Semantic Map Sharing and Capability-Aware Coverage Planning for AI-Native 6G Robotic Coordination

📄 arXiv: 2609.37666v1 📥 PDF

作者: Abdulqader Dhafer, Qi Wang, Zhou Daniel Hao

分类: cs.RO, cs.AI

发布日期: 2026-09-29

备注: An alternative version of this work was accepted for presentation at IEEE CSCN 2026

💡 一句话要点

提出语义地图共享与能力感知覆盖规划以解决SAR机器人协调问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 搜索与救援 异构机器人 语义地图 覆盖规划 能力感知 高效通信 AI-native 6G 动态调整

📋 核心要点

  1. 现有的覆盖方法无法有效将感知的地形转化为特定平台的可达性，且持续的图像交换增加了通信成本。
  2. 本文提出了一种语义感知的覆盖规划框架，结合空中地形感知和机器人能力推理，实现高效的区域分配。
  3. 实验结果表明，该方法在覆盖率和能力合规性方面显著优于传统方法，展示了其实际应用潜力。

📝 摘要（中文）

搜索与救援（SAR）行动越来越多地部署异构的空中和地面机器人。然而，传统的覆盖方法通常无法将感知的地形转化为特定平台的可达性，同时持续的图像交换会带来高昂的通信成本。本文提出了一种以边缘为中心的语义感知覆盖规划框架，集成了空中地形感知、机器人特定的可通行性推理和有效的语义状态共享。空中观察结果被转换为紧凑的语义网格地图，使得在可达性约束下进行区域分解，并生成能力感知的覆盖路径，仅分配符合每个机器人能力配置的区域。该方法在高更新情况下，通过传输语义修正将应用负载减少约82倍，相较于周期性全图共享。实验结果显示，该方法在匹配基准场景中实现了91.5%的覆盖率，而能力不合规分配率为0%，相比之下，LS-MCPP方法的覆盖率为78.8%，能力不合规分配率为21.5%。

🔬 方法详解

问题定义：本文旨在解决搜索与救援行动中异构机器人团队的覆盖规划问题。现有方法在将感知地形转化为可达性方面存在不足，且频繁的图像交换导致高通信成本。

核心思路：提出的框架通过将空中观察结果转换为紧凑的语义网格地图，结合机器人特定的可通行性推理，优化了区域分配和覆盖路径的规划。

技术框架：整体架构包括三个主要模块：空中地形感知模块、可通行性推理模块和语义状态共享模块。首先，空中机器人获取地形信息并生成语义地图，然后根据各个机器人的能力进行区域分配，最后通过共享语义状态进行动态调整。

关键创新：最重要的创新在于引入了能力感知的覆盖路径规划，确保每个机器人仅被分配符合其能力的区域，同时通过语义修正减少了通信负担。

关键设计：在设计中，采用了紧凑的语义网格表示，优化了信息传输的效率，并通过动态更新机制实现了实时的覆盖规划调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，提出的方法在覆盖率上达到了91.5%，且没有出现能力不合规的分配，相比之下，LS-MCPP方法的覆盖率仅为78.8%，能力不合规分配率高达21.5%。这一显著提升展示了新方法在实际应用中的有效性。

🎯 应用场景

该研究在搜索与救援、灾后恢复及复杂环境下的机器人协调等领域具有广泛的应用潜力。通过提升机器人团队的协同工作效率，能够显著提高任务执行的成功率和安全性，未来在AI-native 6G网络环境下的应用前景广阔。

📄 摘要（原文）

Search and Rescue (SAR) operations increasingly deploy heterogeneous teams of aerial and ground robots. However, conventional coverage methods typically do not translate perceived terrain into platform-specific reachability, while continuous image exchange imposes a high communication cost. We propose an edge-centric, semantic-aware coverage planning framework that integrates aerial terrain perception, robot-specific traversability reasoning, and payload-efficient semantic state sharing. Aerial observations are converted into compact semantic grid maps, enabling reachability-constrained area decomposition and capability-aware coverage paths that assign only regions admitted by each robot's capability profile. The resulting perception-sharing-planning loop feeds semantic corrections into traversability reasoning and replanning, forming an application-level mechanism motivated by AI-enabled goal-oriented communication envisioned for AI-native 6G networks. For the high-update case, transmitting semantic corrections reduces the application payload by a factor of approximately $82$ relative to periodic full-map sharing. Across matched benchmark scenarios, the proposed method achieved $91.5\%$ coverage with no capability-infeasible allocations, compared with $78.8\%$ coverage and a $21.5\%$ capability-infeasible allocation rate for LS-MCPP. Semantic corrections update the shared planning state without requiring repeated transmission of the complete map.