当前位置：首页 > news >正文

【IROS 2025】CMU提出路径规划器PIPE：机器人探索效率提升14.6%，地图准确率提高9.3%！

news 来源：原创 2025/8/7 19:32:20

在自主机器人探索未知环境的研究中，如何高效地规划路径、最大化信息获取，一直是一个核心问题。传统的方法往往仅在离散的路径点上计算信息增益，而缺乏对整个路径信息获取的综合考量，从而可能导致探索低效甚至错误的规划决策。近日，一项新的研究提出了一种名为 PIPE (Pathwise Information Gain with Map Prediction for Exploration) 的路径规划器，它通过路径累计传感器覆盖与地图预测相结合，突破了这一难题。PIPE 采用了一种创新的路径积分信息增益方法，能够计算沿着整个轨迹的累积信息获取，同时结合地图预测技术，减少信息增益的高估问题，从而提高探索的稳定性和效率。研究团队在真实的楼层平面数据集上验证了 PIPE 的有效性，实验结果表明，相比于最先进的基线方法，PIPE 在探索效率和地图构建质量上均取得了显著提升。

©️【深蓝AI】编译

论文标题：PIPE Planner: Pathwise Information Gain with Map Predictions for Indoor Robot Exploration

论文作者：Seungjae Baek, Brady Moon, Seungchan Kim, Muqing Cao,Cherie Ho, Sebastian Scherer, Jeong hwan Jeon

论文链接：https://arxiv.org/abs/2503.07504

01 引入

该研究旨在解决自主机器人在未知环境中探索时所面临的关键挑战，即如何在缺乏先验知识的情况下做出决策并采取行动。探索任务的核心问题在于估计每个可能行动所能带来的信息增益，而信息增益可以通过传感器覆盖范围、不确定性减少或地图质量等度量标准进行评估。这一挑战在室内探索任务中尤为关键，因为有限的传感范围和复杂的环境布局可能会导致机器人在没有足够信息支持的情况下进行低效导航。

目前，一种常见的探索策略是在可能的导航路径点上计算信息增益。例如，部分研究方法会选择能够最大化传感器视野范围内未探索体素体积的视角。这类方法属于基于点的信息增益估计算法，它们主要在离散的路径点上评估信息增益。然而，更全面、准确的方法是采用路径级信息增益度量，即基于机器人整个轨迹上的累积信息增益来优化路径规划。这种方法更符合实际情况，因为大多数机器人传感器在整个路径上都持续采集数据，而不仅仅是在离散的路径点上进行观测。已有研究探索了路径级信息增益的不同方面。例如，在信息路径规划领域，常见的一种广义的路径规划方法不仅关注单个路径节点的信息增益，还考虑了路径边缘上的传感器测量，如温度或深度信息，而非仅关注传感器在整个路径上的覆盖范围。一些专门的方法还会尝试沿着路径建模传感器覆盖范围，以优化机器人探索过程。

该研究重点关注路径级传感器覆盖范围，即一种路径级信息增益的子集，旨在衡量机器人在预定轨迹上的环境观察和建图能力。然而，在路径级整合传感器覆盖范围的过程中，存在几个关键挑战。首先，该计算过程通常需要大量计算资源。例如，在路径上的每个点估算摄像头或激光雷达的覆盖范围可能会导致计算成本过高。找到高效的整合方法仍然是一个复杂的问题。其次，信息增益的估算可能会出现过度估计的情况，尤其是在机器人当前视野之外存在未发现的障碍物或遮挡物时。第三，估算误差可能在轨迹上逐步累积，导致不准确的探索决策。

为了应对这些挑战，该研究首先致力于高效计算路径上的累积信息增益。研究团队提出了一种利用计算几何的方法，以有效地估计路径上的传感器覆盖范围，从而大幅减少计算开销。其次，为了减轻过度估计和误差累积，该研究将地图预测整合到机器人用于传感器覆盖估算的光线投射过程中。此前的研究表明，深度学习模型可以预测超出当前观测范围的地图，从而在多个方面提升探索效果。本研究利用这一预测能力，以优化传感器覆盖范围的估算，通过在路径前方生成合理的地图预测，使得信息增益估算更加精准。值得注意的是，这是首次将基于地图预测的探索策略与路径级信息增益度量相结合，以实现更高效的探索规划。

结合上述方法，该研究提出了基于路径级信息增益与地图预测的探索规划器——PIPE（Pathwise Information Gain with Map Prediction for Exploration）。PIPE能够预测超出当前观测范围的地图，在规划轨迹上计算累积的传感器覆盖范围，并利用预测的不确定性作为信息增益度量，从而优化规划决策。实验验证表明，该方法在真实室内环境数据集上的表现优于当前最先进的方法，并在多种评测指标上均展现出优势。

本研究的主要贡献如下：

提出了一种室内机器人探索规划器PIPE，该方法基于路径级累积传感器覆盖范围和地图预测来估计信息增益。
设计了一种高效的方法，通过计算几何优化路径级信息增益的估算，大幅减少计算开销。
在真实世界的室内环境数据集上验证了PIPE的有效性，并证明其在预算受限和全探索任务中的优越性，超越了现有的最先进探索方法。

▲图1｜方法概览：规划器PIPE使机器人能够通过推理整个路径上的预期信息增益来高效地探索空间。这一计算利用了地图预测器来估算预期的可见性以及地图质量的提升©️【深蓝AI】编译

02 具体方法与实现

首先我们要明白该方法的问题定义：该研究针对室内机器人探索问题，即机器人在二维室内环境中自主导航，以构建完整的环境地图。在探索过程中，机器人需要依赖其自身的二维坐标进行定位，并利用激光雷达传感器感知周围环境。为了确保探测范围的有效性，传感器的探测距离是有限的，超出此范围的区域无法被直接感知。

机器人通过其传感器采集周围环境的信息，并不断更新一个占用网格地图，该地图的每个单元格可以被分类为可通行区域（自由空间）、障碍物（占用区域）或未探索区域（未知空间）。传感器每次扫描时，会在全视角范围内均匀采样多个数据点，并根据返回的信息更新已知区域的状态。

在每个时间步长，机器人根据当前环境状态选择一个合适的动作进行移动。移动的方式通常遵循网格化的动作集合，即机器人可以向相邻的网格单元进行平移或斜向移动。探索任务的核心目标是在限定的时间内，最大化对整个环境的覆盖，使机器人能够高效地构建完整的环境地图，并尽可能减少冗余移动。

▲图2｜全文方法总览©️【深蓝AI】编译

2.1. 探索框架

该方法采用了前沿探索（Frontier-based Exploration）的策略，即机器人在探索过程中会识别已知区域与未知区域的边界，并选择最近的前沿点作为新的目标点进行导航。在此基础上，该研究引入了一种信息增益度量机制，使得机器人在选择目标点时，不仅考虑最短路径，还会评估该路径所能带来的环境信息增益，遵循“最佳下一视角（Next-Best-View）”的探索策略。

信息增益的计算方法首先基于机器人当前观测到的占用网格地图，生成一个预测地图。该预测地图是通过预训练的深度学习模型生成的，可以用于推测未观测区域的状态。在此基础上，研究进一步计算预测地图的不确定性水平，生成一个不确定性地图。机器人在选择下一步探索路径时，会优先选择能够减少不确定性最多的路径，而不仅仅考虑最近的前沿点。

2.2. 传感器覆盖与可见性掩码

为了估计机器人当前状态下的传感器覆盖范围，该方法采用了**光线投射（Raycasting）**技术，即从机器人当前位置向外发射多条射线，每条射线在遇到障碍物时终止，而在自由空间内继续扩展，直到达到传感器的最大探测距离。

传统的方法通常只在当前已知地图上进行光线投射，而该研究提出了一种结合预测地图的光线投射方法，以更准确地估计传感器的覆盖范围。由于预测地图可能包含一定的误分类，例如可能将自由空间误判为障碍物，该方法引入了一种概率光线投射机制，即在光线累计达到一定的置信水平后才终止，从而减少错误估计的影响。

最终，该方法利用光线投射计算得到的传感器可见区域，生成一个可见性掩码（Visibility Mask），用于表示机器人在当前位置能够观测到的所有环境区域。

▲图3｜可视化路径可见性掩码的计算过程。首先，通过光线投射生成多个独立的多边形。接着，将这些多边形合并为一个包含任何空洞的单一多边形，并应用洪水填充算法来确定最终的可见性掩码©️【深蓝AI】编译

2.3. 基于路径的信息增益计算

PIPE 规划器的核心在于沿路径计算累积的信息增益，而不是仅在前沿点计算信息增益。具体步骤如下：

1.机器人为每个候选前沿点生成一条可行路径，并计算从当前机器人位置到该点的最优移动路线。

2.沿路径的多个采样点计算各自的可见性范围，并记录机器人在每个点位能够观察到的环境信息。

3.通过整合所有路径点的可见性区域，计算完整路径的可见性掩码，以评估该路径的整体信息增益。

4.机器人选择信息增益最高的路径进行导航，以最大化探索效率。

2.4. 计算优化

由于计算沿路径的可见性掩码涉及大量的光线投射和数据整合操作，计算量可能会非常庞大。为了提高计算效率，该研究采用了以下优化策略：多边形合并优化：首先合并路径上的所有可见性区域，减少冗余计算，使得计算更加高效。并行计算：采用多进程并行计算，将不同前沿点的评估任务分配到多个处理单元上，以降低整体计算时间。通过这些优化，该方法在大规模环境中的计算效率提升了 83.3%。

2.5. PIPE 规划器工作流程

PIPE 规划器的整体流程如下，首先机器人更新当前环境的占用网格地图，随后识别前沿区域，并生成环境预测地图及不确定性地图。同时，计算所有前沿点的可行路径，并评估路径上的信息增益。在此之后，选择信息增益最高的路径，并引导机器人沿该路径导航。重复上述步骤，直到完成整个探索任务。

03 实验

实验采用了多个二维室内场景进行测试，包括：住宅环境（如公寓、别墅）办公楼（如开放式办公室、会议室）复杂工业环境（如仓库、机器人实验场地）这些环境具有不同的结构复杂度，包括狭窄通道、大开阔空间以及密集障碍物区域，以全面评估方法的适应性。

图6的数值实验折线图体现了每种地图尺寸下各方法的定量比较，可见PIPE在大多数时间步长中均优于其他方法，而第二优的方法则因地图尺寸而异。基于预测的方法在较大地图上表现优异，而路径式NBV-2D的性能则随着地图尺寸的增大而下降。

图7所体现的是传感器累计覆盖范围的实验结果，PIPE（左）与PW-NBV-2D（右）估计的传感器覆盖范围的定性对比。PW-NBV-2D高估了累积传感器覆盖范围，而PIPE则利用预测来缓解这一问题。

图8所体现的是达到90%和95%与真实地图交并比（IoU）所需的平均时间步长对比。失败率（FR）表示在最大允许时间步长内未达到目标IoU的运行百分比。数值越低，性能越好。小、中、大型地图的最大时间步长分别为1,500、3,000和6,000。

图9表示的是机器人的探索路径，在时间步长T = 2000时，各方法在Map 6上的定性对比，路径从浅色到深色渐变以表示时间推移。PIPE表现最佳，在空间上探索更均匀，且与其他方法相比更少出现回溯现象。

04 总结

该研究提出了一种基于路径的信息增益探索方法（PIPE），旨在优化机器人在未知环境中的探索效率。不同于传统的基于前沿点的探索方法，PIPE 通过结合环境预测、路径级别的信息增益计算和不确定性评估，使机器人能够在选择路径时更加智能化，从而最大程度地减少探索过程中的信息不确定性。

实验结果表明，PIPE 在多个复杂室内环境中均表现出优越的探索效率和更高的地图构建精度。与现有最先进方法相比，PIPE 提高了探索覆盖率（+14.6%）、增强了地图准确性（+9.3% F1-score）、优化了路径效率（-21.5% 路径长度），同时保持了较低的计算开销。进一步的消融实验也验证了 PIPE 方法中环境预测、路径级别信息增益计算和不确定性评估等关键组件对于整体性能的贡献。

该研究的成果为机器人自主探索任务提供了新的思路，并展示了基于路径级别信息增益计算的有效性。未来工作可以进一步扩展 PIPE 方法，使其适用于动态环境、三维场景以及多机器人协同探索，以提升其在更广泛任务中的适用性和鲁棒性。