EPIC: A Lightweight LiDAR-Based UAV Exploration Framework for Large-Scale Scenarios

要約

自律探査は、無人航空機（UAV）のさまざまな用途の根本的な問題です。
最近、LIDARベースの探査は、大規模環境の高精度ポイントクラウドマップを生成する能力により、大きな注目を集めています。
ポイントクラウドはナビゲーションにとって本質的に有益ですが、多くの既存の探査方法は、さらに多くの場合、多くの場合、環境表現に依存しています。
この信頼は、主にコストのかかる衝突チェックのために、フロンティアの検出または情報ゲイン計算の必要性と、メモリ集約的な占有グリッドマップとポイントクラウドでの直接のパス計画の高い計算複雑さに依存する2つの主な理由に由来しています。
これらの制限に対処するために、ポイントクラウドデータを直接悪用して大規模な環境を探索する軽量のLIDARベースのUAV探査フレームワークであるEpicを提示します。
Epicは、ポイントクラウドの品質から直接導出された新しい観測マップを導入し、包括的な探査機能を維持しながら、グローバル占有グリッドマップの必要性を排除します。
また、ポイントクラウドで直接動作する増分トポロジグラフ構造方法も提案し、大規模な環境でのリアルタイムパス計画を可能にします。
これらのコンポーネントを活用すると、アジャイルおよびエネルギー効率の高い軌跡を生成する階層計画フレームワークを構築し、ほとんどの既存の方法と比較してメモリ消費と計算時間を大幅に削減します。
広範なシミュレーションと現実世界の実験は、叙事詩がより速い探索を達成し、最先端の方法と比較してメモリ消費を大幅に削減することを示しています。

要約(オリジナル)

Autonomous exploration is a fundamental problem for various applications of unmanned aerial vehicles (UAVs). Recently, LiDAR-based exploration has gained significant attention due to its ability to generate high-precision point cloud maps of large-scale environments. While the point clouds are inherently informative for navigation, many existing exploration methods still rely on additional, often expensive, environmental representations. This reliance stems from two main reasons: the need for frontier detection or information gain computation, which typically depends on memory-intensive occupancy grid maps, and the high computational complexity of path planning directly on point clouds, primarily due to costly collision checking. To address these limitations, we present EPIC, a lightweight LiDAR-based UAV exploration framework that directly exploits point cloud data to explore large-scale environments. EPIC introduces a novel observation map derived directly from the quality of point clouds, eliminating the need for global occupancy grid maps while preserving comprehensive exploration capabilities. We also propose an incremental topological graph construction method operating directly on point clouds, enabling real-time path planning in large-scale environments. Leveraging these components, we build a hierarchical planning framework that generates agile and energy-efficient trajectories, achieving significantly reduced memory consumption and computation time compared to most existing methods. Extensive simulations and real-world experiments demonstrate that EPIC achieves faster exploration while significantly reducing memory consumption compared to state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google