← 返回论文列表

部分已知环境下异构机器人团队的侦察辅助规划
Scout-Assisted Planning for Heterogeneous Robot Teams under Partially Known Environments

作者: Hoang-Dung Bui, Abhish Khanal, Raihan Islam Arnob 等4人
arXiv: 2605.22693v1
分类: cs.RO, cs.AI
📝 论文摘要
在部分已知环境中，自主机器人团队导航时，当地面机器人遇到仅在物理通行后才显现的阻塞道路，会面临代价高昂的倒退问题。针对这一挑战，本文提出了侦察辅助规划（Scout-Assisted Planning, SAP）——一种异构规划框架，其中侦察无人机主动收集环境信息，以改善无人地面车辆的导航性能。为使侦察聚焦于最关键的路段，我们提出了基于信息增益的动作剪枝方法（Information Gain-based Action Pruning），该方法根据候选侦察动作对地面机器人行为的预期影响进行评分。由于精确计算信息增益剪枝的计算代价极高，我们开发了基于图神经网络的模型，可直接从图结构和信念状态预测信息增益值，从而在不牺牲解质量的前提下将规划时间降至实时水平。在三种环境类型上的实验表明，采用信息增益动作剪枝的SAP相比加拿大旅行者问题基线降低了31.9%-37.7%的地面机器人行进成本，并比基于邻近度的侦察引导方法额外提升8%-14%的性能，证实了有原则的信息增益引导侦察在实际部署中既更有效，又在计算上可行。

📊 核心分析

🎯 研究动机
- 异构机器人团队在部分已知环境中导航时，地面机器人遇到未知阻塞道路会导致昂贵的回溯成本 - 现有方法缺乏主动利用无人机侦察来提前获取环境信息以减少地面机器人重复路径的机制 - 研究背景：自主机器人团队在搜索救援、勘探等任务中需要在不确定环境下高效协作
🔧 核心方法
- 提出**侦察辅助规划(Scout-Assisted Planning, SAP)** 框架，无人机主动侦察以指导地面机器人路径 - 提出**基于信息增益的动作剪枝(Information Gain-based Action Pruning)**，按候选侦察动作对地面机器人行为的预期影响进行评分 - 开发**基于图神经网络(GNN)的预测模型**，直接从图结构和信念状态预测信息增益值，实现实时规划
💡 核心创新
- **主动信息获取**：首次将信息增益理论系统应用于异构机器人侦察任务规划，而非被动或基于距离的侦察 - **计算可行性突破**：用GNN近似替代昂贵的信息增益精确计算，将规划时间降至实时水平且不降低解质量 - **性能显著提升**：相比标准**Canadian Traveler Problem基线** 降低地面机器人行进成本31.9-37.7%，比简单的接近度侦察指导额外提升8-14%
🏆 总体贡献
- 为部分已知环境下的异构机器人协作导航提供了一种**高效且实用的侦察规划范式** - 提出的GNN预测模型使信息增益驱动的侦察方法从理论走向实际部署 - 在多种环境类型上的实验验证了方法的鲁棒性和显著优势，为后续研究提供基准