TASG-Explore: Traversability-Aware Sector-Guided Exploration for Ground Robot on Uneven Terrain
作者: Shaocong Wang, Shiliang Shao, Ting Wang, Guangjie Han, Lianqing Liu
分类: cs.RO
发布日期: 2026-09-08
备注: 20 pages, 17 figures
💡 一句话要点
提出TASG-Explore以解决不平坦地形下的自主探索问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 自主探索 地面机器人 可通行性分析 扇区引导 复杂地形 路径规划 动态拓扑
📋 核心要点
- 现有方法在不平坦地形的探索中面临效率、覆盖率和安全性之间的权衡，导致探索效果不佳。
- 本文提出的TASG-Explore框架通过分层可通行性分析和扇区引导策略，提升了探索的效率和覆盖率。
- 实验结果显示，TASG-Explore在复杂环境中探索效率提高了51%，覆盖率提升了2.95倍，展现了其实际应用价值。
📝 摘要（中文）
在不平坦地形上的自主探索要求地面机器人平衡探索效率、覆盖完整性和地形安全性。详细的地形推理提高了局部可靠性，但可能减慢大规模探索，而粗略的区域引导在开放区域扩展迅速，但可能错过狭窄通道和不规则可通行边界。为了解决这一挑战，本文提出了TASG-Explore，一个针对地面机器人的可通行性感知的扇区引导探索框架。该框架首先使用可变体素地面拟合和自适应8位障碍物编码进行分层可通行性分析，然后将成本地图划分为扇区，增量更新扇区集群，提取与地形相关的前沿视点，并维护一个具有未知拓扑假设的动态拓扑路线图。最后，扇区引导规划器选择区域目标并插入局部视点，以生成高效的探索路线。在多种具有挑战性的环境中进行的基准实验表明，TASG-Explore在六个代表性的最先进规划器中实现了最佳整体性能。
🔬 方法详解
问题定义：本文旨在解决地面机器人在不平坦地形上进行自主探索时的效率、覆盖率和安全性之间的平衡问题。现有方法在处理复杂地形时常常面临局部可靠性与大规模探索速度之间的矛盾。
核心思路：TASG-Explore框架通过结合可通行性分析与扇区引导策略，旨在提高探索的效率和覆盖率。通过分层分析和动态更新，机器人能够更好地适应复杂地形，避免狭窄通道的遗漏。
技术框架：该框架包括几个主要模块：首先进行分层可通行性分析，接着将成本地图划分为扇区，增量更新扇区集群，提取前沿视点，最后通过扇区引导规划器生成高效的探索路线。
关键创新：最重要的技术创新在于引入了可变体素地面拟合和自适应8位障碍物编码，显著提高了可通行性分析的处理效率和准确性。与现有方法相比，TASG-Explore能够更好地处理复杂地形的探索任务。
关键设计：在参数设置上，采用了动态扇区划分和增量更新策略，确保了实时性和灵活性。此外，设计了适应性强的损失函数，以优化探索路径的选择和视点的插入。整体架构确保了高效的计算和实时反馈。
🖼️ 关键图片
📊 实验亮点
实验结果表明，TASG-Explore在多种复杂环境中表现优异，探索效率提高了51%，覆盖率在崎岖丘陵场景中提升了2.95倍，且处理效率提高了6.3倍。这些结果显示出该方法在实际应用中的显著优势。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在灾后救援、探险机器人和农业自动化等领域。TASG-Explore能够在复杂和不规则的地形中有效导航，提升机器人在实际环境中的自主探索能力，具有重要的实际价值和未来影响。
📄 摘要（原文）
Autonomous exploration on uneven terrain requires ground robots to balance exploration efficiency, coverage completeness, and terrain safety. Detailed tsrrain reasoning improves local reliability but can slow large-scale exploration, whereas coarse region guidance expands quickly in open areas but can miss narrow passages and irregular traversable boundaries. To address this challenge, this paper presents TASG-Explore, a traversability-aware sector-guided exploration framework for ground robots. The framework first performs hierarchical traversability analysis using variable-voxel ground fitting and adaptive 8-bit obstacle encoding. It then splitting cost map into sectors, incrementally updates sector clusters, extracts terrain-coupled frontier viewpoints, and maintains a dynamic topological roadmap with unknown topological hypotheses. Finally, a sector-guided planner selects region targets and inserts local viewpoints to generate efficient exploration routes. Benchmark experiments in diverse challenging environments, including caves, forests, and rugged hills, show that TASG-Explore achieves the best overall performance among six representative state-of-the-art planners. The proposed traversability analysis improves processing efficiency by 6.3 times while maintaining high accuracy, and the exploration planner improves exploration efficiency by 51% and increases coverage by up to 2.95 times in rugged hill scene. Large-scale real-world experiments further demonstrate the practical value of the proposed method.