An Adaptive Coverage Control Approach for Multiple Autonomous Off-road Vehicles in Dynamic Agricultural Fields
Dept. of Electrical and Computer Engineering, The University of Memphis, Memphis, TN 38152 USA（电气与计算机工程系，密苏里州孟菲斯大学）
本文提出一种自适应覆盖控制方法，利用无人机检测障碍物和地形，动态调整越野无人地面车辆的覆盖路径，以应对动态农业环境，仿真验证了其提高效率并保持稳健覆盖。
2025-09-08 cs.RO cs.SY eess.SY
Coordinated Coverage and Fault Tolerance using Fixed-Wing Unmanned Aerial Vehicles
University of Hawai‘i at Mānoa（夏威夷大学马诺阿分校）；East-West Center（东西方中心）
本文提出了一种方法，部署和维护一个舰队的同质固定翼无人机（UAV）的所有时间覆盖的一个区域。提出了两种空中盘旋布局方法：正方形布局和六边形布局，并给出了六边形布局在最小化无人机部署数量方面的优势。基于可用的无人机的数量和期望的徘徊高度，所提出的算法解决了一个优化问题，以计算该高度的徘徊圆的中心和徘徊半径。该算法还包括故障恢复能力的情况下，同时多个无人机故障。这些故障可能会在没有总体幸存者信息的情况下在该地区形成幸存者（活动）无人机集群。该算法在较高的高度部署一个具有较大通信能力的超级智能体来恢复故障。超级智能体收集幸存者的信息，并更新同质半径和相同高度的游荡圈的位置，以恢复全覆盖。幸存者的无人机会被告知，并使用杜宾的路径转移到新的游荡圈。已部署的无人机的可回收损失分数的程度的关系进行了分析，为不同的初始游荡半径。仿真结果证明了该方法的适用性，并比较了两种包装方法。
2020-05-17 cs.MA cs.RO
Automatic Coverage Selection for Surface-Based Visual Localization
Queensland University of Technology（昆士兰科技大学）
定位是机器人、无人机和自动驾驶汽车在各种环境中运行的关键能力。在设计、训练或校准视觉定位系统时，一个关键的考虑因素是安装在平台上的视觉传感器的覆盖范围。例如，在空中环境中，平台的高度和摄像机视场对于向下的摄像机在任何一个时间可以感知多少环境起着关键作用。此外，在其他应用中，例如在道路上或室内环境中，诸如相机分辨率和传感器放置高度的其他因素也会影响该覆盖范围。传感器的覆盖范围及其数据的后续处理也具有重要的计算意义。在本文中，我们首次提出了一套方法，用于自动确定覆盖范围和视觉定位性能之间的权衡，使识别的最小视觉传感器覆盖所需的最佳定位性能，以最小的计算。我们开发了一个定位性能指标的重叠系数的基础上，并证明其预测能力的定位性能与一定的传感器覆盖范围。我们评估了我们的方法在几个具有挑战性的现实世界的数据集从空中和地面为基础的领域，并证明我们的方法是能够自动优化覆盖使用少量的校准数据。我们希望这些结果将有助于未来自主机器人，车辆和飞行系统的定位系统的设计。
2019-06-27 cs.RO
Optimizing Fuel-Constrained UAV-UGV Routes for Large Scale Coverage: Bilevel Planning in Heterogeneous Multi-Agent Systems
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文针对燃料受限的UAV-UGV异构多智能体系统大规模覆盖路径规划问题，提出多种启发式方法，结合最小集合覆盖、旅行商问题和带时间窗的车辆路径规划公式，实现可行且高效的协同路径求解。
2023-07-07 cs.RO
Coverage based testing for V&V and Safety Assurance of Self-driving Autonomous Vehicles: A Systematic Literature Review
University of York（约克大学）
自动驾驶汽车（SAV）越来越受到业界和公众的关注。科技和汽车公司正在投入大量资金用于SAV的研发，以确保他们在未来的SAV市场中占据领先地位。SAV进入公共道路的主要障碍之一是公众对SAV的安全性缺乏信心。为了确保安全性，并为公众提供对SAV安全性的信心，世界各地的研究人员已经使用基于覆盖率的测试进行验证和确认（V&V）以及SAV的安全保证。本文的目的是调查的覆盖标准提出的研究人员在过去的十年中使用的覆盖最大化技术，到现在为止，以确保安全的SAVs。我们在本文中对此调查进行了系统性文献综述（SLR）。我们提出了一个分类的基础上使用的覆盖标准现有的研究。本文还提出了一些研究空白和研究方向，以使该领域的进一步研究成为可能。本文提供了一个知识体系的SAVs的安全保证领域。我们相信，这一SLR的结果将有助于V&V的进展和SAV的安全保证。
2021-03-07 cs.AI cs.RO cs.SE
Efficient Safety Testing of Autonomous Vehicles via Adaptive Search over Crash-Derived Scenarios
Rui Zhou（独立研究者）
针对自动驾驶车辆在安全关键场景下的测试效率问题，提出自适应大变邻域模拟退火算法（ALVNS-SA），结合真实碰撞数据库与黑盒系统，实现了84.00%的安全关键场景覆盖率，显著优于传统方法。
2025-08-07 cs.AI cs.RO
Efficient Domain Coverage for Vehicles with Second-Order Dynamics via Multi-Agent Reinforcement Learning
Simon Fraser University（西蒙弗雷泽大学）；Huawei Technologies Co., Ltd.（华为技术有限公司）
针对二阶动力学多智能体区域覆盖问题，提出基于MAPPO并融合LSTM与自注意力的强化学习方法，显著优于经典控制策略。
2023-10-16 cs.LG cs.MA cs.RO
Intersection focused Situation Coverage-based Verification and Validation Framework for Autonomous Vehicles Implemented in CARLA
University of York（约克大学）；Boston University（波士顿大学）
自动驾驶汽车（AV），即自动驾驶汽车在安全关键领域运行，因为自动驾驶软件中的错误可能导致巨大的损失。从统计数据来看，道路交叉口是自动驾驶汽车运营设计领域（ODD）的一部分，具有最高的事故率。因此，测试自动驾驶汽车在道路交叉口的限制，并确保其在道路交叉口的安全性是相关的，因此，本文的重点。我们提出了一个基于情况覆盖率（SitCov）的AV测试框架，用于AV的验证与确认（V&V）和安全保证，该框架是在一个名为CARLA的开源AV模拟器中开发的。SitCov的自动驾驶测试框架的重点是在不同的环境和交叉口配置情况下的道路交叉口上的车辆与车辆的交互，使用情况覆盖标准的自动测试套件生成的自动驾驶汽车的安全保证。我们已经开发了一个本体的交叉情况，并使用它来生成一个情况超空间，即，从本体论中产生的所有可能情况的空间。为了评估我们的SitCov AV测试框架，我们在自我AV中植入了多个故障，并比较了基于情况覆盖和随机情况生成。我们发现，这两种生成方法触发的种子故障数量大致相同，但基于情况覆盖的生成告诉我们更多关于我们的自我AV的自动驾驶算法的弱点，特别是在边缘情况下。我们的代码是公开的在线，任何人都可以使用我们的SitCov AV测试框架，并使用它或进一步建立在它之上。本文的目的是有助于V&V和AV的开发领域，不仅从理论的角度来看，而且从开源软件贡献的角度来看，并发布一个灵活/有效的工具V&V和AV…
2022-01-25 cs.AI cs.MA cs.RO
Towards Automated Safety Coverage and Testing for Autonomous Vehicles with Reinforcement Learning
University of Virginia（弗吉尼亚大学）
自动驾驶汽车（AV）安全测试可能需要的闭环验证超出了传统测试方法和离散验证的范围。验证将自动驾驶汽车系统置于其发布后在日常驾驶中可能遇到的场景或情况下进行测试。这些场景可以直接在物理（封闭试验场）或虚拟（模拟预定义场景）环境中控制，也可以在现实世界中的操作过程中自发出现（开放道路测试或模拟随机生成的场景）。在自动驾驶测试中，仿真主要有两个目的：帮助开发强大的自动驾驶汽车，并在发布前测试和验证自动驾驶汽车。由于涉及大量变量（其中大多数是连续的），从上述每个来源可以构建大量的情景变化，这带来了挑战。即使连续变量离散化，可能的组合数量也变得实际上不可行。为了克服这一挑战，我们建议使用强化学习（RL）来生成AV软件实现的失败示例和意外交通情况。尽管强化学习算法在游戏和一些机器人操作中取得了显著的效果，但这种技术还没有被广泛扩展到更具挑战性的现实世界应用中，如自动驾驶。
2020-05-22 cs.AI cs.LG cs.RO
Can you see me now? Blind spot estimation for autonomous vehicles using scenario-based simulation with random reference sensors
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本文提出一种基于3D仿真环境和Monte Carlo参考传感器模拟的方法，利用LiDAR点云或相机深度图像准确估计自动驾驶车辆传感器设置的盲点大小及物体检测概率，克服了传统几何近似的不真实性。
2024-02-14 cs.CV cs.RO
Expected Coverage of Random Walk Mobility Algorithm
无人驾驶飞行器（UAV）越来越多地用于勘探区域。许多移动性算法被设计成实现给定区域的快速覆盖。重点分析了具有独立移动性的对称随机游动移动算法的期望覆盖率。因此，我们证明了某些事件的依赖性，并开发马尔可夫模型，以提供一个分析解决方案的预期覆盖率。之后的解析解进行比较，另一项工作和模拟结果。
2018-01-30 cs.RO stat.AP
Diffusion-based Reinforcement Learning for Dynamic UAV-assisted Vehicle Twins Migration in Vehicular Metaverses
Guangdong University of Technology（广东工业大学）；Nanyang Technological University（南洋理工大学）；Shanghai Jiaotong University（上海交通大学）；Beijing Jiaotong University（北京交通大学）；ZTE Corporation（中兴通讯股份有限公司）
本文针对车辆元宇宙中车辆孪生迁移导致的RSU负载不均问题，提出无人机辅助的动态迁移框架，并设计基于扩散的强化学习算法和启发式路径规划方法，以降低时延并提升迁移质量。
2024-06-08 cs.AI cs.RO
Navigating Dimensionality through State Machines in Automotive System Validation
FZI Research Center for Information Technology（FZI信息技术研究中心）
本文提出基于状态图的方法，结合场景测试，以建模黑盒外部系统交互，减少联网驾驶功能验证所需场景空间，并通过模拟信号交叉口案例展示其应用。
2024-08-20 cs.RO
FLYOVER: A Model-Driven Method to Generate Diverse Highway Interchanges for Autonomous Vehicle Testing
Alibaba-NTU Singapore Joint Research Institute, Nanyang Technological University（南洋理工大学阿里巴巴-南洋理工大学新加坡联合研究院）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Shanghai Jiao Tong University（上海交通大学）；Nanyang Technological University（南洋理工大学）
自动驾驶汽车（AV）将首先在高速公路上广泛部署，这已成为共识。然而，高速公路立交的复杂性成为部署自动驾驶汽车的瓶颈。一个AV应充分测试下不同的公路立交，这仍然是具有挑战性的，由于缺乏可用的数据集包含不同的公路立交。在本文中，我们提出了一个模型驱动的方法，FLYOVER，生成一个数据集，由不同的互换可测量的多样性覆盖。首先，FLYOVER提出了一种标记有向图来描述立交的拓扑结构。其次，FLYOVER以真实立交为输入，通过对拓扑模型进行分类，提取出不同的拓扑等价类，以保证拓扑的实用性。第三，对于每个拓扑类，FLYOVER识别相应的几何特征的坡道，并产生具体的互通式立交使用k路组合覆盖和差分进化。为了说明生成的立交数据集的多样性和适用性，我们在数据集上测试了SUMO中内置的交通流量控制算法和部署到阿里巴巴自动驾驶卡车上的燃料优化轨迹跟踪算法。结果表明，除了几何形状的差异，互通式立交在交通流控制和轨迹跟踪算法下的吞吐量和燃料消耗是不同的。
2023-01-30 cs.RO
Uav Route Planning For Maximum Target Coverage
Atilim University（阿蒂利姆大学）
无人机在军事和民用领域的应用越来越广泛。有效分配这些昂贵的飞行器的挑战之一是规划飞行路线以监视目标。在这项工作中，我们的目标是开发一种算法，产生路由计划的数量有限的无人机，以涵盖最大数量的目标考虑其飞行范围。通过修改最大最小蚂蚁系统（MMAS）算法设计了这个实际优化问题的解决方案。为了评估所提出的方法的成功，另一种方法，最近邻（NN）启发式的基础上，已经开发以及。结果表明，所提出的MMAS方法的成功，通过增加覆盖的目标的数量相比，基于NN启发式的解决方案。
2014-03-12 cs.NE cs.RO
DiversityGAN: Diversity-Aware Vehicle Motion Prediction via Latent Semantic Sampling
Toyota Research Institute（丰田研究院）；Massachusetts Institute of Technology（麻省理工学院）
车辆轨迹预测对于自动驾驶和高级驾驶员辅助系统至关重要。虽然现有的方法可以从车辆轨迹的预测分布中采样，但它们缺乏探索它的能力-这是从规划和验证角度评估安全性的关键能力。在这项工作中，我们设计了一种新的方法来生成逼真的和多样化的车辆轨迹。我们用低维近似语义空间扩展了生成对抗网络（GAN）框架，并塑造了该空间以捕获合并和转向等语义。我们以模拟预测分布的方式从这个空间中采样，但允许我们控制语义上不同结果的覆盖范围。我们在一个公开的数据集上验证了我们的方法，并显示了实现最先进的预测性能的结果，同时提供了预测轨迹语义空间的更好覆盖。
2020-03-22 cs.AI cs.LG cs.RO
Cooperative and Distributed Reinforcement Learning of Drones for Field Coverage
University of Nevada, Reno（内华达大学里诺分校）；NASA Ames Research Center（NASA艾姆斯研究中心）
提出了一种分布式多智能体强化学习（MARL）算法。建议的MARL算法允许无人机合作学习，以提供一个完整的覆盖范围的未知领域的兴趣，同时最大限度地减少重叠部分之间的视野。本文讨论了MARL中的两个挑战：首先，无人机团队联合行动的复杂动态，将使用博弈论相关均衡来解决;其次，将使用有效的函数逼近技术来解决高维状态空间表示的挑战。我们还提供了我们的实验结果详细的仿真和物理实现，以表明无人机团队可以成功地学习完成任务。
2018-09-16 cs.RO
Few-Shot Scenario Testing for Autonomous Vehicles Based on Neighborhood Coverage and Similarity
PKU-WUHAN Institute for Artificial Intelligence（北京大学-武汉人工智能研究院）；Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心）；Tsinghua-Berkeley Shenzhen Institute (TBSI)（清华-伯克利深圳学院）；Hebei Expressway Group Limited（河北高速公路集团有限公司）
本文首次提出自动驾驶汽车少样本测试问题，通过基于邻域覆盖与相似性的优化框架动态选择测试场景，并利用代理模型先验信息建立评估误差上界，在有限测试数量下显著降低评估误差与方差。
2024-04-23 cs.LG cs.RO cs.SE
Dynamic Decentralized 3D Urban Coverage and Patrol with UAVs
本文提出了一种模块化框架和巡逻策略，使无人机群在灾害场景中实现协作和周期性覆盖。通过任务分配将感兴趣区域离散化为连接的视点路径，无人机团队在随机方向上沿路径移动并碰撞，实现3D城市环境的完整覆盖。
2024-06-14 cs.RO
Area Coverage with Multiple Capacity-Constrained Robots
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
区域覆盖问题是使用安装在机器人（如无人机（UAV）和无人地面车辆（UGV））上的传感器有效地服务于给定二维表面的任务。我们提出了一种新的配方为多个容量受限的机器人，其中容量可以指定的电池寿命或飞行时间的覆盖路线。穿越环境会对机器人资源产生需求，这些资源具有容量限制。我们方法的中心方面是将区域覆盖问题转换为线覆盖问题（即，线性特征的覆盖），然后生成在遵守容量约束的同时最小化行进的总成本的路线。我们定义了两种旅行模式：（1）服务和（2）空驶，这对应于机器人是否正在执行特定任务的行动。我们的公式允许两种模式的单独和不对称的旅行成本和需求。此外，从单元分解计算的单元，旨在最小化圈数，不需要是单调的多边形。我们开发了新的程序，细胞分解和生成的服务轨道，可以处理非单调多边形或没有孔。我们建立了我们的算法在地面机器人数据集与25个室内环境和空中机器人数据集与300个室外环境的功效。该算法生成的解决方案的成本平均比最先进的方法低10%。我们还证明了我们的算法在无人机的实验。
2022-08-21 cs.CG cs.RO
Meander Based River Coverage by an Autonomous Surface Vehicle
University of South Carolina（南卡罗来纳大学）
自主覆盖对于在河流上执行的环境调查和勘探任务在效率和数据汇集质量方面都具有巨大的重要性。大多数河流调查都是使用非常相似的方法手动进行的。使用这些实践来自动化这些过程可以提高调查操作的质量。除了人类对图案类型的专业知识之外，还可以使用河流蜿蜒来确定覆盖方向来优化河流的覆盖范围。在这项工作中，我们使用的隐含信息的水流速度，推断从曲线的河流，以减少成本的覆盖。我们使用自主水面车辆（ASV）部署所提出的方法，并证明我们的方法的效率。此外，我们比较所提出的方法与以前的覆盖技术在我们的实验室。当考虑到蜿蜒的覆盖时间平均减少了20%以上。ASV的部署是在美国南卡罗来纳州的Congaree河上进行的，并产生了超过27公里的总覆盖轨迹。
2019-08-07 cs.RO
Riverine Coverage with an Autonomous Surface Vehicle over Known Environments
University of Puget Sound（普吉特湾大学）
目前，对河流的环境监测和调查工作主要是用人工操作的船只进行的。在该领域中，区域的自主覆盖对于提高覆盖的质量和效率都是至关重要的。本文利用人类在河流勘探和数据汇集策略方面的专业知识，使用自主水面车辆（ASV）自动化和优化这些过程。特别是，提出了三个确定性算法的部分和完整的覆盖范围内的河流段，提供不同的路径长度，覆盖密度，和转向模式。这些策略提高了准确性和效率相比，人类performance.The提出的方法进行了广泛的测试，在模拟使用不同形状和大小的真实河流的地图。此外，为了验证它们在现实世界中的性能，这些算法成功地部署在美国南卡罗来纳州康加里河的几个部分，在该领域产生了超过35公里的覆盖轨迹。
2019-08-07 cs.RO
Improving Worst Case Visual Localization Coverage via Place-specific Sub-selection in Multi-camera Systems
Queensland University of Technology（昆士兰科技大学）；Ford Motor Company（福特汽车公司）
6-DoF视觉定位系统利用植根于3D几何形状的原理方法来执行图像到地图的准确相机姿态估计。目前的技术使用分层管道和学习的2D特征提取器来提高可扩展性并提高性能。然而，尽管在典型的召回@0.25米类型指标方面有所提高，但这些系统对于自动驾驶汽车等现实应用的实用性仍然有限，因为它们的性能“最差”区域-在某些所需的容错性下，它们提供的召回不足的位置。在这里，我们调查的效用使用“特定于地方的配置”，其中地图被分割成多个地方，每个地方都有自己的配置，用于调制的姿态估计步骤，在这种情况下，选择一个多相机系统内的相机。在福特AV基准数据集上，与使用现成的管道相比，我们证明了最坏情况下的本地化性能得到了大幅改善-最大限度地减少了在一定容错度下具有低召回率的数据集的百分比，以及提高了整体本地化性能。我们提出的方法特别适用于自动驾驶汽车部署的人群共享模型，其中自动驾驶汽车车队定期穿越已知路线。
2022-06-28 cs.AI cs.CV cs.RO
Cooperative Perception with Deep Reinforcement Learning for Connected Vehicles
Carnegie Mellon University（卡内基梅隆大学）；InfoTech Labs, Toyota Motor North America R&D（丰田北美研发公司InfoTech实验室）
基于传感器的车辆感知对于提高道路安全性变得越来越普遍和重要。自动驾驶系统使用摄像头、激光雷达和雷达来检测周围的物体，而人类驾驶的车辆则使用它们来辅助驾驶员。然而，单个车辆的环境感知在覆盖范围和/或检测精度上具有限制。例如，车辆无法检测到被其他移动/静态障碍物遮挡的物体。在本文中，我们提出了一个合作的感知方案与深度强化学习，以提高周围物体的检测精度。通过使用深度强化学习来选择要传输的数据，我们的方案减轻了车载通信网络中的网络负载，提高了通信可靠性。为了设计，测试和验证的合作感知方案，我们开发了一个合作与智能车辆仿真（CIVS）平台，它集成了三个软件组件：交通模拟器，车辆模拟器和对象分类器。我们评估，我们的计划减少数据包丢失，从而提高检测精度高达12%，相比基线协议。
2020-04-23 cs.AI cs.LG cs.RO
Jointly-optimized Trajectory Generation and Camera Control for 3D Coverage Planning
KIOS Research and Innovation Centre of Excellence（KIOS卓越研究与创新中心）；University of Cyprus（塞浦路斯大学）
本文提出一种联合优化UAV轨迹与相机控制的三维覆盖规划方法，通过光线追踪和混合整数规划实现物体表面最大覆盖，并经真实与合成实验验证。
2025-04-08 cs.RO cs.SY eess.SY
Multi-Depth Uniform Coverage Path Planning for Unmanned Surface Vehicle Surveying
AZTI Foundation（AZTI基金会）；Tsinghua University（清华大学）；University of the Basque Country (UPV/EHU)（巴斯克国家大学（UPV/EHU））；University of Technology Sydney（悉尼技术大学）；IKERBASQUE
本文提出一种新型自动覆盖路径规划算法，用于无人水面舰艇的水深勘测。通过整合粗略的深度信息预处理目标区域，并自适应引导路径生成和探测范围配置，优化路径间距以实现更一致的海底覆盖。
2026-05-13 cs.RO
Constrained Heterogeneous Vehicle Path Planning for Large-area Coverage
Carnegie Mellon University（卡内基梅隆大学）；A*STAR Artificial Intelligence Initiative (A*AI)（新加坡科技研究局人工智能倡议（A*AI））；IHPC, A*STAR（新加坡科技研究局高性能计算研究所）
对于由地面车辆支持的多个UAV（无人飞行器）自主地覆盖大区域存在强烈的需求。受UAV电池寿命和通信距离的限制，大区域的完全覆盖通常涉及多次起飞和着陆以给电池充电，以及通过地面车辆在操作区域之间运输UAV。在本文中，我们介绍了一种新的大面积覆盖的规划框架，集体优化的空中和地面车辆的路径。我们的方法首先将一个大的区域划分为子区域，每个子区域都可以由给定的无人机机队覆盖而无需重新充电。然后为每个子区域生成UAV操作路线或轨迹。其次，将试验任务分配给不同的无人机，并同时优化无人机访问其指定轨迹的顺序，以最小化总的无人机飞行距离。最后，通过求解非对称旅行商问题（ATSP），找到了一条访问所有子区域的地面车辆运输路径。虽然寻找全局最优路径分配和转移路径可以用混合二次规划（MIQP）来表示，但MIQP即使对于小问题也是难以处理的。我们发现，解决方案的时间可以减少到接近实时的水平，首先找到一个可行的解决方案，使用随机密钥遗传算法（RKGA），然后通过解决一个小得多的MIQP局部优化。
2019-11-22 cs.RO
Probabilistic Safety Verification for an Autonomous Ground Vehicle: A Situation Coverage Grid Approach
Dept. of Computer Science University of York York, United Kingdom（计算机科学系 英国约克大学）
本文提出一种基于情境覆盖网格、概率建模与模型检验的自主地面车辆安全验证新方法，有效识别高风险情境并提供定量安全保证，支持系统稳健部署。
2025-07-16 cs.RO
A Planning Framework for Persistent, Multi-UAV Coverage with Global Deconfliction
Carnegie Mellon University（卡内基梅隆大学）；Mitsubishi Heavy Industries, Ltd.（三菱重工业株式会社）
多机器人覆盖规划旨在为一队机器人确定无碰撞路径，使它们能够共同观察环境中的兴趣点。持续覆盖是传统覆盖的一种变体，其中环境中的覆盖水平随着时间的推移而衰减。因此，机器人必须不断地重新访问环境的部分以保持期望的覆盖水平。要在现实世界中实现这一点，我们需要解决许多子问题。虽然存在这些子问题的标准解决方案，但没有一个完整的框架，可以在实际环境中解决所有单个挑战。我们调整并结合这些解决方案，提出了一个规划框架，用于多个无人机（UAV）的持续覆盖。具体来说，我们运行一个连续循环的目标分配和全球性的去冲突，kinodynamic路径规划多无人机。我们在模拟和现实世界中评估我们的框架。特别是，我们证明了（i）我们的框架在资源充足的情况下表现出优雅的覆盖率，我们保持持久的覆盖率;如果资源不足（例如，对于给定大小的环境，无人机太少），覆盖水平衰减缓慢，（ii）与其他较弱的，更本地的碰撞检查计划相比，在我们的框架中，规划与全球去冲突会导致可忽略的更高的价格。（视频：https：//youtu.be/aqDs6Wymp5Q）
2019-10-16 cs.AI cs.RO cs.SY
Multi-robot Dubins Coverage with Autonomous Surface Vehicles
University of South Carolina（南卡罗来纳大学）
在大规模覆盖操作中，例如海洋勘探或空中监测，单个机器人方法并不理想，因为它们可能需要太长时间来覆盖大面积。在这种情况下，多机器人方法是优选的。此外，一些现实世界的车辆是非完整的，但可以使用Dubins车辆运动学建模。本文重点介绍了使用自主水面车辆（ASV）的水环境监测。特别是，我们提出了一种新的方法来解决由Dubins车辆组成的多机器人团队完全覆盖已知环境的问题。值得注意的是，多机器人覆盖和Dubins车辆覆盖都是NP完全问题。因此，我们提出了两种基于旅行商问题的变体- K-TSP -制定和聚类算法，有效地解决了这个问题的算法。所提出的方法进行了测试，无论是在模拟，以评估其可扩展性，并与一个团队的ASV在湖上运行，以确保其在现实世界中的适用性。
2018-08-07 cs.AI cs.RO
$ε^*$+: An Online Coverage Path Planning Algorithm for Energy-constrained Autonomous Vehicles
University of Connecticut（康涅狄格大学）
本文提出了一种新的算法，称为$ε^*$ +，使用能量受限的自主车辆的未知环境的在线覆盖路径规划。由于有限的电池尺寸，能量受限的车辆具有有限的操作时间持续时间。因此，在执行覆盖轨迹时，车辆必须在电池耗尽之前返回充电站进行充电。在这方面，$ε^*$ +算法使得车辆能够基于在整个覆盖过程中监测的剩余能量退回到充电站。这之后是一个前进轨迹，它将飞行器带到附近未探测的航路点重新开始覆盖过程，而不是将其带回到撤退轨迹的先前遗留点;从而减少了整体覆盖时间。所提出的$ε^*$ +算法是$ε^*$算法的扩展，该算法利用探索性图灵机（ETM）作为管理器，以来回轨迹导航车辆以实现完全覆盖。$ε^*$ +算法的性能在复杂场景中使用Player/Stage（高保真机器人模拟器）进行了验证。
2020-08-29 cs.AI cs.RO cs.SY
Fields2Cover: An open-source coverage path planning library for unmanned agricultural vehicles
Wageningen University & Research（瓦赫宁根大学及研究中心）
本文介绍了Fields 2Cover，一个新的开源库覆盖路径规划（CPP）的农用车辆。虽然现在有几种CPP解决方案，但将它们统一到开源库并提供基准测试工具来比较它们的性能的努力有限。Fields 2Cover提供了一个框架，用于规划覆盖路径，开发新技术，并对最先进的算法进行基准测试。该库具有模块化和可扩展的架构，支持各种车辆，可用于各种应用，包括农场。它的核心模块是：一个岬生成器，一个条带生成器，一个路线规划器和路径规划器。机器人操作系统（ROS）的接口也提供了作为add-on. In本文中，库的功能，规划覆盖路径在农业中使用8个国家的最先进的方法和7个目标函数在模拟和田间试验。
2023-02-17 cs.CG cs.RO
Coverage Path Planning with Track Spacing Adaptation for Autonomous Underwater Vehicles
NATO STO Centre for Maritime Research and Experimentation (CMRE)（北约科技组织海事研究与实验中心）
在本文中，我们解决地雷对抗（MCM）的搜索问题的自主水下航行器（AUV）调查海底使用侧视声纳。我们提出了一种覆盖路径规划方法，适应AUV的轨道间距与收集更好的数据的目的。我们通过在传感器范围的尾部移动覆盖重叠来实现这一点，其中预期数据质量最低。为了评估该算法，我们收集了三个海上实验的数据。自适应调查允许AUV从传感器范围被高估的情况下恢复，并导致减少区域覆盖差距。在另一个实验中，自适应调查显示，近30%的“最差”数据的数据质量提高了4.2%。
2020-06-23 cs.AI cs.RO
Coverage Path Planning with Budget Constraints for Multiple Unmanned Ground Vehicles
针对多机器人环境感知，本文提出融合可变编队覆盖路径规划与集群协同主动感知的状态机切换方法，并在气源定位建图实验中证明其比单模态方法收敛更快。
2023-06-07 cs.MA cs.RO
Team Orienteering Coverage Planning with Uncertain Reward
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能研究院）
许多市政当局和大型组织都有需要协调的车队，以执行垃圾回收或基础设施检查等任务。出于这一需要，本文重点讨论了常见的子问题，其中一个车队的车辆需要规划协调的路线，巡逻的迭代区域，同时最大限度地减少时间和空间相关的成本。特别地，在特定位置（例如，图上的顶点），我们假设成本以未知的速率在期望中线性增长，并且每当任何车辆访问顶点（表示服务于顶点的机器人）时，成本被重置为零。我们制定这个问题的图形术语，并称之为团队定向覆盖规划与不确定的回报（TOCPUR）。我们建议解决TOCPUR的同时估计在图上的每个顶点的累积成本，并解决一个新的变种的团队定向问题（TOP）迭代，我们称之为团队定向覆盖问题（TOCP）。我们提供了第一个混合整数规划制定的TOCP，作为一个显着的适应原来的TOP。我们引入了一个新的基准，由数百个随机生成的图比较不同的方法。我们提出的解决方案优于确切的TOP解决方案和贪心算法。此外，我们提供了一个演示我们的方法在一个团队的三个物理机器人在现实世界的环境。
2021-05-08 cs.RO
REACT: Real-time Entanglement-Aware Coverage Path Planning for Tethered Underwater Vehicles
Artificial Intelligence in Robotics Laboratory (AiR Lab), Department of Electrical and Computer Engineering, Aarhus University（人工智能机器人实验室（AiR实验室），电气与计算机工程系，阿arhus大学）；NestAI；EIVA a/s（EIVA公司）；Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)（德国人工智能研究中心（DFKI））；Automatic Control Group, Department of Electrical Engineering and Information Technology, Paderborn University（自动控制组，电气工程与信息科技系，帕德博恩大学）
REACT通过实时纠缠感知覆盖路径规划，实现了安全高效的水下结构检查，比传统方法快20%完成任务。
2026-02-06 cs.RO cs.SY eess.SY
A Quantum Computing Approach for Multi-robot Coverage Path Planning
针对NP难的多机器人覆盖路径规划问题，提出可与量子启发式算法QAOA集成的二维网格路径探索方法，含目标函数设计、理论证明等五项贡献，为量子计算优化多机器人路径规划奠基。
2024-07-11 cs.ET cs.RO quant-ph
