近年來被廣泛應(yīng)用到救援[1]、測(cè)繪[2]、軍事[3]等領(lǐng)域。然而,大多數(shù)環(huán)境在此之前都是部分未知的或完全未知的。自主探索允許機(jī)器人在沒有任何先驗(yàn)信息的情況下探索和繪制環(huán)境,這是全自動(dòng)機(jī)器人的必要能力。

自主探索指執(zhí)行以前部分未知或完全未知環(huán)境建圖任務(wù),當(dāng)所有可訪問的空間都被分類為占用或空閑時(shí),探索任務(wù)完成。自主探索一般分為3個(gè)流程：邊界感知檢測(cè)、路徑規(guī)劃、即時(shí)定位與建圖(simultaneous localization and mapping,SLAM),3個(gè)模塊迭代工作,相輔相成,完成整個(gè)環(huán)境的探索與建圖。邊界感知檢測(cè)作為探索的前端,形成邊界點(diǎn)以及選出合適的邊界點(diǎn)對(duì)探索過程來講尤為重要。邊界感知檢測(cè)又通常分為兩步：邊界獲取與最佳邊界點(diǎn)選擇。國(guó)內(nèi)外學(xué)者提出了多種方法,大致將邊界檢測(cè)分為3類：基于邊界的探索、基于采樣的探索、基于采樣與邊界相結(jié)合的探索?；谶吔绲姆椒ㄖ饕峭ㄟ^檢測(cè)地圖中已知區(qū)域和未知區(qū)域的邊界(frontier point,FP),并將FP作為候選目標(biāo),利用效用函數(shù)對(duì)FP進(jìn)行綜合評(píng)價(jià),選擇最佳FP作為探索目標(biāo)。Yamauchi等[4]首次提出基于邊界探索的重要探索工作,并將此項(xiàng)工作擴(kuò)展到多機(jī)器人[5]。為了有效檢測(cè)邊界,波前邊界檢測(cè)[6]將搜索空間從整個(gè)地圖減少到局部邊界的搜索空間。也有研究致力于減少邊界的搜索空間[7-8]。為提高邊界處理速度,Batinovic等[9]利用八叉樹地圖的結(jié)構(gòu)特點(diǎn),用不同的分辨率表示邊界點(diǎn)。Zhou等[10]將全局邊界聚類成多個(gè)簇,降低計(jì)算量,該方法雖然能快速檢測(cè)到FP,但大量的FP聚類的計(jì)算代價(jià)無疑是昂貴的。相比之下,Bircher等[11]提出基于采樣(next-bext-view-point,NBVP)的方法是在已知空間中采樣,并基于一些路徑規(guī)劃算法移動(dòng)到探索增益最高的姿態(tài)。Umari等[12]利用該方法生成全局樹和局部樹來提高邊界檢測(cè)的效率。Witting等[13]通過維護(hù)歷史節(jié)點(diǎn)提高采樣效率。Dharmadhikari等[14]結(jié)合無人機(jī)飛行動(dòng)力學(xué)和續(xù)航能力,提出使用運(yùn)動(dòng)原語識(shí)別配置空間的路徑(GBPlanner)。有學(xué)者使用更新快速探索隨機(jī)樹(rapidly-exploring random trees,RRT)節(jié)點(diǎn)[15]、前沿濾波[16]、陰影投射算法[17]、動(dòng)態(tài)更新與重定位結(jié)合[18]的方法提高探索效率。為了適應(yīng)地下隧道環(huán)境,Dang等[19]提出識(shí)別地下環(huán)境的關(guān)鍵拓?fù)涮卣?提出基于分岔的局部和全局規(guī)劃結(jié)構(gòu),實(shí)現(xiàn)了周期滑動(dòng)窗口的快速邊界檢測(cè),限制了從所有探測(cè)區(qū)域的自由空間到激光雷達(dá)傳感范圍內(nèi)的機(jī)器人周圍局部采樣空間,并將該策略擴(kuò)展到大型洞穴探索[20]和腿式機(jī)器人與空中機(jī)器人協(xié)同的工作中[21]。該方法可以有效地利用采樣為無人機(jī)提供探索目標(biāo),并能減小邊界聚類的成本代價(jià),擴(kuò)展到三維環(huán)境較容易。結(jié)合八叉樹體素結(jié)構(gòu)[22-23],將基于邊界和基于采樣的前沿點(diǎn)方法結(jié)合,提高探索效率。

信息增益被定義為機(jī)器人變換一個(gè)姿勢(shì)將獲得多少關(guān)于環(huán)境的新信息,針對(duì)不同的目標(biāo),提出了不同的信息增益公式,例如快速探索或重建,在最初的前沿探索中,僅考慮距離無人機(jī)當(dāng)前位置最近的邊界。NBVP 利用累計(jì)未知體素?cái)?shù)量選擇最佳邊界點(diǎn),盡管取得了進(jìn)展,但大多數(shù)此類工作的一個(gè)限制因素與優(yōu)化的單一目標(biāo)有關(guān)。而且由于環(huán)境的復(fù)雜性、傳感器傳回的數(shù)據(jù)質(zhì)量、缺乏未探索區(qū)域的實(shí)體等相關(guān)信息,導(dǎo)致整體探索的效率低下,并且增益函數(shù)的呈現(xiàn)形式也會(huì)變得困難棘手?；谏鲜鰡栴},將動(dòng)力學(xué)約束[19]和續(xù)航能力考慮到增益函數(shù)中,對(duì)探索的實(shí)際應(yīng)用尤為重要。

本文中提出一種的邊界檢測(cè)器(adaptive detector planner,ADPlanner)。解決在未知環(huán)境下,怎樣快速完成未知環(huán)境的探索,并形成無人機(jī)(unmanned aerial vehicle,UAV)可識(shí)別的地圖。同時(shí),在探索中必須考慮有限續(xù)航能力,以及無人機(jī)動(dòng)力學(xué)約束的軌跡和姿態(tài)估計(jì)規(guī)劃。邊界感知檢測(cè)是UAV自主探索未知環(huán)境的關(guān)鍵模塊。邊界是靠近未知區(qū)域的已知區(qū)域的集合。因此,ADPlanner利用部署在空中機(jī)器人上的激光雷達(dá)感知環(huán)境和自適應(yīng)邊界框,從而在局部空間采樣,通過重要性采樣限制重復(fù)區(qū)域的重采樣率,提升采樣速率。同時(shí),根據(jù)UAV在移動(dòng)過程中實(shí)時(shí)建立地圖來檢測(cè)邊界,并將評(píng)估的最佳邊界點(diǎn)發(fā)送給路徑規(guī)劃模塊,完成大規(guī)模復(fù)雜地形環(huán)境下的高效和穩(wěn)健的自主探索。

1 問題陳述

本文主要目標(biāo)是生成自適應(yīng)采樣邊界框的邊界采樣器,解決環(huán)境探索運(yùn)動(dòng)規(guī)劃問題。ADPlanner系統(tǒng)流程如圖1所示。

定義2(同心松弛)：令Ξ表示無碰撞的連通集合,Nnode?Ξ 表示RRT樹擴(kuò)展的節(jié)點(diǎn),κ表示不同節(jié)點(diǎn)對(duì)邊界點(diǎn)選擇的影響系數(shù)。距離越遠(yuǎn),影響系數(shù)越小。

問題1(邊界檢測(cè)與探索問題)：給定一個(gè)有界未探索空間V, ① 基于激光雷達(dá)等傳感器得到的占用體素和空閑體素,② 執(zhí)行時(shí)使用{Si}執(zhí)行完整的環(huán)境覆蓋,直到不存在任何無碰撞的配置V{Vfree,Vocc}或者Vocc外部可觀測(cè)表面Socc的任何子集,即Vfree∪Vocc=VVres和Sfree∪Socc=VSres。

2 自適應(yīng)邊界檢測(cè)

想要實(shí)現(xiàn)UAV在大型復(fù)雜環(huán)境下快速探索的任務(wù),得到安全有效的采樣點(diǎn)尤為重要。地下環(huán)境復(fù)雜多樣,隧道寬度有寬有窄,在GBPlanner[19]中采用固定采樣框采樣并不能很好地適應(yīng)地下隧道變化起伏的地形,很難確定一個(gè)采樣框尺寸去適應(yīng)地下環(huán)境,采樣框的尺寸太大,在該框中采樣點(diǎn)多數(shù)為無效點(diǎn)(不能與RRT樹連接成邊的點(diǎn)均為無效點(diǎn)),采樣框的尺寸太小,采樣點(diǎn)數(shù)量過少,無法形成邊界點(diǎn),直接造成無人機(jī)探索任務(wù)的失敗。因此,在本節(jié)中詳細(xì)介紹自適應(yīng)采樣的邊界檢測(cè)器(oriented bounding box,OBB)[24],所提方法的重點(diǎn)是系統(tǒng)迭代執(zhí)行探索任務(wù)并同時(shí)提供高效的建圖能力,該過程需要實(shí)時(shí)決定最佳信息采樣行為和相關(guān)路徑。

2.1 自適應(yīng)滑動(dòng)窗口

在得到激光雷達(dá)掃描的點(diǎn)云數(shù)據(jù)local_cloud后,與地圖坐標(biāo)對(duì)齊,遍歷激光雷達(dá)局部點(diǎn)云數(shù)據(jù)點(diǎn),利用主成分分析法(principal components analysis,PCA)對(duì)數(shù)據(jù)進(jìn)行降維分析,得到點(diǎn)云主數(shù)據(jù)的3個(gè)主方向。以無人機(jī)當(dāng)前位置為質(zhì)心,計(jì)算協(xié)方差矩陣,求取協(xié)方差矩陣的特征值和特征向量,得到采樣框的主軸?；瑒?dòng)窗口自適應(yīng)采樣如圖2所示,具體算法如下。

算法：自適應(yīng)采樣邊界框生成

輸入：激光雷達(dá)掃描局部點(diǎn)云數(shù)據(jù)local_cloud

無人機(jī)的位姿pose

邊界框的最大尺寸boundboxsize_max

輸出：自適應(yīng)采樣框的邊界值(min_val,max_val)

1.Pi←Local point cloud(pose,local_cloud)

2.Pfilter←Filter(Pi)

3.Fv←get Eigen Vectors(Pfilter)

4.Variance←get Eigen Values(Pfilter)

5.Pcentroid←compute 3D Centroid(Pfilter)

6.δoffset←compute Offset(Pcentroid,pose)

7.δdeviation←cwiseSqrt(Variance)

8.(min_val,max_val)←

compute(δoffset,δdeviation,boundboxsize_max)

9. return (min_val,max_val)

在算法的第1、2行,無人機(jī)得到局部(當(dāng)前時(shí)刻激光雷達(dá)的掃射范圍)激光雷達(dá)輸入點(diǎn)云數(shù)據(jù)Pi后,先對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行過濾,減少點(diǎn)云不均勻密度造成的誤差,去除由于視角不同看到的非常接近的點(diǎn)。過濾后得到一系列局部點(diǎn)云的坐標(biāo)Pfilter=[xi,yi,zi]T。利用協(xié)方差矩陣Cov(x,y,z)表示不同坐標(biāo)之間的相關(guān)性：

(1)

E=[E(x),E(y),E(z)]T

(2)

式中：E(x)、E(y)、E(z)是點(diǎn)云坐標(biāo)x、y、z軸的方差。為了進(jìn)一步得到主軸,降低3個(gè)主軸方向的數(shù)據(jù)投影到主軸的相關(guān)性,將協(xié)方差矩陣對(duì)角化。利用算法第3—5行對(duì)Cov(x,y,z)進(jìn)行特征向量Fv和特征值Variance的計(jì)算,將協(xié)方差用特征值組成的對(duì)角陣Λ和特征向量組成的矩陣P表示：

Cov(x,y,z)=PΛP-1

(3)

特征向量方向就代表3個(gè)主軸的方向,計(jì)算出無人機(jī)當(dāng)前自適應(yīng)采樣框的質(zhì)心Pcentroid：

(4)

利用計(jì)算出來的質(zhì)心Pcentroid和無人機(jī)的位姿得到在質(zhì)心處的偏移量δoffset和標(biāo)準(zhǔn)差δdeviation。由此得到對(duì)地下隧道自適應(yīng)的邊界采樣框。

2.2 重要性采樣

在地下隧道窄道飛行時(shí),采樣框的寬度一般大于窄道的寬度,如果此時(shí)采樣是均勻的,無人機(jī)在飛行過程中容易出現(xiàn)重采樣,在探索的多次迭代中,累計(jì)重采樣會(huì)降低無人機(jī)整體探索效率,增加飛行時(shí)間。為了解決這個(gè)問題,利用重要性采樣提高前后時(shí)刻采樣邊界框非重疊區(qū)域的采樣率,盡可能引導(dǎo)無人機(jī)朝著未知區(qū)域探索,提高探索速率。

重要性采樣如圖3所示,為了限制在前后時(shí)刻采樣邊界框的重疊區(qū)域內(nèi)重復(fù)采樣率,實(shí)現(xiàn)增量前沿檢測(cè),根據(jù)上一時(shí)刻的采樣窗口8個(gè)角的坐標(biāo)和下一時(shí)刻采樣窗口8個(gè)角的坐標(biāo),分別得到重復(fù)采樣區(qū)域體積Sol、上一時(shí)刻采樣框體積Ssam1、下一時(shí)刻采樣框體積Ssam2,進(jìn)而得到重疊區(qū)域的采樣點(diǎn)數(shù)nol。設(shè)ntotal1為上一時(shí)刻采樣框內(nèi)的總采樣點(diǎn)數(shù),ntotal2為下一時(shí)刻采樣框內(nèi)的總采樣點(diǎn)數(shù),令前后時(shí)刻采樣率η相同,從而降低重疊區(qū)域的重采樣率ηre。

圖3 重要性采樣

(5)

一般來說,Ssam1和Ssam2是不一樣的,因此ntotal1和ntotal2也是不一樣的,為了使重復(fù)區(qū)域的采樣率與前后時(shí)刻采樣框的采樣率相同,只有減少重復(fù)區(qū)域新增采樣點(diǎn)個(gè)數(shù),增加新增區(qū)域采樣點(diǎn)數(shù),降低重采樣,引導(dǎo)無人機(jī)朝新增區(qū)域飛行。

2.3 未知環(huán)境探索

自適應(yīng)采樣框?yàn)槲粗h(huán)境提供了局部視野,是整個(gè)探索框架的前端與基礎(chǔ)。將整個(gè)未知環(huán)境地圖體素分為3種狀態(tài)：占用、空閑、未知。在探索過程中,未知體素逐漸被傳感器感知,未知體素逐漸被空閑體素和占用體素替代,若探索空間不存在位置體素,代表探索過程結(jié)束,即環(huán)境建圖完成。在這個(gè)過程中,并不是每次都能順利地將預(yù)想的未知環(huán)境探索完成,總是會(huì)出現(xiàn)因采樣點(diǎn)不合理造成無人機(jī)來回折返,甚至無法探索直接回到起點(diǎn)的情況,但可以利用增益調(diào)節(jié)系數(shù)解決這個(gè)問題。

在每次迭代中,路徑增益是路徑上途徑的每個(gè)節(jié)點(diǎn)增益之和,表示為沿路徑上覆蓋的體積之和：

(6)

式中：L(nk,nk-1)表示當(dāng)前點(diǎn)到前沿邊界點(diǎn)的歐氏距離;λ表示正常數(shù),衡量了無人機(jī)運(yùn)動(dòng)距離成本的重要性,λ→0時(shí),邊界點(diǎn)選擇不受距離影響,λ→∞意味著運(yùn)動(dòng)代價(jià)太大,λ的值通過實(shí)驗(yàn)確定。

在每次迭代中,目標(biāo)是找到讓信息增益最大的路徑μbp：

(7)

為了避免在地下隧道等狹窄環(huán)境中無人機(jī)頻繁轉(zhuǎn)向,將路徑邊界點(diǎn)集合中的偏航角考慮到信息增益中：

(8)

式中：n為路徑上的路徑點(diǎn)總數(shù),對(duì)于n=1的情況,使用UAV當(dāng)前方向。

在局部規(guī)劃中考慮無人機(jī)當(dāng)前運(yùn)動(dòng)方向和邊界點(diǎn)的距離。計(jì)算節(jié)點(diǎn)的累計(jì)增益為：

G=e-(γφk+κD)I(nk)

(9)

式中：D為前沿點(diǎn)到當(dāng)前點(diǎn)累計(jì)根節(jié)點(diǎn)的距離,好處在于解決隔著障礙墻的近處點(diǎn)與不隔障礙墻的遠(yuǎn)處點(diǎn)的選擇問題;γ和κ代表方向和距離的影響程度,γ>0,松弛因子κ的大小取決于所選節(jié)點(diǎn)在重疊區(qū)域內(nèi)還是重疊區(qū)域外,待選節(jié)點(diǎn)處于重疊區(qū)域外,κ取大于0的常數(shù),在重疊區(qū)域內(nèi)時(shí),κ與Dn成正比,Dn為待選節(jié)點(diǎn)到當(dāng)前節(jié)點(diǎn)的歐氏距離。

2.4 復(fù)雜度分析

為了進(jìn)一步理解所提算法的計(jì)算復(fù)雜度,對(duì)邊界框進(jìn)行了詳細(xì)分析,總的來說,自適應(yīng)邊界框的計(jì)算復(fù)雜度主要來源于3個(gè)方面,即①邊界點(diǎn)的選擇及自適應(yīng)邊界框的形成,②體素增益的計(jì)算,③形成當(dāng)前點(diǎn)到最佳邊界點(diǎn)的路徑。這3步最重要的就是前沿邊界點(diǎn)的形成。

Ttotal=Tsample+Tgain+Tpath

(10)

在GBPlanner的基礎(chǔ)上,采用八叉樹(Octomap)地圖作為地圖框架進(jìn)行建圖,利用自適應(yīng)滑動(dòng)窗口進(jìn)行樣本采樣,在自適應(yīng)滑動(dòng)窗口區(qū)域總采樣點(diǎn)數(shù)為Κ個(gè)點(diǎn),成功采樣了N個(gè)點(diǎn),假設(shè)在滑動(dòng)窗口成功采樣的平均次數(shù)為p,嘗試的總次數(shù)為p*N,故采樣的時(shí)間復(fù)雜度為：

Tsample=Trand(p*K)+Tnearest(p*K)+

Tstear(p*K)+Tcheckobstacle(p*K)+Tnew(p*N)

(11)

式中：Tsample表示RRG樹生長(zhǎng)的采樣總復(fù)雜度時(shí)間;Trand、Tnearest、Tstear、Tcheckobstacle、Tnew表示RRG單個(gè)樹枝生長(zhǎng)過程;N為采樣成功的點(diǎn),點(diǎn)的時(shí)間復(fù)雜度為O。Trand、Tstear、Tcheckobstacle需要執(zhí)行p*K次,故計(jì)算復(fù)雜度分別為O(p*K)。Tnew只需要執(zhí)行p*N次,其余K-N次采樣在執(zhí)行Tcheckobstacle時(shí),不能加入到RRG樹中而被丟棄,它的計(jì)算復(fù)雜度為O(p*N)。Tnearest、Tnew涉及K-D樹的搜索與添加,Tnew的計(jì)算復(fù)雜度為O(N*log2N),在D維K-D樹搜索和添加過程的復(fù)雜度為O(K1-1/D)和O(KlogK),當(dāng)D=3,Tnearest的復(fù)雜度為O((p*K)2/3),Tnew的復(fù)雜度為O(NlogN)。此外,假設(shè)采樣點(diǎn)數(shù)的多少不影響激光雷達(dá)處理數(shù)據(jù)的時(shí)間,對(duì)于前沿邊界點(diǎn)增益的計(jì)算和路徑形成的復(fù)雜度分析,同GBPlanner的一樣。激光雷達(dá)處理數(shù)據(jù)的時(shí)間可忽略。因此,總體的采樣復(fù)雜度為：

O(p*K)+O((p*K)2/3)+O(p*K)+

O(p*K)+O(N*logN)≈3p*O(K)+

p2/3*O(K2/3)+O(N*logN)

(12)

根據(jù)上述分析,在GBPlanner采用固定尺寸的采樣框,每次采樣的點(diǎn)數(shù)N大于本文方法中的P值,越狹窄的隧道體現(xiàn)的越明顯。本文方法在探索地下隧道環(huán)境時(shí)大大提高了采樣時(shí)間,減少了迭代次數(shù)。環(huán)境越空曠,本文算法越等效于GBPlanner,對(duì)于計(jì)算復(fù)雜度,ADPlanner省去了重疊區(qū)域的采樣點(diǎn)計(jì)算。

3 實(shí)驗(yàn)

3.1 系統(tǒng)框架

使用自主探索開發(fā)環(huán)境,無人機(jī)飛行參數(shù)與GBPlanner的默認(rèn)設(shè)置一致,該算法的運(yùn)行環(huán)境是基于2.5 GHz的i7-11700,運(yùn)行系統(tǒng)為Ubuntu 20.04,ROS noetic。

為驗(yàn)證本文算法的有效性,將算法應(yīng)用于模擬地下不規(guī)則礦洞以及規(guī)則長(zhǎng)廊中。UAV飛行參數(shù)如表1所示,將本文算法與GBPlanner進(jìn)行對(duì)比,利用探索覆蓋率Cov、整個(gè)探索過程中無人機(jī)飛行的路徑長(zhǎng)度L、每個(gè)滑動(dòng)窗口的平均采樣時(shí)間Tsample及探索完未知環(huán)境全程算法迭代運(yùn)行時(shí)間T4個(gè)方面評(píng)估該算法的有效性與快速性。

表1 無人機(jī)飛行參數(shù)

探索覆蓋率表示為：

Cov=Vocc/V

(13)

式中：Vocc表示占用體素個(gè)數(shù);V表示待探索環(huán)境的總體積。

3.2 地下隧道校驗(yàn)

為了驗(yàn)證提出的ADPlanner的有效性和合理性,將該算法應(yīng)用于地下隧道不規(guī)則環(huán)境中,探索效果如圖4所示。圖4(a)為待探索的環(huán)境,圖4(b)為探索完成時(shí)UAV的建圖效果,在圖4(c)和圖4(d)中,使用GBPlanner出現(xiàn)局部最小值,導(dǎo)致UAV重復(fù)探索,降低探索速度。分別用航跡長(zhǎng)度L、采樣時(shí)間Tsample、算法覆蓋率、算法總迭代時(shí)間T衡量ADPlanner的快速性和魯棒性,結(jié)果如圖5所示,GBPlanner和ADPlanner都能將環(huán)境探索完成。ADPlanner出現(xiàn)重復(fù)探索的幾率小,且探索時(shí)間縮短。

圖4 地下隧道建圖

圖5 地下隧道環(huán)境探索指標(biāo)曲線

如圖6所示,相較GBPlanner,在探索總體性能上,ADPlanner探索路徑總長(zhǎng)度L縮短18.86%,采樣時(shí)間Tsample(自適應(yīng)采樣框形成時(shí)間與采樣點(diǎn)形成時(shí)間之和)減少20.2%,完成環(huán)境探索任務(wù)的總時(shí)間T提升了38.38%,極大提高了無人機(jī)探索未知環(huán)境的效率。

3.3 長(zhǎng)廊環(huán)境校驗(yàn)

為了驗(yàn)證提出的ADPlanner的有效性和合理性,將該算法應(yīng)用于長(zhǎng)廊環(huán)境中,探索效果如圖7所示,圖7(a)為待探索的環(huán)境,圖7(b)為探索完成時(shí)UAV的建圖效果,在圖7(c)—(f)中,使用GBPplanner探索出現(xiàn)探索變慢、重復(fù)探索等問題,從而降低探索速度。

在長(zhǎng)廊環(huán)境中,如圖8(b)所示,GBPlanner和ADPlanner都能將環(huán)境探索完成,但從圖8(a)和圖8(c)看出,ADPlanner的航跡長(zhǎng)度、采樣時(shí)間明顯小于GBPlanner,從而提高整體探索效率,縮短探索時(shí)間。

圖8 長(zhǎng)廊環(huán)境探索指標(biāo)曲線

在探索總體性能上,如圖9所示,ADPlanner探索路徑總長(zhǎng)度L縮短11.24%,采樣時(shí)間Tsample(自適應(yīng)采樣框形成時(shí)間與采樣點(diǎn)形成時(shí)間之和)減少38.33%,完成環(huán)境探索任務(wù)的總時(shí)間T減少27.38%。

圖9 長(zhǎng)廊環(huán)境環(huán)境算法性能

4 結(jié)論

針對(duì)地下隧道和長(zhǎng)廊等狹長(zhǎng)多變的復(fù)雜未知環(huán)境,提出自適應(yīng)采樣的快速邊界檢測(cè)方法。通過自適應(yīng)滑動(dòng)采樣窗口提高采樣的成功率,選擇性地在非重疊區(qū)域采樣,解決重疊區(qū)域的重采樣問題。利用距離和偏航角評(píng)價(jià)邊界點(diǎn),在此基礎(chǔ)上,通過松弛系數(shù)引導(dǎo)無人機(jī)向未知環(huán)境探索。在2個(gè)模擬場(chǎng)景中驗(yàn)證了自適應(yīng)采樣的快速性與適應(yīng)性。實(shí)驗(yàn)結(jié)果表明,與GBPlanner相比,自適應(yīng)邊界檢測(cè)的邊界采樣時(shí)間分別縮短了20.2%～38.33%,路徑長(zhǎng)度縮短了11.24%～18.86%,算法迭代運(yùn)行時(shí)間縮短了27.38%～38.38%。