BIM-Discrepancy-Driven Active Sensing for Risk-Aware UAV-UGV Navigation

📄 arXiv: 2511.14037v1 📥 PDF

作者: Hesam Mojtahedi, Reza Akhavian

分类: cs.RO

发布日期: 2025-11-18

💡 一句话要点

提出基于BIM差异驱动的主动感知框架，用于风险感知的无人机-无人车协同导航

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: BIM 主动感知 无人机 无人车 协同导航

📋 核心要点

  1. 现有导航方法依赖静态BIM或有限的机载感知，难以应对动态施工环境中的不确定性。
  2. 该框架融合实时激光雷达数据与BIM先验，通过风险评估触发无人机主动重扫描，降低不确定性。
  3. 实验表明，该方法能有效降低走廊风险和地图熵，并在更短时间内达到与前沿探索相似的不确定性降低效果。

📝 摘要（中文）

本文提出了一种基于BIM差异驱动的主动感知框架，用于动态施工环境中无人机（UAV）和无人地面车辆（UGV）之间的协同导航。传统的导航方法依赖于静态的建筑信息模型（BIM）先验知识或有限的机载感知。相比之下，我们的框架持续融合来自空中和地面机器人的实时激光雷达数据与BIM先验知识，以维护一个不断演化的2D占据栅格地图。我们通过一个统一的走廊风险指标来量化导航安全性，该指标集成了占据不确定性、BIM地图差异和间隙。当风险超过安全阈值时，无人机自主地重新扫描受影响区域，以减少不确定性并实现安全重新规划。在PX4-Gazebo仿真中使用Robotec GPU激光雷达进行的验证表明，与静态BIM导航相比，风险触发的重新扫描将平均走廊风险降低了58%，地图熵降低了43%，同时保持了0.4米以上的间隙。与基于前沿探索的方法相比，我们的方法在任务时间的一半内实现了类似的不确定性降低。这些结果表明，将BIM先验知识与风险自适应空中感知相结合，可以为建筑机器人技术实现可扩展的、不确定性感知的自主性。

🔬 方法详解

问题定义：论文旨在解决动态施工环境中，无人机和无人车协同导航时，由于环境变化和感知不确定性带来的安全风险问题。现有方法要么依赖静态BIM信息，无法适应环境变化；要么仅依赖有限的传感器数据，感知范围和精度受限，导致导航安全性降低。

核心思路：论文的核心思路是利用BIM先验知识指导主动感知，通过融合实时激光雷达数据和BIM信息，构建动态的、不确定性感知的环境地图。当检测到高风险区域时，触发无人机进行主动重扫描，降低该区域的不确定性，从而提高导航安全性。

技术框架：整体框架包含以下几个主要模块：1) 数据融合模块：融合来自无人机和无人车的激光雷达数据以及BIM先验信息，构建2D占据栅格地图。2) 风险评估模块：基于占据不确定性、BIM地图差异和间隙，计算走廊风险指标。3) 主动感知模块：当风险超过阈值时，控制无人机重新扫描高风险区域。4) 路径规划模块：基于更新后的地图，重新规划无人机和无人车的安全路径。

关键创新：该论文的关键创新在于提出了BIM差异驱动的主动感知策略。与传统的被动感知方法不同，该方法能够根据环境风险动态调整感知策略，主动降低高风险区域的不确定性。此外，论文还提出了一个统一的走廊风险指标，综合考虑了占据不确定性、BIM地图差异和间隙，能够更准确地评估导航安全性。

关键设计：走廊风险指标是关键设计之一，它综合考虑了占据栅格地图中每个单元格的不确定性（通过熵来衡量）、BIM地图与实际环境的差异（通过比较BIM地图和激光雷达数据来检测）以及无人机/无人车与障碍物之间的间隙。当风险指标超过预设阈值时，触发无人机进行重扫描。具体参数设置包括风险阈值、无人机扫描范围和分辨率等。损失函数未知。

📊 实验亮点

实验结果表明，与静态BIM导航相比，该方法能够将平均走廊风险降低58%，地图熵降低43%，同时保持0.4米以上的安全间隙。此外，与基于前沿探索的方法相比，该方法在任务时间的一半内实现了类似的不确定性降低，表明其具有更高的效率。

🎯 应用场景

该研究成果可应用于建筑施工、基础设施巡检、灾后救援等领域。通过无人机和无人车的协同工作，可以实现对复杂环境的自主感知和导航，提高工作效率和安全性。未来，该技术有望应用于更广泛的机器人自主导航领域，例如智能仓储、自动驾驶等。

📄 摘要（原文）

This paper presents a BIM-discrepancy-driven active sensing framework for cooperative navigation between unmanned aerial vehicles (UAVs) and unmanned ground vehicles (UGVs) in dynamic construction environments. Traditional navigation approaches rely on static Building Information Modeling (BIM) priors or limited onboard perception. In contrast, our framework continuously fuses real-time LiDAR data from aerial and ground robots with BIM priors to maintain an evolving 2D occupancy map. We quantify navigation safety through a unified corridor-risk metric integrating occupancy uncertainty, BIM-map discrepancy, and clearance. When risk exceeds safety thresholds, the UAV autonomously re-scans affected regions to reduce uncertainty and enable safe replanning. Validation in PX4-Gazebo simulation with Robotec GPU LiDAR demonstrates that risk-triggered re-scanning reduces mean corridor risk by 58% and map entropy by 43% compared to static BIM navigation, while maintaining clearance margins above 0.4 m. Compared to frontier-based exploration, our approach achieves similar uncertainty reduction in half the mission time. These results demonstrate that integrating BIM priors with risk-adaptive aerial sensing enables scalable, uncertainty-aware autonomy for construction robotics.