Zentralisierte Multi-UAV-Exploration nutzt bestehende Single-UAV-Planner und gemeinsame TSDF-Karte
Die Autoren stellen ein zentrales Multi-UAV-Framework vor, das etablierte Single-UAV-Sampling-Planner wie RH-NBVP, KRH-NBVP, AEP und KAEP ohne Änderung der Kernlogik in einem Team aus drei Drohnen einsetzt. In Simulationen mit einer angepassten voxblox-Karte und Kollisionsvermeidung erreicht die Separated-Start-Konfiguration konsistent schnellere Exploration und höhere Abdeckung als der Joint Start. Das Preprint zeigt damit, dass die initiale Deployment-Strategie großen Einfluss auf die Leistung hat und liefert ein quelloffenes Framework.
Wie lassen sich etablierte Single-UAV-Sampling-basierte Explorationsplaner in einem zentralisierten Multi-UAV-System einsetzen, und welchen Einfluss hat die initiale Startkonfiguration auf Explorationsgeschwindigkeit und Abdeckung?
Bestehende Single-UAV-Planer können nicht direkt in Multi-UAV-Szenarien eingesetzt werden, da sie keine gemeinsame Kartenfusion, keine Inter-UAV-Kollisionsvermeidung und keinen Schutz vor der Rekonstruktion anderer Drohnen als statische Hindernisse besitzen. Die voxblox-Bibliothek ist zudem nur für einen einzelnen Sensor ausgelegt.
Bisherige Multi-Roboter-Ansätze nutzen häufig explizite Koordination wie marktbasierte Aufgabenverteilung, nutzenbasierte Frontier-Zuweisung oder dezentrale kollaborative Planung. Diese erfordern meist eine Neuformulierung der Explorationslogik. Für die Kartierung wurden OctoMap und voxblox eingesetzt, wobei voxblox nativ nur einen Sensor unterstützt; Erweiterungen wie c-blox und voxgraph adressieren große Szenen, sind aber rechenintensiv und für Echtzeit-Multi-UAV-Betrieb wenig geeignet.
Das Framework nutzt eine zentrale Architektur: Jede Drohne integriert Sensordaten lokal in eine voxblox-TSDF-Submap, sendet inkrementelle Updates an einen zentralen Server, der sie per gewichteter Mittelung in eine globale TSDF-Karte fusioniert. Die Planung erfolgt asynchron auf dem Server mit der globalen Karte und einem geteilten Pfad-Cache zur Inter-UAV-Kollisionsvermeidung. Eine Punktwolkenfilterung entfernt Messungen in Kugelregionen um andere Drohnen mit Radius d_collision, damit diese nicht als statische Hindernisse rekonstruiert werden. Die vier Planner werden unverändert übernommen.
Die Evaluierung erfolgte in Simulation mit drei DJI F450 und Intel RealSense D435i in Maze, Police Station und School, jeweils fünf Wiederholungen. Über alle Umgebungen und Startkonfigurationen erreichte KAEP die schnellste Exploration, gefolgt von KRH-NBVP, AEP und RH-NBVP. Im Maze (nur Separated Start) erreichte KAEP E95 nach 59,04 ± 2,81 s und 100,0 ± 0,0 % Abdeckung. In der Police Station verbesserte Separated Start gegenüber Joint Start die E95-Zeit von 2,96 ± 0,32 min auf 2,60 ± 0,18 min und die Final Exploration von 99,62 ± 0,24 % auf 99,72 ± 0,12 %. In der School sank E95 von 5,86 ± 1,06 min auf 5,35 ± 0,37 min. Die zentrale Kartenfusion erreichte RMSE von 0,24 ± 0,20 m in der Police Station und 0,19 ± 0,15 m in der School bei Voxelgröße 0,2 m; zentrale TSDF-Merge-Zeiten lagen bei 7,9 ± 2,6 ms bzw. 8,6 ± 8,5 ms.
Die Arbeit ist ein Preprint ohne Peer-Review. Die Evaluation erfolgt ausschließlich in Simulation, reale Experimente fehlen. Die zentrale Architektur stellt einen Single Point of Failure dar und skaliert nur begrenzt mit der UAV-Zahl. Es wird eine ausreichend genaue Zustandsschätzung vorausgesetzt, in der Simulation durch RTK-GPS, sowie Zeitsynchronisation über NTP.
Das quelloffene Framework kann als Grundlage für Multi-UAV-Kartierung in Inspektion, Suche und Rettung sowie Stadtplanung dienen. Innerhalb von 1 bis 3 Jahren könnten Unternehmen der UAV-Vermessung und Industrieinspektion auf dieser Basis eigene Systeme entwickeln, sofern reale Tests, eine Dezentralisierung und Absicherung gegen Ausfälle umgesetzt werden. Kurzfristig ist es vor allem für die Forschung und Simulation relevant.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.