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) のさまざまな用途にとって根本的な問題です。
最近、LiDAR ベースの探査は、大規模環境の高精度点群マップを生成できるため、大きな注目を集めています。
点群は本質的にナビゲーションに有益な情報を提供しますが、多くの既存の探査方法は依然として追加の、多くの場合高価な環境表現に依存しています。
この依存は、主に 2 つの理由から生じます。1 つは、通常、メモリを大量に消費する占有グリッド マップに依存するフロンティア検出または情報ゲイン計算の必要性、もう 1 つは、主にコストのかかる衝突チェックによる、点群に直接依存するパス プランニングの計算の複雑さです。
これらの制限に対処するために、点群データを直接活用して大規模環境を探索する軽量の LiDAR ベースの UAV 探索フレームワークである EPIC を紹介します。
EPIC は、点群の品質から直接得られる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、全球占有グリッド マップの必要性を排除します。
また、点群上で直接動作する増分トポロジカル グラフ構築手法を提案し、大規模環境でのリアルタイム パス プランニングを可能にします。
これらのコンポーネントを活用して、アジャイルでエネルギー効率の高い軌道を生成する階層型計画フレームワークを構築し、既存のほとんどの手法と比較してメモリ消費量と計算時間の大幅な削減を実現します。
広範なシミュレーションと実際の実験により、EPIC は最先端の方法と比較してメモリ消費量を大幅に削減しながら、より高速な探索を実現できることが実証されています。

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