dRVG: Quadtree-Guided, Resolution-Complete Online Motion Planning for Polygonal Robots in Unknown Environments
作者: Duo Zhang, Hechen Zhang, Junshan Huang, Jingjin Yu
分类: cs.RO
发布日期: 2026-09-25
💡 一句话要点
提出dRVG以解决多边形机器人在未知环境中的在线运动规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 在线运动规划 多边形机器人 未知环境 四叉树 路径规划 动态可见图 自主导航
📋 核心要点
- 现有的运动规划方法在未知环境中往往依赖于统一的网格，导致效率低下和重复访问问题。
- dRVG通过合并局部路网和使用四叉树调度感知目标，提供了一种高效的在线运动规划方案。
- 实验结果显示，dRVG在复杂环境中表现优异，能够在20秒的规划预算内解决所有案例，显著提升了规划效率。
📝 摘要（中文）
本文提出了一种动态旋转堆叠可见图（dRVG），用于在初始未知的静态环境中引导多边形机器人到达指定目标。该方法通过合并连续观测的局部路网，规划无碰撞的平移和旋转，避免了统一位置网格的使用。空间四叉树调度感知目标，以减少重复访问，同时保留所有方向配置以进行路径规划。在精确感知和几何计算的假设下，dRVG在相同角度分辨率下相对于全图RVG是分辨率完备的。实验结果表明，dRVG在20个复杂地图和七个角度分辨率下，成功解决了140个案例，规划时间中位数为1.18秒。
🔬 方法详解
问题定义：本文旨在解决多边形机器人在未知环境中的在线运动规划问题。现有方法通常依赖于统一位置网格，导致效率低下和重复感知，难以适应动态变化的环境。
核心思路：dRVG通过动态合并局部路网和使用四叉树结构来调度感知目标，避免了重复访问，同时保留了所有方向配置，从而实现高效的路径规划。
技术框架：dRVG的整体架构包括感知模块、路网合并模块和路径规划模块。感知模块负责获取环境信息，路网合并模块将局部信息整合为全局路网，而路径规划模块则基于合并后的路网进行无碰撞路径计算。
关键创新：dRVG的主要创新在于其动态旋转堆叠可见图的构建方式，打破了传统方法对统一网格的依赖，实现了在未知环境中的分辨率完备性。
关键设计：在设计中，dRVG采用了四叉树结构来优化感知目标的调度，并在路径规划中使用了中心扫描技术，以确保在相同角度分辨率下的高效性和准确性。实验中，规划时间的中位数为1.18秒，显示了其高效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，dRVG在20个复杂地图和七个角度分辨率下成功解决了140个案例，规划时间中位数为1.18秒，展示了其在高效在线运动规划中的显著优势。
🎯 应用场景
该研究的潜在应用领域包括自主机器人导航、智能物流、无人驾驶等场景。通过提升机器人在未知环境中的运动规划能力，能够显著提高其自主性和适应性，推动相关技术的实际应用和发展。
📄 摘要（原文）
We present the dynamic rotation-stacked visibility graph (dRVG), an online motion planner that guides polygonal robots to specified goals in initially unknown, static environ- ments. It merges local roadmaps from successive observations to plan collision-free translations and rotations without a uniform position grid. A spatial quadtree schedules sensing goals across regions to reduce repeated visits while retaining all orientation configurations for routing. Under exact sensing and geometric computation and star-shaped robot and envelope assumptions, dRVG with center scans is resolution-complete relative to full- map RVG at the same angular resolution. In experiments using footprint scans, dRVG solves all 140 cases across 20 difficult maps and seven angular resolutions within a 20 s planning budget, with a median planning time of 1.18 s at 360 orientation layers. Six microMVP demonstrations illustrate the complete online planning loop on a physical robot.