HE-Nav: A High-Performance and Efficient Navigation System for Aerial-Ground Robots in Cluttered Environments
作者: Junming Wang, Zekai Sun, Xiuxian Guan, Tianxiang Shen, Dong Huang, Zongyuan Zhang, Tianyang Duan, Fangming Liu, Heming Cui
分类: cs.RO
发布日期: 2024-10-07
备注: Accepted to IEEE RA-L
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
HE-Nav：面向复杂环境无人机-地面机器人高效导航系统
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 无人机-地面机器人 自主导航 语义场景补全 运动学规划 复杂环境
📋 核心要点
- 现有AGR导航系统在复杂遮挡环境中，感知精度和规划效率面临挑战。
- HE-Nav提出轻量级语义场景补全网络LBSCNet，结合BEV特征融合和SCB-Fusion模块，提升感知能力。
- AG-Planner采用节能的运动学A*搜索算法，结合轨迹优化，实现高效安全的混合路径规划。
📝 摘要（中文）
现有的无人机-地面机器人（AGR）导航系统在轻度遮挡场景（如建筑物）中通过3D语义场景补全网络进行体素占用预测，并构建欧几里得符号距离场（ESDF）地图进行无碰撞路径规划，取得了进展。然而，由于感知网络预测精度低和路径规划器计算开销大，这些系统在严重遮挡的复杂环境（如茂密的森林或高墙）中表现出次优的性能和效率。本文提出了HE-Nav，这是第一个专为在复杂环境中运行的AGR量身定制的高性能和高效导航系统。感知模块利用轻量级语义场景补全网络（LBSCNet），通过鸟瞰图（BEV）特征融合引导，并由精心设计的SCB-Fusion模块和注意力机制增强，从而能够在复杂区域进行实时高效的障碍物预测，生成完整的局部地图。在此基础上，我们新颖的AG-Planner采用节能的运动学A*搜索算法，以保证规划的节能性。后续的轨迹优化过程产生安全、平滑、动态可行且无ESDF的无人机-地面混合路径。大量的实验表明，HE-Nav在实际环境中实现了7倍的节能效果，同时在模拟场景中保持了98%的规划成功率。
🔬 方法详解
问题定义：现有AGR导航系统在复杂、遮挡严重的环境中，由于感知网络预测精度不足和路径规划算法计算量大，导致导航性能和效率显著下降。尤其是在森林等场景中，难以准确预测障碍物分布，并快速规划出可行的无人机-地面机器人混合路径。现有方法依赖ESDF地图，计算成本高，且难以保证能量效率。
核心思路：HE-Nav的核心思路是提升感知模块的效率和精度，并设计节能的路径规划算法。通过轻量级的语义场景补全网络LBSCNet，结合鸟瞰图特征融合和注意力机制，实现对复杂环境的快速准确感知。然后，利用AG-Planner进行节能的运动学A*搜索，避免使用ESDF地图，降低计算复杂度，并优化轨迹，保证路径的安全性和动态可行性。
技术框架：HE-Nav系统主要包含感知模块和规划模块。感知模块首先通过LBSCNet进行语义场景补全，生成局部地图。LBSCNet以鸟瞰图（BEV）特征作为输入，利用SCB-Fusion模块和注意力机制增强特征表达能力。规划模块则包含AG-Planner和轨迹优化两个阶段。AG-Planner基于运动学A*算法搜索初始路径，然后通过轨迹优化生成最终的混合路径。
关键创新：HE-Nav的关键创新在于：1) 提出了轻量级的语义场景补全网络LBSCNet，能够在计算资源有限的情况下实现高精度的障碍物预测；2) 设计了SCB-Fusion模块和注意力机制，有效融合多尺度特征，提升感知能力；3) 提出了AG-Planner，采用节能的运动学A*搜索算法，避免了ESDF地图的计算，降低了计算复杂度，并保证了规划的能量效率。
关键设计：LBSCNet采用轻量级的网络结构，减少了参数量和计算量。SCB-Fusion模块通过串联卷积块，逐步融合不同尺度的特征。注意力机制用于增强关键区域的特征表达。AG-Planner中的运动学A*算法考虑了机器人的运动学约束，保证了路径的动态可行性。轨迹优化阶段采用非线性优化方法，生成平滑的路径。
🖼️ 关键图片
📊 实验亮点
实验结果表明，HE-Nav在实际环境中实现了7倍的节能效果，显著降低了能源消耗。在模拟场景中，HE-Nav保持了98%的规划成功率，证明了其在复杂环境中的可靠性。与现有方法相比，HE-Nav在感知精度和规划效率方面均有显著提升，为AGR在复杂环境中的应用提供了新的解决方案。
🎯 应用场景
HE-Nav可应用于复杂环境下的无人机巡检、森林防火、灾害救援、农业植保等领域。该系统能够提高AGR在复杂环境中的自主导航能力，降低能源消耗，提升任务效率，具有重要的实际应用价值和广阔的市场前景。未来，该技术有望进一步推广到其他类型的机器人平台，并与其他感知和控制技术相结合，实现更高级别的自主导航。
📄 摘要（原文）
Existing AGR navigation systems have advanced in lightly occluded scenarios (e.g., buildings) by employing 3D semantic scene completion networks for voxel occupancy prediction and constructing Euclidean Signed Distance Field (ESDF) maps for collision-free path planning. However, these systems exhibit suboptimal performance and efficiency in cluttered environments with severe occlusions (e.g., dense forests or tall walls), due to limitations arising from perception networks' low prediction accuracy and path planners' high computational overhead. In this paper, we present HE-Nav, the first high-performance and efficient navigation system tailored for AGRs operating in cluttered environments. The perception module utilizes a lightweight semantic scene completion network (LBSCNet), guided by a bird's eye view (BEV) feature fusion and enhanced by an exquisitely designed SCB-Fusion module and attention mechanism. This enables real-time and efficient obstacle prediction in cluttered areas, generating a complete local map. Building upon this completed map, our novel AG-Planner employs the energy-efficient kinodynamic A* search algorithm to guarantee planning is energy-saving. Subsequent trajectory optimization processes yield safe, smooth, dynamically feasible and ESDF-free aerial-ground hybrid paths. Extensive experiments demonstrate that HE-Nav achieved 7x energy savings in real-world situations while maintaining planning success rates of 98% in simulation scenarios. Code and video are available on our project page: https://jmwang0117.github.io/HE-Nav/.