核心内容摘要
OFA-VQA开源镜像教程：tensorboardX日志集成与调试技巧
深度解读 FASTEX大场景无人机自主探索的“极速”之道论文题目FASTEX: Fast UAV Exploration in Large-Scale Environments Using Dynamically Expanding Grids and Coverage Paths会议来源IROS 2025 (Hangzhou, China)核心关键词自主探索、覆盖路径规划、动态网格、增量式规划、ATSP/SOP在大规模复杂环境如茂密森林、地下洞穴中进行自主探索一直是移动机器人领域的“硬骨头”。
现有的顶尖算法如 FUEL, TARE, RACER往往面临着两难抉择要么为了算得快而牺牲全局覆盖率要么为了追求完美路径而导致计算量爆炸。
2025年 IROS 的这篇FASTEX论文提出了一套全新的解决方案通过高效的环境预处理和层次化的增量规划框架实现了探索效率与计算速度的双重突破。
本文将从原理层面带你详细拆解它的三大核心模块。
核心痛点与解决思路在传统的探索框架中随着地图的扩大系统需要处理的数据量呈指数级增长。
主要瓶颈在于地图维护重仅更新传感器截断距离内的地图浪费了远处的感知信息 。
路径搜索慢在大尺度栅格地图上进行 A* 搜索极其耗时 。
重复路径多贪婪策略容易导致机器人频繁“折返跑FASTEX 的破局之道预处理层用动态扩展网格 (DEGrids)替代传统固定边界并构建稀疏路线图 (Sparse Roadmap)加速搜索。
决策层将全局规划建模为ATSP (非对称旅行商问题)并采用增量式 (Incremental)更新策略将局部规划建模为SOP (顺序排序问题)以保证执行连贯性 。
这是真实森林里的探索结果。
注意那条红色的轨迹它非常平滑且覆盖了整个区域没有像无头苍蝇一样乱撞 。
这是系统的“大脑结构图”。
左边是环境预处理 (Preprocessing)负责把复杂的点云简化成网格和路线图 。
右边是分层规划 (Hierarchical Planning)先由 Global Planner 定大方向再由 Local Planner 走好脚下的路 。
高效环境预处理 (Efficient Environment Preprocessing)这一模块是整个系统“快”的基础。
动态扩展网格 (DEGrids)传统方法通常会截断 LiDAR 数据例如只保留 15m 内的点。
FASTEX 认为远处的数据虽然稀疏但足以判断区域的连通性。
机制网格不是预先分配的而是根据点云实时生成的。
状态机每个网格维护三种状态 Unexplored (未探索)刚初始化的网格。
Exploring (探索中)网格内检测到了新的边界点 (Frontiers)。
Explored (已探索)网格内的边界点已被清空。
这种设计让系统能快速锁定“哪里还有未知区域”而无需遍历整个地图。
无人机 (UAV) 在中间 。
蓝色格子 (Existing Grids)是已经建立的已知区域 。
红色格子 (New Grids)这是亮点无人机探测到了传感器截断距离以外的点系统没有丢弃它们而是立刻生成了红色的新网格 。
意义这让无人机有了“超视距”的感知能力知道远处哪里可能通不用飞到了再算。
增量式稀疏路线图 (Incremental Roadmap)为了避免在稠密的体素地图上跑 A*系统构建了一个稀疏图节点来源固定节点在 DEGrids 生成时按固定分辨率采样 。
随机节点在传感器更新范围内随机撒点增强连通性 。
动态激活只有处于“Exploring”状态网格内的节点才是活跃 (Active)的。
一旦网格变为“Explored”其内部节点自动休眠 (Inactive)不再参与路径搜索。
这使得搜索图的规模始终维持在一个较小水平不随环境变大而膨胀 。
图解蓝色点 (Fixed Nodes)每个格子里固定生成的“公交站点” 。
橙色点 (Random Nodes)在空旷区域随机撒的“临时停靠点”增加连通性 。
实线 (Active Edge)当前正在探索区域的路是通的 。
虚线 (Inactive Edge)后面灰色的区域Explored Grid已经探索完了路网自动休眠不再参与计算 。
意义用完即弃。
只维护无人机附近的活跃路网计算量不再随地图变大而爆炸。
层次化探索规划 (Hierarchical Exploration Planning)这是论文的算法核心分为全局和局部两层。
全局覆盖路径规划 (Global Coverage Path Planning)目标规划一条能遍历所有可达未知区域 (Reachble Unknown Regions, RUR)的最短时间路径。
A. 物理感知的时间代价模型不同于简单的欧几里得距离FASTEX 考虑了无人机的加减速动力学。
两点间的转移时间被计算为 这个公式确保了规划器倾向于选择顺畅的直线路径而不是需要频繁急停急转的路径。
B. 增量式规划策略 (Incremental Planning) [核心创新]为了解决大场景下 TSP 求解慢的问题FASTEX 提出了一种“近细远粗”的策略 图 (c)新的规划结果 (The Result)局部范围 () 内保留所有独立节点进行精细规划。
局部范围 () 外利用上一帧的规划结果将连续的远端节点打包成线段 (Segments)。
数学建模在构建 ATSP 代价矩阵时线段内部的连接代价被设为负无穷强制求解器必须按顺序访问线段从而将 N 个节点的排序问题降维成少量线段的排序问题 。
这张图解释了系统是如何在毫秒级的时间内更新一条横跨整个大地图的规划路径的。
它的核心逻辑可以概括为“近处精细算远处打包算”。
我们按 (a) - (b) - (c) 的顺序来拆解这个过程图 (a)上一秒的记忆 (The Past)状态这是无人机在上一时刻规划好的全局路径。
紫红色的折线 (Last Global path)连接了所有当时已知的“未知区域中心点”灰点。
问题随着无人机中间的X向前飞它发现了新的环境信息比如前面的橙色/绿色格子而且原来的路径可能已经不再是最优的了必须重算。
图 (b)聪明的分类与压缩 (The Process)这是算法发挥“魔法”的时刻。
系统没有把所有点扔进池子里重算而是进行了分类划定“精算区” (Local Range)看到那个粗的蓝色虚线框了吗这是以无人机为中心的局部范围Local Range,。
在这个框以内的点带有粉色光圈的点被认为是“当务之急”保留为独立节点参与全量计算。
远处“打包” (Segmentation)在蓝色框以外的路径被认为是“以后再去的地方”。
注意上方和右侧的深蓝色虚线椭圆 (Segments)。
算法把这些远处的连续节点直接打包成了线段 。
省流原理算法不再关心椭圆内部这几个点怎么走因为上一秒已经算过了只关心从哪里进粉圈 Entry、从哪里出蓝圈 Exit。
这把几十个点的计算量瞬间压缩成了2个点。
吸纳新目标 (New Discovery)注意左下角和右上角的红框 (New Grid)和红点 (New unknown region)。
这是无人机刚刚探测到的新未知区域。
它们被直接加入到了当前的规划池中 。
粉红色的实线 (New Global path)这是求解 ATSP 后生成的新路径。
路径逻辑无人机先处理了近处新发现的红点左下角。
然后顺路去看了近处原本遗留的灰点。
最后才飞向远处的“打包线段”右上角。
关键点注意右上角那个红点新发现的远方目标它被插入到了路径的末端。
算法非常智能地把新任务插入到了全局最优的位置而没有打乱远处线段内部的顺序。
局部 SOP 规划 (Local SOP Planning)目标在全局路径的引导下优化局部视点 (Viewpoints) 的访问顺序生成平滑轨迹。
问题建模这是一个顺序排序问题 (SOP)。
图 (b)规划后的结果 (SOP Result)右图展示了计算出的最终飞行路径绿色实线广义节点将全局路径中剩余的部分看作一个“超级节点”。
约束矩阵矩阵下三角的是硬约束意味着必须先完成当前行的任务才能执行下一行的任务。
这保证了机器人不会为了贪图远处的一个点而打乱整体的覆盖节奏。
简单来说这张图回答了这样一个问题“当全局导航告诉我‘往东走’但我发现身边有一堆零散的角落没看时我该先看哪个再怎么顺路接上大方向”以下是分步拆解图 (a)规划前的状态与输入左图展示了机器人无人机在做局部决策时面临的信息当前位置 (X)图中间那个黑色的X代表无人机的位置。
眼前的任务 (Viewpoints)无人机附近有一些黄色的方块Frontiers未探索边界。
为了看清这些边界算法生成了几个小圆点Viewpoints视点即图中央那一簇橙色/绿色的小点。
这是无人机必须要去的地方 。
远方的指引 (Global Path)粉红色的折线是全局规划器算出来的路径。
它连接了所有灰色的点未知区域中心。
这条线的意义是告诉无人机“大方向是沿着粉线往右上方探索”。
分段策略 (Segmentation)——关键细节请注意那些蓝色的虚线椭圆 (Segments)。
算法把远处的那些灰色点打包成了“线段Segment”。
粉色虚线圈是“入口点 (Entry node)”蓝色虚线圈是“出口点 (Exit node)” 。
意义对于远处的路局部规划器不需要关心具体怎么走只需要知道“从哪进、从哪出”就行这样简化了计算。
先清理局部 (Local Exploration)绿线从X出发并没有直接飞向远方而是先灵巧地串联了附近那几个视点Viewpoints。
这保证了无人机能把身边的死角先扫干净避免以后还要折返 。
顺势切入全局 (Align with Global)扫完局部视点后绿线非常顺滑地连接到了最近的一个独立节点 (Independent node)绿色虚线圈里的灰点。
随后它沿着全局路径粉线的方向指向了远处蓝色椭圆的“入口”。
顺序约束 (Constraints)注意绿线是严格顺着粉线的流向走的。
SOP 算法在数学上强制了这种顺序通过将逆向代价设为 -1防止无人机因为贪图距离近跳过中间的步骤直接飞到远处的出口 。
实验数据与效果研究团队在模拟器 (MARSIM) 和真实环境森林、花园中进行了广泛测试对比了 FUEL, RACER, GBP, TARE 等主流算法。
效率对比 (Efficiency)在森林、走廊和洞穴三个场景中FASTEX 的探索时间最少相比其他算法提升了25% ~ 30%。
森林场景比 RACER 快
2
4%。
走廊场景比 TARE 快
2
8%。
计算开销 (Computational Cost)这是最惊人的数据。
得益于稀疏路线图和增量规划FASTEX 的单次规划耗时极低平均规划耗时仅需
04s ~
09s。
相比之下GBP 和 TARE 在复杂场景下往往需要数秒甚至更长。
实机验证在配备 Intel NUC (i
和 Livox Mid-360 LiDAR 的四旋翼无人机上FASTEX 成功在 608秒内完成了的森林探索轨迹平滑且几乎没有冗余的重复访问 。
五、
总结与启示FASTEX 的成功给所有从事移动机器人探索包括水下机器人的研究者提供了两个重要的设计思路不要浪费远处的信息即使传感器精度在远处下降用它来构建粗略的连通性图 (Connectivity Graph) 也能大幅提升规划的全局视野。
增量式思维在动态环境中完全重算往往是没必要的。
“局部精细更新 全局拓扑维护”是解决大规模问题的金钥匙。
对于水下扫测应用FASTEX 的Segment思想尤为可贵——可以将长距离的声纳扫测条带视为一个 Segment只在转弯换线局部时进行精细的动力学规划这将极大节省板端计算资源。