GPU-beschleunigter pfadabhängiger Marginal Information Gain für autonome Exploration

Wie lässt sich der pfadabhängige marginale Informationsgewinn in samplingbasierten Explorationsplanern so auf einer GPU berechnen, dass Überlappungen zwischen aufeinanderfolgenden Blickpunkten berücksichtigt werden, ohne die Planungslaufzeit zu gefährden?

Samplingbasierte Planer wie RH-NBVP und AEP schätzen den Informationsgewinn pro Kandidatenblickpunkt unabhängig und ignorieren Überlappungen entlang desselben Pfads. Dadurch werden unbekannte Voxel mehrfach gezählt, der Pfadgewinn wird überschätzt und die Rangfolge der Kandidaten kann sich ändern. Exakte marginale Gewinne über Voxel-Hashmaps erfordern das Zusammenführen der Sichtmengen aller Vorfahren und skalieren schlecht mit Baumtiefe und Kartenauflösung.

Bisherige samplingbasierte Planer (RH-NBVP, AEP und verwandte Verfahren) verwenden volumetrisches Raycasting und bewerten Blickpunkte unabhängig, was als absolute gain bezeichnet wird. ERRT berechnet marginalen Gewinn entlang von Trajektorien mit UFOMap, begrenzt dafür aber die Kandidatenzahl und wertet nur an Mindestabständen aus, wodurch Zwischenzustände unberücksichtigt bleiben. Exakte Implementierungen mit Voxel-Hashmaps sind für große Bäume und feine Auflösungen nicht echtzeitfähig.

Der neue Ansatz ersetzt die Voxel-Sichtmengen durch einen Tiefenpuffer pro Knoten. Kandidatenstrahlen werden in die Tiefenpuffer der Vorfahren projiziert, Überlappungsintervalle identifiziert und bereits beobachtete Abschnitte vom Gewinn ausgeschlossen. Die Pufferauflösung wird so gewählt, dass ein Pixel bei maximaler Sensorreichweite der Voxelgröße entspricht. Die CPU baut den RRT-Baum und führt Kollisionsprüfung sowie Pfadbewertung aus; die GPU wertet den Baum tiefengeordnet aus, parallelisiert Knoten und Strahlen innerhalb einer Ebene und wählt pro Knoten den optimalen Gierwinkel. Die Methode wurde in RH-NBVP und AEP integriert, indem die knotenweise Gain-Berechnung durch die tiefengeordnete GPU-Auswertung des vollständigen Baums ersetzt wurde.

Die vorgeschlagene Methode liegt bei 166 440 Knotenauswertungen mit festen Gierwinkeln bei R2 = 0,9937 und einer Regressionssteigung von 1,028 gegenüber der exakten CPU-Hashmap; die Überschätzung beträgt 5 bis 10 Prozent. Auf einem Desktop mit RTX 5060 erreicht die GPU-Auswertung Beschleunigungen von bis zu 118-fach gegenüber der exakten marginalen Gain-Berechnung (bei 0,1 m Voxelgröße und 1000 Knoten); auf einem Jetson Orin NX bis zu 28-fach (bei 0,1 m und 500 Knoten). Die Zeit pro Replanning-Iteration sinkt auf dem Desktop für 10 000 Knoten bei 0,1 m von 181,57 s auf 1,95 s. In Simulation reduziert der marginale Gewinn bei AEP die Zeit bis 95 Prozent Abdeckung in School von 18,4 ± 0,8 min auf 16,6 ± 1,1 min (Nmax 250) und bei RH-NBVP in Large Maze mit Horizont 1 von 30,5 ± 3,7 min auf 26,7 ± 2,6 min; in fünf von sechs Planer-Umgebungs-Kombinationen wird E95 früher erreicht. Im realen Patio-Versuch sinkt die Zeit bis 95 Prozent Abdeckung von 3,10 ± 1,05 min auf 2,17 ± 0,44 min (30 Prozent Reduktion), die Terminierungszeit von 4,58 ± 0,46 min auf 4,04 ± 0,34 min und die Pfadlänge von 108,5 ± 11,2 m auf 101,4 ± 7,0 m.

Die Autoren nennen als zukünftige Arbeit die Erweiterung auf andere Explorationsplaner; quantitative Vergleiche mit anderen marginalen Ansätzen wie ERRT werden nicht berichtet. Der Tiefenpuffer-Ansatz führt zu einer systematischen Überschätzung von 5 bis 10 Prozent gegenüber der exakten Voxelmenge. Die GPU-Auswertung ist teurer als die absolute Gain-Berechnung auf der GPU. Die Evaluation umfasst zwei Planer, drei Simulationsumgebungen und eine reale Umgebung mit einem einzigen UAV; die Zahl der realen Läufe wird im Paper nicht berichtet. Der Ansatz setzt eine CUDA-fähige GPU voraus und wurde nur auf Desktop und Jetson Orin NX getestet.