Sequential Autonomous Exploration-Based Precise Mapping for Mobile Robots through Stepwise and Consistent Motions
作者: Muhua Zhang, Lei Ma, Ying Wu, Kai Shen, Yongkui Sun, Henry Leung
分类: cs.RO, eess.SY
发布日期: 2025-03-21 (更新: 2025-11-17)
备注: 9 pages, 10 figures. This work has been submitted to the IEEE for possible publication
💡 一句话要点
提出基于序列自主探索的精确建图框架，提升移动机器人在资源受限平台上的SLAM性能。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 自主探索 SLAM 移动机器人 激光雷达 RRT 建图 路径规划
📋 核心要点
- 现有低成本移动机器人SLAM系统易受过程不稳定性、地图漂移以及碰撞和死锁风险的影响。
- 提出一种序列自主探索框架，通过自收敛RRT局部探索、分段一致运动导航和航路点重溯等策略，提升建图精度和鲁棒性。
- 实验结果表明，该框架在资源受限机器人上具有更高的建图成功率和更强的鲁棒性，并能保持一致的建图质量。
📝 摘要（中文）
本文提出了一种基于激光雷达的SLAM移动机器人二维自主探索与建图框架，旨在解决低成本平台上的主要挑战，包括过程不稳定性、地图漂移以及碰撞和死锁风险的增加。该框架采用基于快速探索随机树（RRT）的局部-全局采样架构进行前沿搜索。对于局部探索，提出的自收敛RRT（SC-RRT）在机器人静止时有效地覆盖可达空间，无需依赖运动诱导的采样多样性。此外，RRT扩展期间的可遍历性检查和地图更新时的全局RRT修剪消除了无法到达的前沿，减少了潜在的碰撞和死锁。对于前沿点导航，采用逐步一致的运动策略来生成更易于稳定扫描匹配的运动轨迹。由此产生的直线段和原地旋转模式提高了扫描匹配的鲁棒性，并有效地抑制了资源受限平台上的地图漂移。对于过程控制，该框架序列化前沿点选择和导航，避免了传统并行化过程中频繁目标变化引起的振荡。引入航路点重溯机制以生成重复观测，从而触发基于图的SLAM中的闭环检测和后端优化，从而提高地图一致性。在具有挑战性的模拟和真实环境中的实验验证了该框架的有效性。与基线方法相比，所提出的框架在资源受限的机器人上实现了更高的建图成功率和更强的鲁棒性，并在各种激光雷达视场（FoV）配置中保持一致的建图质量。
🔬 方法详解
问题定义：论文旨在解决低成本移动机器人在自主探索建图过程中，由于硬件限制和环境复杂性导致的建图精度差、鲁棒性低以及易发生碰撞和死锁等问题。现有方法通常依赖运动诱导的采样多样性，容易受到噪声和不确定性的影响，导致地图漂移和过程不稳定。
核心思路：论文的核心思路是通过解耦探索和导航过程，并采用一系列策略来提高每个阶段的稳定性和精度。具体来说，使用自收敛RRT进行局部探索，确保在机器人静止时充分探索可达空间；采用分段一致运动策略进行导航，生成更易于稳定扫描匹配的运动轨迹；通过航路点重溯机制，生成重复观测，触发闭环检测和后端优化。
技术框架：该框架主要包含以下几个模块：1) 基于RRT的局部-全局采样架构进行前沿搜索；2) 自收敛RRT（SC-RRT）进行局部探索；3) 可遍历性检查和全局RRT修剪，避免碰撞和死锁；4) 逐步一致的运动策略进行前沿点导航；5) 序列化的前沿点选择和导航过程控制；6) 航路点重溯机制触发闭环检测和后端优化。
关键创新：论文的关键创新在于：1) 提出了自收敛RRT（SC-RRT），无需依赖运动诱导的采样多样性，即可在机器人静止时有效地覆盖可达空间；2) 采用了逐步一致的运动策略，生成更易于稳定扫描匹配的运动轨迹，从而抑制地图漂移；3) 设计了序列化的过程控制，避免了传统并行化过程中频繁目标变化引起的振荡。
关键设计：SC-RRT的关键设计在于其自收敛特性，通过特定的采样策略和约束条件，确保RRT能够快速收敛到可达空间的边界。逐步一致运动策略的关键在于将运动分解为直线段和原地旋转，简化了运动控制和扫描匹配的难度。航路点重溯机制的关键在于选择合适的航路点进行重访，以触发有效的闭环检测。
📊 实验亮点
实验结果表明，该框架在模拟和真实环境中均表现出良好的性能。与基线方法相比，该框架在资源受限的机器人上实现了更高的建图成功率和更强的鲁棒性，并在各种激光雷达视场（FoV）配置中保持一致的建图质量。具体性能数据未知，但摘要强调了在资源受限平台上的优势。
🎯 应用场景
该研究成果可应用于低成本移动机器人的自主导航、环境探索和地图构建等领域，例如家庭服务机器人、仓储物流机器人、安防巡检机器人等。通过提高建图精度和鲁棒性，可以提升机器人在复杂环境中的适应性和可靠性，降低部署和维护成本，加速机器人在各行业的应用。
📄 摘要（原文）
This paper proposes a 2-D autonomous exploration and mapping framework for LiDAR-based SLAM mobile robots, designed to address the major challenges on low-cost platforms, including process instability, map drift, and increased risks of collisions and deadlocks. For frontier search, the local-global sampling architecture based on Rapidly-exploring Random Trees (RRTs) is employed. For local exploration, the proposed Self-Convergent RRT (SC-RRT) efficiently covers the reachable space within a finite time while the robot remains stationary, without relying on motion-induced sampling diversity. In addition, traversability checks during RRT expansion and global RRT pruning upon map updates eliminate unreachable frontiers, reducing potential collisions and deadlocks. For frontier point navigation, a stepwise consistent motion strategy is employed to generate motion trajectories that are more amenable to stable scan matching. The resulting straight-segment and in-place-rotation pattern improves scan-matching robustness and effectively suppresses map drift on resource-constrained platforms. For the process control, the framework serializes frontier point selection and navigation, avoiding oscillations caused by frequent goal changes in conventional parallelized processes. The waypoint retracing mechanism is incorporated to generate repeated observations, triggering loop closure detection and backend optimization in graph-based SLAM, thereby improving map consistency. Experiments in challenging simulated and real-world environments validate the effectiveness of the framework. Compared with baseline methods, the proposed framework achieves higher mapping success rates and stronger robustness on resource-constrained robots and maintains consistent mapping quality across various LiDAR field-of-view (FoV) configurations.