Reactive Exploration of Unknown Environments for Redundant Robots using Virtual Model Control
作者: Alessio Canzolino, Omar Faris, Alessandro De Blasi, Fulvio Forni
分类: cs.RO
发布日期: 2026-10-06
备注: 8 pages, 10 figures, This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible
💡 一句话要点
提出主动探索方法以解决冗余机器人在未知环境中的导航问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 冗余机器人 主动探索 虚拟模型控制 环境映射 实时导航 障碍物避让 机器人操作
📋 核心要点
- 现有方法在探索未知环境时难以同时满足几何约束和避障需求，导致效率低下。
- 本文提出了一种基于虚拟模型控制的主动探索方法，能够实时选择目标体素并安全导航。
- 实验结果显示，该方法在多种环境中实现了超过90%的映射覆盖，且反应迅速，表现优异。
📝 摘要（中文）
在机器人操作中，探索封闭、遮挡和部分已知的空间面临重大挑战。本文提出了一种主动探索方法，专为冗余机器人手臂设计，结合了眼在手的摄像头配置。该方法实时导航并获取信息，基于一种新颖的评分方法直接选择未探索空间中的目标体素。为了安全地将机器人移动到目标体素，我们采用虚拟模型控制，确保合规性并实现全身反应式障碍物避免，无需路径重新规划。通过模拟和真实机器人实验，验证了该方法在所有测试环境中实现超过90%的映射覆盖率，且在120秒内完成，未与障碍物发生碰撞。
🔬 方法详解
问题定义：本文旨在解决冗余机器人在未知环境中探索时的导航与避障问题。现有方法往往无法有效处理几何约束与实时避障的矛盾，导致探索效率低下。
核心思路：我们提出了一种主动探索策略，结合眼在手的摄像头配置，通过实时信息获取与目标体素选择来优化探索过程。虚拟模型控制的应用确保了机器人在移动过程中能够安全避障。
技术框架：整体方法包括信息获取、目标体素选择和导航三个主要模块。首先，机器人通过摄像头获取环境信息；其次，基于新颖的评分方法选择目标体素；最后，利用虚拟模型控制进行安全导航。
关键创新：本研究的关键创新在于将虚拟模型控制与实时信息获取相结合，形成了一种无需路径重新规划的反应式避障机制。这一方法显著提升了冗余机器人在复杂环境中的探索能力。
关键设计：在参数设置上，我们优化了评分函数以提高目标体素选择的准确性，同时确保虚拟模型控制的合规性和反应速度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在多种环境中实现了超过90%的映射覆盖率，且在120秒内完成探索，未与任何障碍物发生碰撞。这一性能显著优于现有的探索方法，展示了其在复杂环境中的有效性。
🎯 应用场景
该研究的潜在应用领域包括搜索与救援、自动化仓储、以及复杂制造环境中的机器人操作。通过提高机器人在未知环境中的探索效率，该方法能够显著提升机器人在实际应用中的灵活性和安全性，具有广泛的实际价值和未来影响。
📄 摘要（原文）
The exploration of confined, occluded, and partially known spaces poses significant challenges in robotic manipulation. The overall pose of the robotic arm must be carefully controlled to respect tight geometric constraints while avoiding newly discovered obstacles. We address this problem by proposing an active exploration approach for redundant robotic arms with an eye-in-hand camera configuration. Our approach navigates and acquires information in real-time based on a novel scoring method that directly selects a target voxel from the unexplored space using the robot's current state and expected information gain. To move the robot safely toward the target voxel, we utilize Virtual Model Control, which guarantees compliance and enables whole-body reactive obstacle avoidance without the need for path replanning. Simulated and real-robot experiments in both confined and open environments demonstrate the effectiveness of our approach, achieving over $90\%$ mapping coverage across all tested environments in under $120$ seconds without colliding with obstacles.