仿生智能与机器人2（2022）100035受限环境AntonKoval，Samuel Karlsson，George Nikolakopoulos机器人人工智能团队，计算机，电气和空间工程系，Lulestern University of Technology，Lulestern SE-97187，瑞典A R T I C L E I N F O保留字：SpotSubT基于地图的导航三维激光雷达自治包A B S T R A C T在这篇文章中，我们解决的任务，实验评估的自主地图为基础的导航波士顿动力现货四足机器人在密闭的环境中配备了开发的自主包，其中包括一个3D激光雷达，IMU，和车载计算机。为此，我们提出了一个集成的软件和硬件系统，被认为是机器人定位和风险感知路径规划，基于已知地图的使能者。系统设计本身是模块化的，并结合了自主导航所需的感知能力。Spot机器人首先利用Google制图师同步定位和地图（SLAM）包来构建环境的离线地图。在下一步骤期间，来自自主封装传感器的在线环境信息和离线地图被提供给机载计算机通过利用制图师提供的手段在已知地图上定位机器人。 最后，将占用信息提供给在线的基于网格的路径规划器，其生成风险感知路径。在走廊和SubT环境中对所提出的系统进行了广泛的实验评估。1. 介绍在GPS拒绝环境中的机器人导航已经获得了很多在过去的几年里，注意力。目前，机器人技术包括在勘探，检查和搜索和救援任务中的应用[1，2]。在这样的任务中，机器人通常面临着恶劣的，照明不良的，非结构化的环境，如图所示。1，在大多数情况下，对人类工人来说并不友好[3]。安全和成功的机器人导航的基本要求在这些环境中，同步定位和映射（SLAM）方法允许估计当前机器人的状态，来绘制周围环境的地图为了满足这一要求，多个机器人平台，如空中、轮式或腿式机器人，可以与嵌入式自主包一起使用，该嵌入式自主包通常包含用于基于视觉或基于激光雷达的SLAM方法的有效载荷[4]。 第一组方法具有良好的位置识别能力，然而，相反，它们在光照不足的条件下容易表现不佳。后一种方法基于激光雷达，并使用激光确定范围，这使得它们能够在照明不良的环境中工作。因此，在本研究中，作为导航的感知传感器，将被视为3D激光雷达。 通常，构建先前未知环境的地图通常被称为探索任务，其包括行星探索[1]，3D重建[5]，搜索和救援[6]等应用领域。∗ 通讯作者。电子邮件地址：antkov@ltu.se（A. Koval）。https://doi.org/10.1016/j.birob.2022.100035地图的准确性和完整性是成功完成这些应用所另一个因素是建立一个具有足够数量的功能的地图，这将允许重新使用它，用于第一次进入该区域的机器人的自主导航。这个任务通常被称为全局定位问题[7]，其中机器人试图根据其传感器数据估计其在已知地图上的状态。在现有的最先进的定位算法中，可以提到自适应蒙特卡罗定位（AMCL）[8]和Google制图师[9]，并且在最近的作品中，可以提到[10[15]中的作者使用静态地图进行定位，并不断更新另一张地图进行导航，以保持有效的先前定位/导航路点，并允许机器人执行更长行程的路径规划（考虑到地图的某些部分可能无法通行或新路径可能已经可用）。然而，在他们的工作中，路径规划方法没有提出，环境是充满特色的，相对于一个典型的受限环境是相对较小的。为了使自主系统在这样的挑战性探索场景中操作，有必要将机器人定位与路径规划器集成。在过去，已经以不同的方式接近了规划安全路径的一般任务，而作为示例，一种可能的方式是使用机器人的运动学模型[16接收日期：2021年11月16日;接收日期：2022年1月11日;接受日期：2022年1月13日2022年1月20日在线提供2667-3797/©2022作者。由Elsevier B.V.代表山东大学出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表仿生智能与机器人学期刊主页：www.elsevier.com/locate/birobA. Koval，S.Karlsson和G.尼古拉科普洛斯仿生智能与机器人2（2022）1000352++图1.一、 一个 隧道环境的 例 子 ， 其中进 行 了实验性的 自主地图飞行任务（瑞典吕勒诺布尔）。在规划路径时，应考虑它对于任何障碍物都是足够的边缘。为了生成具有足够安全边际的路径，可以向地图添加安全距离，而不是使用特定的机器人模型。在地图中实现安全距离的最简单方法可能是将障碍物膨胀，以便规划者认为障碍物比它们大，如[19]。使障碍物膨胀的二元方法可能导致不必要的阻塞，与空间存在时具有更大的边际相比，当没有替代方案时，靠近障碍物通常是可以接受的。因此，不是夸大障碍，而是可以创建风险图[20，21]，在这种情况下，挑战是创建相关的风险层对于风险地图，仍然需要具有路径规划器，并且为此，作为示例，可以利用快速探索随机树[22]或随机风格规划器[23在这篇文章中，特别选择了Dlite[26]扩展的路径规划器，称为D [27]，因为它包含了用于避障和未知区域处理的风险层因此，在这篇文章中，主要贡献是：（a）自主包的设计，该包包含3D激光雷达和用于Spot（图2）机器人的IMU，并且可以用于其自主导航;（b）为四足机器人引入风险感知路径规划框架，该框架使用风险感知路径规划器D [27]和来自Google Cartographer的占用地图[28]，这也用于解决全局定位任务;（c）为飞行任务控制开发的图形用户界面，以及（d）在类似于受限空间和SubT环境的走廊中对所提出的用于Spot自主基于地图的导航的总体系统架构进行实验评估。文章的其余部分结构如下。第2节描述了整个系统的架构，而第3节介绍了风险意识的路径规划框架的四足机器人自主导航。最后，第4节通过实验评估提供了所提出的方案的有效性的结果2. 系统架构本节将介绍四足机器人和相关的传感器嵌入在自治包，需要整体自主操作。该自治包包括一个3D激光雷达Velodyne Puck Lite，一个IMUVectornav VN-100，在前甲板上，一个板载英特尔NUC计算机，和电池供电的所有电子设备，并分别放置在后面的机器人。为了提供无障碍的视野， 作为柱结构，IMU安装在其底部。传感器在Spot上的位置如图所示。 3.图二、四 足机器人，波士顿动力斑点，这是用于实验。图三. Spot配备了拟议的自治包。Vectornav IMU位于Velodyne激光雷达下方，在图中不可见建议的软件架构是基于机器人操作系统（ROS）的框架，建立一个点和自治包之间的数据流。其运作可分为两个阶段。在第一阶段，离线地图（离线地图）被构建。实现这一点A. Koval，S.Karlsson和G.尼古拉科普洛斯仿生智能与机器人2（2022）1000353++∑++++++���⃗→���⃗Lite���使用宽度优先搜索查找[23 ]，从[24]到[25]������执行。见图4。 软件架构。通过分别以10 Hz和200 Hz记录3D激光雷达和IMU传感器数据并将其馈送到Cartographer ROS软件包。基于这些数据，离线SLAM算法计算包括位置和地图信息的机器人状态。 完成后，此信息将存储在.文件中，该文件可用作定位和路径规划的参考。 第二阶段代表了自主地图导航所需的体系结构，如图2所示。四、在此操作过程中，3D激光雷达和IMU的在线数据流将一起到达以本地化模式运行且不执行任何映射的Cartographer节点。���相反，创建的子地图与离线地图中存储的子地图相匹配，而IMU用于初始估计并估计扫描匹配之间的旋转所估计位姿找到机器人������ 3D扫描和IMU数据。这就意味着可以在地图上找到地图，从而允许在每次任务之前不创建地图的情况下进行操作���因此，通过确定参考系中的点���θ i������������������，并且给定路径点θ i，路径规划器可以生成路径θ i → θ i，如图2所示。 五、3.2. 路径规划器D路径规划器是一个基于2D或3D网格的全局路径规划器， [26]第26话在这种情况下，它是来自Google Cartographer[9]的2D网格地图（网格），用于执行路径规划。������一般来说，D（n）和占用图（n）被赋予D_n路径规划器，并规划网格map中的点n_n和点n_n之间的最短路径n_n������������+如图10所示的图形用户界面（GUI）。在GUI中，根据������航路点（���航点）设置并提供给D航点。之后，������ G中的路径，其中总的遍历成本是最小的可能成本。 ������DPID控制器，为Spot生成速度命令（速度、速度、速度）������3. 风险感知路径规划3.1. 制图师为了能够导航到一个特定的���点，主要需要三样东西，机器人���������������������的当前位置，点相对于点的位置，以及与点和点在同一参考系中的地图。与具有6个自由度的空中平台一样，地面机器人仅具有3个自由度，即X、Y和Z，并且通常使用3D占用信息进行路径规划是过度的。考虑到这一点，我们的实现是利用2D占用图（E2D）。��� 为此，我们集成了Google制图师[9]同步定位建立一条从���m到���m的路径的好处是，G的变化和m的变化���很可能发生在m附近���。因此，即使在更改之后，大部分路径也可能保持不变，因此有可能利用先前执行的计算来加速未来的规划。将D与Dlite进行比较的原因是D基于Dlite包。原始的D规划算法支持基于占用信息更新的动态路径重规划Dlite软件包以网格文件格式的离线地图作为输入，该格式没有占用信息更新，而开发的D则以动态更新的占用地图作为输入，并允许在非静态环境中导航。因此，重新规划速率是针对占用地图更新而定制的，因此它不能用于主动避障。因此，选择D规划器作为D规划器的基本算法。D路径规划器利用三个和提供定位和本地化（即，提供定位）的映射（SLAM）ROS包。���制图器并行执行局部扫描匹配和全局循环闭合。为了实现局部扫描匹配和全局循环闭包，它引入了一个称为子映射的概念，由制图员在最佳估计位置内部累积3D扫描数据。每个子标测图包含标测图的一小部分，具有时间连续的3D扫描。当在估计位置处接收到新的3D扫描时，其被匹配到最新的子图中，并且在子图完成时，因此不能插入新的扫描，其被考虑用于循环闭合。局部扫描匹配是使用IMU数据来生成用于扫描的初始猜测，其用于通过子图的内插和子像素对准来将扫描与子图匹配。这个过程缓慢地积累错误，全局循环闭合正在纠正轨迹，因此子地图形成一个连贯的地图。全局循环闭合是将完成的子图彼此匹配，而不是像局部扫描匹配那样在3D扫描上操作到子图。除了环路闭合和子地图外，制图师还提供了一个从3D数据中提取的2D占用地图。������此外，它还可以拯救国家。因此它可以在稍后的时间作为预先计算的地图加载并且仅用于定位。全局循环闭包可以与D-Lite的主要区别在于：（1）未知细胞的处理，（2）邻近风险和（3）地图更新。本节的其余部分描述了这些修改。传统上，D 精简网格是通过使用二进制地图构建的，包括被占用的单元格或空闲单元格。���������为避免无效由于传感器的缺陷或地图的稀疏性，第三种������每个节点都被分配了一个遍历成本，其中，遍历成本应该有最大值，而遍历成本应该有最小值。������通过为探索行为分配较低的值或为安全地遵循已知预定义路径分配较高的值，可以将用于搜索的遍历成本设置在搜索和导航之间，其中该值取决于������������������������使用密码��� 可见于图 6其中D 精简计划一条穿过坚硬岩石的无效路径当两个规划者使用相同的输入地图和相同的起始和目标位置时，通过使用地图，沿着隧道规划路径，并且具有足够的安全���最初，Dallite计划靠近Pakistan的路径，以获得更短的路径���而不考虑在现实生活中可能导致问题的安全方面D生成风险感知路径（RiskAwarePath，简称RARP）并将其提供给一个位置A. Koval，S.Karlsson和G.尼古拉科普洛斯仿生智能与机器人2（2022）1000354+图五、 来自制图师的 已规划了一条路线（绿线），���从（绿点）到���（红点）。（有关本图例中颜色的解释，请参阅本 文 的网络版本。）图第六章 D lite（蓝线）和D（红线）生成的路径之间的比较。D lite正在创建一条穿过坚固岩石的捷径，而D则在内部生成一条路径正+ +这是一条可以走的隧道。这条路计划从������2004年到2005年。（对于本图例中颜色的参考解释，请读者参考本文的网络版本。）A. Koval，S.Karlsson和G.尼古拉科普洛斯仿生智能与机器人2（2022）1000355+++++见图7。用于三维规划的二维网格。网格包含空闲单元格（白色）、占用单元格（黑色）和未知单元格（蓝色虚线）。���������灰色单元格表示邻近度的增加的遍历成本，由于未知和邻近度的组合，深灰色是更高的遍历成本。���������������������������在本例中，D规划了一������条沿箭头路径从A到B的路径。（对于本图例中颜色的参考解释，请读者参考本 文 的网络版本。）机器人部署，例如机器人的物理尺寸，对于这样的路径可能潜在地与周围环境为了解决这个问题，���∗ 结合了距离1000米以内、距离1000米以内的小区的信息，������图八、 一个从���m到���m规划的示例路径，将邻近成本添加到两个单元距离（���=2）到的单元������。������用灰色表示，浅灰色表示较低成本，深灰色表示较高成本。靠近海滩���（以红色圆圈显示）路径穿过较低的邻近度成本（浅灰色网格块），这是由于缺乏路径通过而导致的整个路径的最低可能成本������。（对于（以单元格为单位测量），通过给出遍历成本���������������为了解释该附图图例中对颜色的引用，它的距离，其中距离是到单元格中计数的距离���如果一个细胞在如果是多个字符串中的一个，则将为最接近的字符串添加字符串。在这种情况下，Doppler的缩放行为创建了一个梯度风险区域，该区域将使Doppler在狭窄的隧道状区域的中间规划一条路径���通过使用������，规划的路径类似于图中所示的路径。8、哪里的小路 在可能的情况下，计划在 内 罗 毕进行。在情况下（例如，非常狭窄的走廊般的环境），其中没有走廊，所提出的规划器优先级内的走廊的路径的生成。������当机器人在一个区域内移动时，映射工具不断扩展所访问区域的信息，更新周围环境，填充场景的缺失部分，同时探索新的区域，从而通过使用占用图作为输入而不是使用网格图，以动态和更新的方式创建G。D.简化实施。更具体地说，这次动态地图更新在图中捕获。7和9，其中只要机器人穿过规划的路径，越来越多的环境知识就会被揭示并保存在G中。如果发现当前路径被障碍物阻挡，那么Doppler将重新规划路径以避开障碍物。3.3. GUI和界面Boston Dynamics提供了一个用于与Spot机器人接口的API，这使得可以像Clearpath机器人一样为Spot开发ROS驱动程序[29]。在我们的研究中，我们使用Clearpath机器人Spot ROS驱动程序来控制Spot进行实验。为了能够���������在更大的规模上发送消息并简化整体可用性，如图1所示的GUI。10已开发它具有操作Spot所需的基本控制功能。GUI本身具有以下结构元素，包括Spot服务，图第九章 当机器人穿过图 中 规 划 的路径时 ， 7、未知细胞（���）将���手动控制模块和带有地图的任务控制模块在图形用户界面中实现了一个可视化的图形用户界面，在这个图形用户界面上，“知”者，“知 ” 者 。地图也扩大+A. Koval，S.Karlsson和G.尼古拉科普洛斯仿生智能与机器人2（2022）1000356+图10. 为基 于 地图的导航开发的GUI，结合了地图，任务控制，手动控制和现场服务。通过单击设置���显示器。还可以使用GUI通过使用“完成WP”按钮来设置航路点任务������当任务执行时，可以在GUI中跟踪其进度，如果需要，可以从GUI中中止任务。此外，还可以通过GUI手动控制Spot，虽然应该说明这不是一个自主操作，但它也支持初始的Spot创建一旦航路点表1实验评价结果总结走廊小隧道大隧道位置更新速率，[Hz] 17.077 24.3980 19.6963路径更新速率，[Hz] 8.096 9.1327 6.4733旅行距离，[米] 12.1827 42.6708 334.6075设置并且D已计划好的路径是从PID→ PID ，路径被发送到位置PID第二组实验在小隧道控制器，用于计算遵循路径所需的速度。为了增加可用性，控制器能够保持位置，调整朝向所需点的航向，并且为了安全，它具有电子关闭开关，所有这些都通过GUI控制4. 实验评价在本节中，将介绍基于Spot地图的导航的实验评估。所进行的实验的主要目标是根据其更新率来评估重新定位和路径规划器的为此，系统性能在三个实验区域进行了测试，所有计算都运行在具有i7CPU，8 GB RAM和SSD存储的板载计算机Intel NUC上。此外，这台计算机运行的是Ubuntu 18.04和ROS Melodic。进行实验的区域包括吕勒胡理工大学的走廊环境（该区域的地图见图11）。11（a）），一个小型地下隧道（该地区的地图 在Fig. 在一个3-5米宽的大型地下隧道（该区域的地图见图11（c两个地下隧道的大部分都是不均匀的裸露岩石作为墙壁，如图所示。1.一、为了建立目标环境的地图（图11），IMU和 将3D激光雷达数据记录到rosbag中，然后调整Cartogra- pher并用于生成重新定位的地图第一组实验是在图1所示的走廊环境中进行的。11（a）在吕勒奥大学，这是相对较小的，一个没有特色的地区与直墙。图12中描绘了计划的和行进的路径。在实验过程中，Spot机器人行进了12米，同时将位置更新速率保持在17 Hz以及路径规划和重新规划的平均更新率 8 Hz。走廊宽度为3.5米的环境（图11（b））。在这种情况下，航路点被设置在视线之外。正如我们所看到的，图在图13中，最初加载的地图提供了产生穿过障碍物的路径的占用信息。然而，随着机器人朝着设定的路径点导航，占用信息得到更新，并且最初创建的路径相对于机器人的当前位置被动态地重新规划。 在这种情况下，机器人成功地到达了最初设定的航路点。在实验期间，Spot机器人行进了43米，同时将重新定位/位置更新速率平均保持在24 Hz，并且路径规划和重新规划平均更新速率保持在9 Hz。图11显示了从阿维尼翁到阿维尼翁的全部旅行路线和计划路线������。 14个。第三组实验是在图1所示的大型地下隧道区域进行的. 15个。在这次测试中，设置了多个航路点。 第一个航路点���101的设置是为了评估在从15米宽缩小到5米宽的环境中的连续系统性能。 ���如图16（b）所示，设置下一个航路点102，当机器人导航时，将其更改为���103。随后的航路点s-1-4 - 7按顺序设置，直到机器人到达最终目标位置。在实验期间，Spot机器人行进了335米，同时保持平均19 Hz的重新定位/位置更新速率以及6 Hz的路径规划和重新规划平均更新速率 整体行进路径如图所示。 15个。表1中示出了所执行的实验的总结，其中可以强调的是，制图员的重新定位精度取决于特征的数量和区域的大小，因为与走廊环境相比，在具有相对丰富的特征壁的小隧道中实现了最高的位置更新速率。并且具有比在更大的隧道中更高的更新速率，该隧道具有放置在隧道内的更明显的特征。该路径规划器在规划和动态更新相对于当前机器人位置的路径方面表现出了良好的A. Koval，S.Karlsson和G.尼古拉科普洛斯仿生智能与机器人2（2022）1000357图十一岁 实验地点的 地 图 。图12个。在大学的走廊环境中 进 行 实 验 ， 其中可 以 将 遍历路径（b）与规划路径（a）进行比较。图13岁 这是一个专业的作品，展示���������了当a-f中���的（蓝色圆圈）变化���时，→如何更新，而（红色圆圈）保持不变。（有关本图例中颜色的解释，请参阅本 文 的网络版本。）5. 结论在这篇文章中，我们提出了一个新的系统，自主地图为基础的风险意识导航，实验评估在走廊和SubT环境中。所设计的系统表现出可靠的性能，同时能够以平均17 Hz的位置更新速率为自主路径规划生成，而路径规划器在所有情况下都生成可行且安全的路径通过A. Koval，S.Karlsson和G.尼古拉科普洛斯仿生智能与机器人2（2022）1000358图14个。 表示已行驶和计划的路径。 当前位置���用绿色圆圈表示，航路���点用红色圆圈表示。这���是一条从一个人到���另一个人的旅行路线（这是在图中计划和遵循的。 13）用红线表示，而从北京返回北京的计划路线������用绿色表示。（对于本图例中颜色的引用，读者可以参考本 文 的网络版本。图15个。 ���在一个大隧道里设置了连续的隧道。 Spot导航到每个���隧道，穿越约335米。 一个部分明智的介绍，可以看到在图。 十六岁该操作，制图师能够在已知地图中执行重新定位，从而允许获得所需的全局姿态估计 用于基于地图的航点导航。未来的工作将包括3D场景分析和构建可通行性地图，这将允许识别斜坡和不平坦区域，并为Spot机器人设计自适应控制架构。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作A. Koval，S.Karlsson和G.尼古拉科普洛斯仿生智能与机器人2（2022）1000359+图16. 长航路点任务，其中每个航路点部分在a-h中显示。对于任务的每个部分，规划了从蓝圈（���线）到红圈（���线）的路径（绿线）。 Spot实际经过的路径在上一节中显示为红线。(For对该图例中颜色的解释，读者可参阅本文的网页版确认这项工作得到了欧盟Horizon 2020研究和创新计划的部分资助，资助协议编号为869379 illumination。引用[1]G. Nikolakopoulos，A. Agha，推动自主的极限，使下一代空间机器人探索任务，计算机54（11）（2021）100-103。[2]S.S.曼苏里角卡内拉基斯，E.弗雷斯克湾林德奎斯特，D.科米尼亚克，阿。Koval，P. Sopasakis，G. Nikolakopoulos，基于非线性的地下MAV导航MPC与防撞约束，IFAC-PapersOnLine 53（2）（2020）9650-9657.[3] S.S. 曼苏里角Kanellakis，D.Kominiak，G.Nikolakopoulos，部署MAV用于在黑暗的地下矿井环境中自主导航的机器人。 奥顿统（2020）103472.[4]T.尚湾，澳-地Englot，D. Meyers，W. Wang，C.拉蒂河Daniela，Lio-sam：通过平滑和映射的紧密耦合激光雷达惯性里程计，在：IEEE/RSJ智能机器人和系统国际会议（IROS），IEEE，2020年，pp. 5135-5142[5] J.Tachella，Y. Altmann，N. Mellado，A.麦卡锡河托宾，G.S. Buller，J.- Y. 图尔纳雷角McLaughlin，使用即插即用点云降噪器从单光子激光雷达数据进行实时3D重建，Nature Commun。 10（1）（2019）1-6.[6]H.A.劳特巴赫，C.B. 科赫河，巴西-地 Hess，D. Eck，K. Schilling，A. Nüchter，Eins 3D项目-用于搜索和救援应用的基于瞬时无人机的3D映射，在：2019 IEEE国际安全，安保和Rescue Robotics（SSRR），IEEE，2019，pp. 一比六[7]S. Se，D. Lowe，J. Little，使用独特视觉特征的全球定位，在：IEEE/RSJ智能机器人和系统国际会议，1，IEEE，2002年，第页。226-231。[8]D. Fox，通过KLD采样调整粒子滤波器中的样本大小，Int. J. Robot Res 22（12）（2003）985-1003.[9]W. Hess，D. Kohler，H. Rapp，D. Andor，2D Lidar slam中的实时环路闭合，2016年IEEE机器人与自动化国际会议（ICRA），2016年，页1271-1278年。[10] L. Feng，S.毕，M。Dong，F.洪，Y。梁，英-地Lin，Y. Liu，使用LIDAR传感器的移动机器人全球定位系统，在：2017 IEEE第7届自动化，控制和智能CYBER技术年度国际会议系统（CYBER），IEEE，2017年，pp。478-483.[11] W.小雨湖Caihong，S. Li，Z. Ning，F. Hao，基于ROS的移动机器人自适应蒙特卡洛定位算法，in：2018第37届中文控制会议（CCC），IEEE，2018年，pp。5207-5212[12] Y.陈威陈湖，澳-地Zhu，Z. Su，X. Zhou，Y. 关，G. Liu，A study of sensor-fusionmechanism for mobile robot global localization ， Robotica 37 （ 11 ）（2019）1835-1849.[13] H.S. Hoj，S. Hansen，E. Svanebjerg，基于概率模型的全局定位在机场环境中，在：2021 IEEE第17届国际会议上自动化科学与工程（CASE），IEEE，2021年，pp。1370-1375年。[14] Z. Wu，Y. Yue，M.叶氏藻，中国种. Wen，J. Zhang，J. Yi，D.王，无结构层次移动机器人在重复环境中的全局定位，IEEE Trans. Instrum措施70（2021）1[15] C.M. 科斯塔， H.M. 索布雷拉 A.J. 苏萨 通用汽车 维加 鲁棒 3/6 自由度自用于移动机器人平台的具有选择性地图更新的定位系统。 奥顿Syst 76（2016）113-140.[16] J.Tordesillas，B.T.洛佩兹，J. P.如何，更快：在未知环境中飞行的快速和安全的轨迹规划器，在：2019 IEEE/RSJ国际会议智能机器人和系统（IROS），IEEE，2019。[17] J.Tordesillas，J.P. How，FASTER：快速安全的导航在未知的环境中，IEEE Trans.机器人（2021）1[18] F.严，Y.- S.刘杰- Z. Xiao，使用概率路线图方法在复杂3D环境中进行路径规划，Int.J. Autom Comput 10（6）（2013）525-533.[19] F. Li，S. 兹拉塔诺娃 Koopman，X. Bai，白背天蛾A. Diakité，通用路径规划室内无人机Autom结构95（2018）275[20] B. Hoover，S.亚乌河Middleton，CostMAP：一个开源软件包用于使用多尺度搜索内核开发成本表面，Int.J. GeographInform Sci 34（3）（2020）520-538。[21] J.Faigl，M. Prágr，关于使用自组织映射的遍历成本和地形类型识别的无监督学习，在：I.V. 泰特科河谷克利尔科瓦山口卡尔波夫，F. Theis（Eds.），人工神经网络和机器学习Theoretical Neural Computation，Springer International Publishing，Cham，2019，pp. 654-668.[22] L. Jaillet，J. 科尔特斯Siméon，基于采样的配置路径规划space costmaps，IEEE Trans. Robot 26（4）（2010）635http://dx.doi.org/[23] S. Koenig，M.Likhachev，D* lite，in：AAAI/IAAI，15，2002，pp.476-483.[24] D. Ferguson，A.Stentz，使用插值来改善路径规划：该领域D*算法，J. Field Robot 23（2）（2006）79-101.[25] A. 纳什，K。丹尼尔，S。Koenig，A.Felner，Theta*：任意角度路径规划网格，在：AAAI，7，2007，pp. 1177-1183.[26] M. Sheckells，DSL GridSearch：均匀间隔的3D或2D网格上的D*-lite2018年，URLhttps://github.com/jhu-asco/dsl_gridsearch访问日期：2021年2月。[27] S. Karlsson，���J.：一个通用的平台无关和风险感知的路径规划框架 与 一个 可膨胀 网格， 2021, 网址https://github.com/LTU-RAI/Dsp访问日期：2022年1月。[28] W. Hess，D. Kohler，H. Rapp，D. Andor，2D激光雷达猛击中的实时环路闭合，A. Koval，S.Karlsson和G.尼古拉科普洛斯仿生智能与机器人2（2022）100035102016年IEEE机器人与自动化国际会议（ICRA）IEEE，2016年，第页1271-1278年。[29] C. Robotics，Spot ROS（package）challenge，2020，URLclearpathrobotics.com/spot-robot/访问时间：2021年11月。
我的内容管理
展开
