复杂多粮堆环境下的空地协同自主探索与建图方法

《Sensors》：Air–Ground Collaborative Autonomous Exploration and Mapping Method for Complex Multi-Grain Pile Environments Lan Wu, Menghao Chen and Xuhui Liang

　　

粮仓储量的即时3D建图对于有效管理至关重要。然而，标准建图算法面临诸多挑战，典型的粮仓环境含有粉尘、粮堆和狭窄通道。单个机器人智能体无法提供完整的区域覆盖，而大多数多机器人方法由于缺乏基于视点的显式任务分配过程，往往重复扫描相同区域。为了克服上述问题，研究人员提出了一种面向复杂多粮堆场景的空地协同探索系统。通过射线追踪估算视点优势，并将粮堆顶部任务分配给空中机器人，将较低区域和狭窄通道分配给地面车辆，可减少探索冗余。为了处理密集粉尘（5–15 mg/m³），质量感知融合策略评估传感距离和点密度的可靠性，以降低退化空中深度数据的影响。此外，建图依赖LiDAR数据以确保建图质量。随后提出了一种重扫描机制，以实现对未充分探索区域的覆盖驱动利用。仿真结果表明，该设计实现了97.2%的粮堆覆盖率，总探索时间相比单机器人基线减少了20.1%。结果表明，视点感知任务分配和粉尘敏感感知融合可以为GPS受限、粉尘丰富的工业环境（如粮仓设施）中的自主巡检提供实用解决方案。

**论文解读文章**

**研究背景与问题**
随着国家粮食安全政策的持续推进，粮仓设施逐步配备智能管理系统，其中自主机器人被部署用于平粮、熏蒸、异常检测等下游任务。高保真3D表面重建对于可靠的粮仓储量估算和快速盘点至关重要。然而，标准建图算法在典型粮仓环境中面临严峻挑战：粉尘浓度可达5–15 mg/m³，粮堆高度不均匀（1.37–3.44 m），且存在狭窄通道（0.6–1.2 m）。单一机器人平台存在感知盲区——空中平台因视野受限在低区和窄道中效率低下，地面平台则因传感器安装高度限制无法覆盖粮堆顶部。现有大多数多机器人探索方法依赖距离或成本准则进行前沿区域分配，导致垂直遮挡空间中的跨平台冗余观测和低探索效率；此外，融合管道假设传感器性能稳定，在粉尘环境中会累积低质量深度测量，造成重建不完整和噪声。因此，针对复杂多粮堆环境的自主探索与高质量建图需求迫切。

**研究内容与结论**
研究人员提出了一种空地协同自主探索与建图方法，发表在《Sensors》。该方法通过显式量化视点互补性实现任务分配：空中机器人（UAV）负责覆盖粮堆顶部，地面机器人（UGV）负责低区和窄道；同时引入粉尘敏感多传感器融合策略，根据距离、入射角、局部点密度三个因子评估测量质量，动态降低不可靠深度数据的权重；并设计覆盖驱动的重扫描机制，对未充分探索区域进行闭环补充。通过MARSIM仿真平台在25堆、40堆和45堆三种粮仓场景下进行验证，与单UGV基线方法TARE和FAEL对比。结果表明，所提方法在40堆场景下实现97.2%的粮堆覆盖率，探索时间降低20.1%（至285 s），冗余探索率降至3.2%，高质量地图质量分达0.91，重扫描机制将地图完整性从76%提升至94.3%。初步实地传感器测试（粉尘浓度约15 mg/m³）验证了LiDAR的稳定性（RMSE<20 mm）和深度相机距离退化规律，支撑了粉尘敏感模型的设计。

**关键技术方法概述**
研究所用的主要技术方法包括：（1）基于视点互补性量化的协同任务分配，利用信息增益差异计算互补性指标i)>，并通过效用函数整合增益、互补性、旅行成本和重叠惩罚，实现“空中扫顶、地面扫底”的分配策略。（2）粉尘敏感多传感器融合，针对深度相机测量建立三因子质量模型d???_θ???_ρ>，根据距离（对深度相机采用指数衰减）、入射角（Lambert余弦律）和局部点密度加权，动态调整空中和地面数据融合权重。（3）覆盖驱动的重扫描机制，基于覆盖度、几何完整性和互补性利用率等多维指标监测地图质量，当质量低于阈值时生成优先虚拟前沿引导重扫描。

**研究结果**
**3.2 定性结果：轨迹对比**
通过单UGV基线（TARE）与所提方法在25堆、40堆和45堆场景中的轨迹对比，直观显示地面平台无法覆盖粮堆顶部，而协同系统激活UAV填补盲点，覆盖率分别提升至96.8%、97.2%和97.5%（相对提升11.0%、8.6%、13.6%）。

**3.3 定量分析：性能比较**
在40堆场景下，所提方法粮堆覆盖率为97.2%，优于TARE的89.5%（+8.6%）和FAEL的90.8%（+7.0%）。完成时间285 s，较TARE（425 s）快32.9%。重扫描触发约1.8次/次运行，带来8.5%时间开销，但覆盖提升显著。地图质量度量显示，质量评分在245 s超过90%，重扫描导致277.5 s和367.5 s处出现跳跃。

**3.4 探索效率与鲁棒性分析**
所提方法在达到标准覆盖基准（4×10⁴ m²）时用时最短（285 s），旅行距离减少12.2%（至625 m），且误差范围（σ_time）最小，显示良好鲁棒性。覆盖率演化曲线表明，基线在95%阈值前停滞，而所提方法持续上升并达标。

**3.5 可扩展性测试**
从25堆增加到45堆，所提方法覆盖率稳定在96.8–97.5%，完成时间仅增加69.4%；而TARE时间增加97.4%。互补性利用率从86.8%升至90.8%，证明复杂环境中空地互补价值更高。

**3.6 初步实地环境验证**
在真实粮仓（粉尘浓度约15 mg/m³）中对传感器进行静态测试，LiDAR在所有距离RMSE<20 mm，深度相机在3 m处RMSE为18.4 mm，5 m处升至46.7 mm，8 m处超过85 mm，验证了距离衰减因子d>的设计依据。粉尘反射产生的稀疏“鬼影”点云支持局部点密度因子ρ>的引入。

**讨论与结论**
讨论部分指出，效率提升源于视点互补性引导的前沿分配，有效抑制冗余探索（重复率从15.8%降至3.2%）并缩短行驶距离。鲁棒性得益于自适应效用函数、质量驱动重扫描和粉尘敏感融合模型。重扫描机制以8.5%时间开销换取显著质量提升，对于仓储盘点而言（误差低于3%可接受）具有高投资回报率。与果园喷洒等农业系统相比，粮仓环境非结构化且需动态交互，因此系统采用实时信息增益分配而非固定编队。与AAGE和CERBERUS等空地系统相比，所提方法在任务分配中明确使用视点互补性而非距离启发式，显式考虑粉尘导致的测量退化，并引入质量闭环完成机制。限制包括UAV续航有限、粉尘浓度校准范围（5–15 mg/m³），以及仿真与实际部署之间的通信/计算差距。未来工作将扩展至硬件仿真和实物实验，解决通信延迟、多机集群和动态避障。

**结论翻译**：通过这项研究，研究人员解决了自动化粮仓建图中覆盖不完整的关键问题，特别是单机器人系统在垂直分层、高粉尘环境中的不足。该系统通过量化空中与地面平台观测优势的数学价值，采用“顶部归UAV、底部归UGV”的策略，将重复探索率从基线标准降低79.7%。采用三因子质量模型（距离、角度、密度）降低不可靠深度数据的权重，在粉尘浓度15 mg/m³下保持几何保真度基本不变。最终的安全网利用多维度量进行闭环重扫描，自主将覆盖率从87%提升至97.2%。在MARSIM平台上的系统验证确认了框架的有效性。在40堆复杂场景中，系统实现了97.2%的覆盖率和86.8%的视点互补性利用率，探索时间减少20.1%（285 s）。可扩展性测试表明性能随环境复杂度增加保持稳定。最终，为智能粮仓管理任务（如储量估算、害虫检测）提供了一种可行且高精度的建图解决方案。除了农业，异质性感知分配和质量驱动主动感知的原则可能可迁移至灾后救援和地下探索，其中不同机器人能力可以协同。未来研究将扩展该框架以适应动态障碍物并扩展至多UAV/多UGV集群。