An Addendum to NeBula: Towards Extending TEAM CoSTAR's Solution to Larger Scale Environments
作者: Ali Agha, Kyohei Otsu, Benjamin Morrell, David D. Fan, Sung-Kyun Kim, Muhammad Fadhil Ginting, Xianmei Lei, Jeffrey Edlund, Seyed Fakoorian, Amanda Bouman, Fernando Chavez, Taeyeon Kim, Gustavo J. Correa, Maira Saboia, Angel Santamaria-Navarro, Brett Lopez, Boseong Kim, Chanyoung Jung, Mamoru Sobue, Oriana Claudia Peltzer, Joshua Ott, Robert Trybula, Thomas Touma, Marcel Kaufmann, Tiago Stegun Vaquero, Torkom Pailevanian, Matteo Palieri, Yun Chang, Andrzej Reinke, Matthew Anderson, Frederik E. T. Schöller, Patrick Spieler, Lillian M. Clark, Avak Archanian, Kenny Chen, Hovhannes Melikyan, Anushri Dixit, Harrison Delecki, Daniel Pastor, Barry Ridge, Nicolas Marchal, Jose Uribe, Sharmita Dey, Kamak Ebadi, Kyle Coble, Alexander Nikitas Dimopoulos, Vivek Thangavelu, Vivek S. Varadharajan, Nicholas Palomo, Antoni Rosinol, Arghya Chatterjee, Christoforos Kanellakis, Bjorn Lindqvist, Micah Corah, Kyle Strickland, Ryan Stonebraker, Michael Milano, Christopher E. Denniston, Sami Sahnoune, Thomas Claudet, Seungwook Lee, Gautam Salhotra, Edward Terry, Rithvik Musuku, Robin Schmid, Tony Tran, Ara Kourchians, Justin Schachter, Hector Azpurua, Levi Resende, Arash Kalantari, Jeremy Nash, Josh Lee, Christopher Patterson, Jennifer G. Blank, Kartik Patath, Yuki Kubo, Ryan Alimo, Yasin Almalioglu, Aaron Curtis, Jacqueline Sly, Tesla Wells, Nhut T. Ho, Mykel Kochenderfer, Giovanni Beltrame, George Nikolakopoulos, David Shim, Luca Carlone, Joel Burdick
分类: cs.RO, eess.SY
发布日期: 2025-04-18
期刊: IEEE Transactions on Field Robotics, vol. 1, pp. 476-526, 2024
💡 一句话要点
扩展NeBula：TEAM CoSTAR针对更大规模环境的自主解决方案
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 自主导航 地下环境 机器人探索 POMDP规划 多机器人协同
📋 核心要点
- 现有地下环境探索方案在面对大规模复杂环境时，存在定位精度下降、规划效率低、通信受限等问题。
- NeBula通过扩展硬件、软件和算法组件，实现了更大规模环境下的自主探索，提升了定位、规划和通信能力。
- 该方案在石灰石矿和DARPA地下挑战赛等场景中进行了验证，证明了其在大规模地下环境中的有效性。
📝 摘要（中文）
本文是TEAM CoSTAR团队为参与DARPA地下挑战赛而开发的NeBula自主解决方案的附录。具体而言，本文介绍了NeBula在硬件、软件和算法组件方面的扩展，重点在于扩大探索环境的范围和规模。从算法角度来看，我们讨论了对原始NeBula框架的以下扩展：（i）大规模几何和语义环境地图构建；（ii）自适应定位系统；（iii）概率可通行性分析和局部规划；（iv）基于POMDP的大规模全局运动规划和探索行为；（v）大规模网络和分散推理；（vi）通信感知任务规划；以及（vii）多模态地面-空中探索解决方案。我们展示了所提出的系统和解决方案在各种大型地下环境中的应用和部署，包括石灰石矿的探索场景以及在DARPA地下挑战赛中的部署。
🔬 方法详解
问题定义：现有方法在大规模地下环境中面临诸多挑战。首先，由于缺乏GPS信号和视觉特征，定位精度会显著下降。其次，传统的规划算法难以处理大规模环境带来的复杂性和计算量。此外，地下环境的通信基础设施通常受限，导致多机器人协同探索效率低下。
核心思路：NeBula的核心思路是通过多方面的扩展来提升系统在大型地下环境中的自主能力。这包括改进定位系统以适应特征稀疏的环境，采用概率方法进行可通行性分析和局部规划，以及使用基于POMDP的全局运动规划来优化探索策略。同时，还考虑了通信约束，设计了通信感知的任务规划方法。
技术框架：NeBula的整体框架包含以下几个主要模块：(1) 大规模几何和语义环境地图构建模块，用于创建环境的详细表示；(2) 自适应定位系统，用于在缺乏外部信号的情况下保持准确的定位；(3) 概率可通行性分析和局部规划模块，用于安全地导航复杂地形；(4) 基于POMDP的全局运动规划模块，用于优化探索策略；(5) 大规模网络和分散推理模块，用于实现多机器人之间的协同；(6) 通信感知任务规划模块，用于在通信受限的情况下优化任务分配；(7) 多模态地面-空中探索解决方案，用于利用无人机扩展探索范围。
关键创新：NeBula的关键创新在于其综合性的解决方案，它不仅关注单个算法的改进，而是通过协同优化定位、地图构建、规划和通信等多个方面，实现了在大规模地下环境中的鲁棒自主探索。此外，多模态地面-空中探索解决方案也是一个重要的创新点，它允许系统利用无人机扩展探索范围，克服地面机器人的局限性。
关键设计：在自适应定位系统中，可能采用了基于滤波的方法，例如扩展卡尔曼滤波（EKF）或粒子滤波（PF），并结合视觉里程计和惯性测量单元（IMU）数据。在POMDP规划中，需要定义状态空间、动作空间、转移概率和奖励函数，并使用近似的求解方法，例如蒙特卡洛树搜索（MCTS）。在通信感知任务规划中，需要考虑机器人之间的通信距离和带宽限制，并使用优化算法来分配任务。
🖼️ 关键图片
📊 实验亮点
该论文展示了NeBula系统在真实的大规模地下环境（包括石灰石矿和DARPA地下挑战赛）中的成功部署。虽然论文中没有提供具体的性能数据，但强调了系统在这些复杂环境中的稳定性和可靠性，证明了其在大规模环境下的有效性。多模态地面-空中探索解决方案也显著扩展了探索范围。
🎯 应用场景
该研究成果可应用于矿山勘探、灾难救援、地下基础设施巡检等领域。通过自主导航和环境感知，机器人可以进入人类难以到达的危险区域，执行搜索、测绘和监测任务，从而提高效率和安全性。未来，该技术有望进一步推广到太空探索等更广泛的领域。
📄 摘要（原文）
This paper presents an appendix to the original NeBula autonomy solution developed by the TEAM CoSTAR (Collaborative SubTerranean Autonomous Robots), participating in the DARPA Subterranean Challenge. Specifically, this paper presents extensions to NeBula's hardware, software, and algorithmic components that focus on increasing the range and scale of the exploration environment. From the algorithmic perspective, we discuss the following extensions to the original NeBula framework: (i) large-scale geometric and semantic environment mapping; (ii) an adaptive positioning system; (iii) probabilistic traversability analysis and local planning; (iv) large-scale POMDP-based global motion planning and exploration behavior; (v) large-scale networking and decentralized reasoning; (vi) communication-aware mission planning; and (vii) multi-modal ground-aerial exploration solutions. We demonstrate the application and deployment of the presented systems and solutions in various large-scale underground environments, including limestone mine exploration scenarios as well as deployment in the DARPA Subterranean challenge.