基于凸多边形扩张与分层前沿选择的大规模场景去中心化多机器人协同探索

《Applied Sciences》：Decentralized Multi-Robot Cooperative Exploration with Convex Polygon Expansion and Hierarchical Frontier Selection Dicheng Shen, Jun Hu, Shaohua Chen, Chengwei Zheng, Shunyu Tian and Changyun Wei

　　

多机器人系统在未知环境中的协同探索在效率与冗余控制方面面临重大挑战。现有方法主要依赖集中式系统进行目标点分配与二维栅格地图构建，易导致探索区域重叠与效率下降。本文旨在提升去中心化多机器人系统的协同行为，以实现大规模复杂场景中的高效探索。研究人员提出了一种去中心化多机器人协同探索框架TCP-MR，包含三个核心组件：（1）轨迹点提取策略，用于顺序识别关键导航点；（2）动态凸多边形扩张方法，用于在多机器人间划分已探索区域；（3）新型分层前沿选择机制，用于引导机器人向未探索区域移动。通过整合上述组件，该框架实现了已探索区域信息的共享与协调探索。实验结果表明，与近期多机器人探索任务的先进方法相比，该方法可减少61.43%的探索时间与56.14%的总行驶距离。

## 研究背景与问题分析

自主机器人探索涉及利用车载传感器与决策算法识别导航目标并确定可行路径，使机器人能够在未知不确定环境中自主导航探索，同时构建陌生区域的地图。随着机器人技术的迅速发展，自主机器人已广泛应用于灾难救援与环境监测等领域。相较于单机器人探索，多机器人系统因其能够克服单机器人系统的固有限制而受到广泛关注。

多机器人系统具有显著优势：有效的信息共享与协同策略使多机器人团队能够实现比单机器人系统更高的探索效率；去中心化配置下的多机器人系统表现出更强的鲁棒性，部分机器人故障不会导致整个系统瘫痪；多机器人团队还提供 enhanced 灵活性，可根据任务需求和环境条件调整机器人数量与部署。因此，多机器人系统能够适应多样化的探索场景与需求。

然而，多机器人探索任务仍面临若干挑战。当前研究主要集中于构建未知环境的二维栅格地图，并使用集中式系统进行探索过程中的目标位置分配。但二维方案难以确保复杂环境中的有效探索性能，甚至面临避障失败的风险；集中式系统易受单点故障影响，可能危及整个团队的性能。现有协调策略包括基于市场的机制与启发式方法：基于市场的方法由中央拍卖者决定候选目标点的分配；启发式方法依赖于经验规则或简化模型，易陷入局部最优。其他策略涉及将探索区域划分为动态分配给各机器人的子区域，但这些方法往往未能充分考虑环境与机器人团队之间的动态相互依赖关系，导致冗余探索行为。因此，设计一种既适应场景又高效的去中心化协同探索策略仍具重大挑战，关键在于防止多机器人汇聚于同一区域或重新探索已访问区域。

## 技术方法概述

研究人员提出的TCP-MR框架包含三个核心技术模块：

**轨迹点提取策略**：基于机器人车载LiDAR检测范围，通过距离关系从连续运行轨迹中提取离散轨迹点序列，以L_LiDAR检测范围比例系数λ（本文设1/2 ≤ λ ≤ 1）作为步长实现轨迹点离散化，最小化实际探索区域的面积损失Ω_loss。

**动态凸多边形扩张方法**：受凸包启发，利用轨迹点构建最小凸多边形紧包络集。随着探索进行，新轨迹点不断纳入，凸多边形动态扩张。通过计算三点构成的面积函数Area()判断点的内外位置，采用等距扩张变换公式计算扩张顶点坐标，生成距离L的扩张凸多边形，实现机器人实际探索区域的最小面积表示。

**分层前沿选择机制**：各机器人将扩张凸多边形的顶点列表S_n传输给其他机器人，使各机器人同时维护自身及其他机器人的多边形。机器人优先探索自身凸多边形内部的未知区域（区域A），再向外探索外部区域（区域B）。以图节点ξ_w附近可见前沿点数量作为信息增益R(v_i^w)，综合考虑欧氏距离d_i^w与转角损失θ_i^w构建代价函数C_i^w，并针对不同区域设置增益修正因子E_i^w，通过最大化效用函数G(v_i^w)选择最优目标点。

## 研究结果

**参数实验**：通过调整系数λ = 1/2、2/3、5/6、1的对称地图与HHU地图对比实验表明，随λ增大团队探索效率显著提升；λ = 5/6与λ = 1时探索效率相近，均显著优于较小λ值，故后续实验采用λ = 5/6。

**对比实验**：在室内地图、工厂地图、大型迷宫地图与大型非对称地图中部署三机器人团队，与MR-RBE、TM-RRT基线方法对比显示：TCP-MR在各地图上均显著减少总探索距离与探索时间，总探索距离减少至少56.14%，探索时间减少至少61.43%。特别在大型复杂场景（大型迷宫地图和大型非对称地图）中，TCP-MR展现出鲁棒探索性能，而MR-RBE与TM-RRT均未能完成探索。凸多边形构建计算时间随地图尺寸变化不显著，对探索效率影响极小。

**机器人数量扩展实验**：在大型复杂环境中，双机器人团队相较单机器人探索时间减少至少44.31%（大型迷宫地图994 s降至554 s，大型非对称地图1083 s降至493 s）；三机器人团队较双机器人团队进一步减少至少14.29%（大型迷宫地图474 s，大型非对称地图347 s）。双机器人团队工作量分布趋于均衡，而三机器人团队在某些场景中可能出现竞争导致的任务分配失衡现象。

**定性分析**：局部地图与运行轨迹记录表明，TCP-MR方法使各机器人能够专注于自身区域，有效避免重复探索与轨迹重叠，实现高效的团队协同探索。

## 讨论与结论

研究结论：本文提出了名为TCP-MR的新型多机器人协同探索方法。其核心思想是各机器人构建已探索区域或待探索区域的占用表示，以防止多机器人重复探索同一区域。为此，研究人员利用轨迹点构建扩张凸多边形以共享探索区域，并设计了分层前沿选择机制引导机器人选择合适目标点以避免重复探索。实验结果验证了该方法在各种场景中的优越性能。

局限性：该方法目前主要针对静态环境设计，可能无法完全处理涉及动态变化的场景；此外，随着机器人数量增加，区域划分中的竞争可能加剧，潜在导致空闲等待或效率降低。

未来研究方向包括：探索通信感知机制以增强真实通信约束下的鲁棒性；融入人机交互与干预能力以更好适应复杂操作场景；开展更广泛实验以探究方法的可扩展性，并改善大规模多机器人探索团队中的任务平衡。