基于兴趣点（POI）的启发式地图构建方法用于无人机运动规划，并结合有界距离更新机制 李勇（Yong Li） 王立辉（Lihui Wang） 徐学勇（Xueyong Xu） 黄仁志（Renzhi Huang） 徐宇航（Yuhang Xu）

《Drones》：POI-Guided Heuristic Mapping for UAV Motion Planning with Bounded Distance Updates Yong Li, Lihui Wang, Xueyong Xu, Renzhi Huang and Yuhang Xu

　　

摘要

安全导向的无人机运动规划依赖于障碍物距离场及其梯度，然而机载映射通常仅限于有限的局部距离更新。因此，由于缺失梯度，优化过程可能在更新范围之外停滞；而大幅扩大更新范围则会显著增加计算成本。我们的关键发现是，运动规划的局部性意味着只有少数障碍物对局部轨迹的细化起决定性作用。我们将这些障碍物称为兴趣点（POIs）。基于这一观察，我们开发了一个具有POI驱动反馈机制的局部感知顺序运动规划框架，该机制在搜索和优化过程中持续识别并增加与轨迹相关的障碍物。该机制紧密耦合了映射、搜索和优化过程，无需全局距离更新即可实现安全轨迹的细化。该框架采用了一种启发式映射策略，结合了长期占用网格、有限增量距离更新以及基于POI的短期k-d树，从而能够在更新范围之外高效地进行最近邻查询和梯度估算。搜索过程在长期地图中生成一个动态可行的初始轨迹，并在此过程中收集兴趣点，这些兴趣点随后用于构建短期轨迹。通过迭代优化循环进一步细化轨迹，新发现的最近障碍物会被纳入兴趣点集合中，并更新短期地图直至收敛。安全性通过针对扩展后的长期占用地图进行保守的碰撞检测来确保。在建筑和森林环境中的仿真表明，在稀疏场景中99.7%的尝试在两次优化后即可收敛，且没有一次超过四次优化。与FastPlanner和EgoPlanner相比，所提出的方法能够实现更大的障碍物避让距离。机载实验进一步验证了该方法在真实感知和计算约束条件下的实用性。