arXiv 2207.017522022-07-06cs.AIcs.RO

基于室内四轴飞行器的多智能体路径搜索计划执行

Plan Execution for Multi-Agent Path Finding with Indoor Quadcopters

Matouš Kulhan, Pavel Surynek

摘要：

本文研究了多智能体路径搜索问题的规划和行动阶段。MAPF是一个导航代理从他们的开始位置到指定的个人目标位置，使代理不相互碰撞的问题。具体来说，我们专注于执行MAPF计划与一组Crazyflies，小型室内四轴飞行器。我们展示了如何修改现有的连续时间基于冲突的搜索算法（CCBS），以产生适合于执行的四轴飞行器的计划。行动阶段使用Loco定位系统来检查计划是否正确执行。我们的发现是，CCBS算法允许扩展，可以产生安全的四轴飞行器的计划，即圆柱形保护区周围的每个四轴飞行器可以在规划水平。

英文摘要：

We study the planning and acting phase for the problem of multi-agent path finding (MAPF) in this paper. MAPF is a problem of navigating agents from their start positions to specified individual goal positions so that agents do not collide with each other. Specifically we focus on executing MAPF plans with a group of Crazyflies, small indoor quadcopters . We show how to modify the existing continuous time conflict-based search algorithm (CCBS) to produce plans that are suitable for execution with the quadcopters. The acting phase uses the the Loco positioning system to check if the plan is executed correctly. Our finding is that the CCBS algorithm allows for extensions that can produce safe plans for quadcopters, namely cylindrical protection zone around each quadcopter can be introduced at the planning level.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

网络分布式多智能体强化学习用于四旋翼无人机一致性控制

Network Distributed Multi-Agent Reinforcement Learning for Consensus Control of Quadcopters

Mechatronics Engineering Department, German University in Cairo (GUC), Egypt（埃及德国大学（GUC）机械工程系）；Institute of Flight Mechanics and Control (IFR), Head of Flight Robotics, University of Stuttgart, Germany（德国斯图加特大学飞行力学与控制研究所）；Faculty of EMS, Head of Mechatronics Engineering Department, German University in Cairo (GUC), Egypt（埃及德国大学（GUC）EMS学院）

提出网络分布式多智能体强化学习框架，利用通信图实现分布式策略，通过MASAC训练高层规划器，实现零样本扩展到250个智能体。

2026-06-01cs.AIcs.LGcs.RO

基于多模态感知与LLM驱动的高语义推理的云控制四旋翼无人机在受限空间中的自主导航

Autonomous Navigation of Cloud-Controlled Quadcopters in Confined Spaces Using Multi-Modal Perception and LLM-Driven High Semantic Reasoning

Department of Mechanical Engineering（机械工程系）；Rajshahi University of Engineering and Technology（拉贾沙希工程与技术大学）；Department of Industrial and Production Engineering（工业与生产工程系）；Shahjalal University of Science and Technology（沙赫jalal科学与技术大学）；Bangladesh University of Engineering and Technology（孟加拉工程与技术大学）；Department of Urban and Regional Planning（城市与区域规划系）；Department of Computer Science Engineering（计算机科学与工程系）；United International University（联合国际大学）

本文提出一种云控制四旋翼无人机自主导航系统，集成YOLOv11、Depth Anything V2、ToF与IMU传感器及云端LLM，通过虚拟安全包络与多线程架构实现低延迟避碰与上下文决策，在无GPS受限空间中表现优异。

2025-08-11cs.AIcs.CVcs.RO

基于深度学习的多模感知小型四轴飞行器跟踪与状态提取

Deep Learning based Multi-Modal Sensing for Tracking and State Extraction of Small Quadcopters

University at Buffalo（布法罗大学）；Clemson University（克莱姆森大学）

提出了一种基于多传感器的四轴无人机（UAV）检测、跟踪和定位方法。具体来说，开发了一个管道来处理单目RGB和热视频（从固定平台捕获），以检测和跟踪我们的FoV中的无人机。随后，使用2D平面激光雷达来允许将像素数据转换为实际距离测量，并且由此使得能够在全球坐标中定位UAV。通过基于深度学习的目标检测方法处理单目数据，该方法计算UAV的初始限界框。通过阈值和卡尔曼滤波器的方法来处理热数据，以检测和跟踪限界框框。训练和测试数据是通过结合一组在运动捕捉环境中进行的原始实验和公开可用的UAV图像数据来准备的。新的管道相比，现有的方法，并展示了有前途的跟踪和定位能力的样本实验。

2020-12-08cs.AIcs.CVcs.RO

在线并发多机器人覆盖路径规划

Online Concurrent Multi-Robot Coverage Path Planning

Department of Computer Science and Engineering, Indian Institute of Technology Kanpur（计算机科学与工程系，印度理工学院坎浦尔）

针对滚动时域多机器人覆盖路径规划中规划与执行交错导致的资源浪费问题，提出一种非时域集中式并发规划算法，经证明可实现完全覆盖，实验验证其相较现有方法速度最高提升1.6倍。

2025-07-28cs.AIcs.RO

一种高效的多准则室内路径规划近似算法

An Efficient Approximation Algorithm for Multi-criteria Indoor Route Planning Queries

Monash University（莫纳什大学）

路线规划查询具有许多现实应用，并且在诸如道路网络或欧几里得空间的室外空间中已经被广泛研究。尽管其在室内场所（例如，购物中心，图书馆，机场），几乎所有现有的研究是专门为室外空间设计的，并没有考虑到室内空间，如走廊，楼梯，自动扶梯，房间等的独特属性。我们确定了这一研究差距，并正式定义了类别感知的多标准路线规划查询问题，表示为CAM，其返回从室内源点到室内目标点的最优路线，该最优路线经过来自每个给定类别的至少一个室内点，同时最小化路线在行进距离和其它相关属性方面的总成本。我们证明了CAM查询是NP难的。基于一种新的基于优势的修剪，我们提出了一种高效的算法，产生高质量的结果。我们提供了在澳大利亚最大的购物中心进行了广泛的实验研究，并比较我们的算法与其他方法。实验表明，我们的算法是高效的，并产生高质量的结果。

2018-09-18cs.AI

CHOrD：生成具有可控平面图和最优布局的无碰撞、房屋尺度且有序的3D室内场景数字孪生

CHOrD: Generation of Collision-Free, House-Scale, and Organized Digital Twins for 3D Indoor Scenes with Controllable Floor Plans and Optimal Layouts

KE Holdings Inc.（贝壳找房（原链家））；University of Cambridge（剑桥大学）

本文提出CHOrD框架，利用基于2D图像的中间布局表示和多模态平面图控制，生成房屋尺度、无碰撞、层次化且空间连贯的3D室内数字孪生，并在3D-FRONT等数据集上达到SOTA。

2025-03-15cs.AIcs.CVcs.LG

更多相关论文收起更多论文

基于前沿探索的自主隐式室内场景重建

Autonomous Implicit Indoor Scene Reconstruction with Frontier Exploration

College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）

针对 NBV 自主隐式重建覆盖不全、视角采样耗时的问题，本文融合前沿探索与颜色不确定性引导的重建，并自适应切换规划模式，在 UAV 上实现高效高质量室内场景重建。

2024-04-16cs.AIcs.RO

深度强化与监督学习相结合加速室内测绘

Integrating Deep Reinforcement and Supervised Learning to Expedite Indoor Mapping

Hebrew University of Jerusalem（耶路撒冷希伯来大学）；Technion - Israel Institute of Technology（以色列理工学院）

解决了绘制室内环境的挑战。求解运动规划问题的典型启发式算法是基于前沿的方法，这在环境完全未知时特别有效。然而，在关于环境的架构特征的先前统计数据可用的情况下，这样的算法可能远非最佳。此外，它们的计算时间可能随着更多的区域被暴露而显著增加。在本文中，我们提出了两种方法来克服这些缺点。一个是使用深度强化学习来训练运动规划器。第二个是包含一个预训练的生成式深度神经网络，用作地图预测器。每一个都有助于通过使用环境的学习结构统计来改进决策，并且两者都被实现为神经网络，确保恒定的计算时间。我们表明，结合这两种方法可以缩短映射过程的持续时间高达4倍，相比基于前沿的运动规划。

2022-02-27cs.AIcs.LGcs.RO

使用PRM-RL的远程室内导航

Long-Range Indoor Navigation with PRM-RL

Robotics at Google（谷歌机器人部门）

长距离室内导航需要引导带有噪声传感器和控制器的机器人沿着跨越各种建筑物的路径穿过杂乱的环境。我们实现了这一点与PRM-RL，分层机器人导航方法，其中强化学习代理映射噪声传感器的机器人控制学习解决短程避障任务，然后基于采样的规划者地图，这些代理可以可靠地在模拟导航;这些路线图和代理，然后部署在机器人上，引导他们沿着代理可能成功的最短路径。在这里，我们使用概率路线图（PRM）作为基于采样的规划器，AutoRL作为室内导航环境中的强化学习方法。我们评估的方法在模拟运动学差动驱动和kinodynamic车一样的机器人在几个环境中，并在三个物理站点的差动驱动机器人。我们的研究结果表明，带有AutoRL的PRM-RL比几个基线更成功，对噪声具有鲁棒性，并且可以在模拟和机器人上面对噪声和障碍物引导机器人超过数百米，包括超过5.8公里的物理机器人导航。视频：https://youtu.be/xN-OWX5gKvQ

2020-02-22cs.AIcs.LGcs.RO

Walk2Map：从室内步行轨迹提取平面图

Walk2Map: Extracting Floor Plans from Indoor Walk Trajectories

University of Zurich（苏黎世大学）；ETH Zürich（苏黎世联邦理工学院）；University College London（伦敦大学学院）；Adobe Research（奥多比研究中心）

近年来，用于有效管理室内空间的新数字产品激增，其重要应用包括应急管理、虚拟财产展示和室内设计。这些产品依赖于所考虑环境的精确3D模型，包括建筑和非永久性元素的信息。这些模型必须从测量数据（如RGB-D图像或3D点云）创建，其捕获和整合涉及冗长的数据工作流程。这极大地限制了3D模型的生成速度，阻碍了许多室内空间管理数字服务的采用。我们提供了一种替代这种数据密集型的程序，提出Walk 2 Map，一种数据驱动的方法来生成平面图，只从一个人走在房间内的轨迹。得益于数据驱动惯性里程计的最新进展，可以从消费级智能手机的IMU读数中获取这种极简的输入数据，这允许轻松且可扩展地映射真实世界的室内空间。我们的工作是基于学习室内步行轨迹和平面图中表示的信息之间的潜在关系：室内空间足迹，门户和家具。我们区分恢复区域相关（室内足迹，家具）和墙壁相关（门）的信息，并使用两种不同的神经架构的两个任务：基于图像的编码器-解码器和图卷积网络，分别。我们使用扫描的3D室内模型训练我们的网络，并在推理时将它们以级联方式应用于室内步行轨迹。我们使用模拟和测量的真实轨迹进行定性和定量评估，并与图像到图像转换的基线方法进行比较。实验证明了该方法的可行性。

2021-02-27cs.AIcs.CVcs.GR