SUR-Nav：结构感知的室内自主探索方法研究

项目概述#

研究背景与挑战#

问题背景#

在结构化室内环境（如核电巡检、仓储物流）中，移动机器人需要自主探索未知区域以构建环境地图。传统前沿点（Frontier-based）探索方法存在以下问题：

• 单一贪心选择：容易因短视决策导致重复访问与路径震荡
• 计算开销过高：精准规划评估带来过高计算负担
• 实时性不足：难以兼顾决策质量与实时性要求

核心挑战#

如何在决策质量与实时性之间取得平衡，成为本研究的核心难题。

我的解决方案：SUR-Nav 方法#

作为论文核心作者，我提出了 SUR-Nav（Structure-aware Utility-driven Robot Navigation）自主探索方法，构建融合结构感知、信息增益与导航风险的多目标效用模型。

核心创新点#

1. SUR 多目标效用模型#

通过三项关键指标的加权融合，显式量化探索价值：

效用函数：

Utility = w₁ × Structure + w₂ × InformationGain + w₃ × NavigationRisk

2. Top-K 两阶段筛选策略#

为解决计算复杂度问题，设计了两阶段筛选策略：

阶段一：粗筛（Coarse Selection）

• 使用低成本欧氏距离快速压缩候选集
• 从 N 个候选点中筛选出 Top-K 候选

阶段二：精筛（Fine Selection）

• 仅对少量 Top-K 候选点执行真实路径规划
• 计算精确导航成本，选择最优探索目标

复杂度优化：

flowchart TB
   A[传统方法] --> B[逐个候选点路径规划]
   B --> C[计算开销高]
   C --> D[SUR-Nav 两阶段筛选]
   D --> E[先粗筛再精筛]
   E --> F[路径规划次数显著下降]

其中 N 为候选点数量，P 为单次路径规划成本，K << N

3. 结构项退化与动态权重调整机制#

针对弱结构化环境（如开阔大厅），设计自适应机制：

• 结构项退化：当环境结构特征不明显时，结构感知项平滑退化至基线水平
• 动态权重调整：根据环境特征动态调整三项权重，确保算法在不同环境下的稳定性

技术实现#

系统架构#

基于 ROS 2 (Humble) 与 Nav2 导航栈 构建完整系统：

flowchart TB
   subgraph L1[感知层]
      S1[激光雷达]
      S2[里程计]
      S3[地图构建]
   end

   subgraph L2[决策层]
      D1[SUR模型]
      D2[Top-K筛选]
      D3[目标选择]
   end

   subgraph L3[执行层]
      E1[Nav2导航]
      E2[路径跟踪]
      E3[运动控制]
   end

   L1 --> L2 --> L3

开发环境#

• 操作系统：Ubuntu 22.04 LTS
• ROS版本：ROS 2 Humble Hawksbill
• 导航框架：Nav2
• 仿真平台：Gazebo + RViz
• 编程语言：C++（核心算法）、Python（数据处理）
• 硬件平台：差速驱动机器人 + 360° 激光雷达

实验验证与成果#

实验设置#

在 Gazebo 仿真环境中，使用标准室内场景（办公室、走廊、仓库）进行测试，对比方法包括：

• 最近距离策略（Nearest）：选择距离最近的前沿点
• 固定权重策略（Fixed-Weight）：固定权重的多目标方法
• SUR-Nav（本文方法）：动态权重的结构感知方法

核心实验结果#

对比最近距离策略#

对比固定权重策略#

实验结论#

1. 效率提升：相比传统方法，探索完成时间缩短 16.4% ~ 26.6%
2. 路径优化：路径长度减少 14.3% ~ 29.3%，减少重复探索
3. 实时性：决策延迟降低 17.1% ~ 53.2%，满足实时性要求
4. 稳定性：试次间波动显著减小，算法鲁棒性更强

X 因素：洞察与技能迁移#

核心洞察#

1. 拓扑关键位置引导的重要性

   • 识别结构化室内环境中”走廊交叉口、房间入口”等拓扑关键位置的引导作用
   • 在不引入额外语义模块的前提下，通过几何线索实现关键位置识别
   • 为轻量级自主探索算法设计提供新思路

2. 决策质量与实时性的平衡艺术

   • Top-K 两阶段策略证明：通过合理的近似计算，可以在不显著损失决策质量的前提下大幅提升实时性
   • 为计算资源受限场景下的机器人决策提供参考方案

技能沉淀#

科研能力#

形成完整的科研闭环能力：

flowchart TB
   A[问题定义] --> B[模型构建]
   B --> C[工程实现]
   C --> D[仿真验证]
   D --> E[结果分析]
   E --> F[论文撰写]

可迁移方向#

• 自主移动机器人：室内服务机器人、巡检机器人
• 工业巡检：核电巡检、仓储物流、工厂自动化
• 智能导航：无人驾驶、AGV/AMR 导航

论文发表#

技术亮点总结#

flowchart TB
   H[SUR-Nav 核心技术亮点]
   A[结构感知引导
识别拓扑关键位置，避免盲目探索]
   B[两阶段筛选
Top-K 策略降低计算复杂度]
   C[自适应机制
动态权重调整，适配不同环境]
   D[显著性能提升
探索效率提升 16-26%
实时性提升 17-53%]

   H --> A
   H --> B
   H --> C
   H --> D

相关项目#

本文最后更新于 2025 年 2 月