GPU加速路径依赖边际信息增益方法，无人机探索效率提升30%

如何在不牺牲计算效率的前提下，让采样式探索规划器考虑路径上视点间的观测重叠，从而更准确地估计信息增益？

采样式探索规划器通常独立评估每个候选视点的信息增益（绝对增益），忽略同一路径上先前视点的观测重叠，导致路径增益被高估，可能改变候选分支排序。精确计算边际增益需要合并祖先体素哈希集合，计算量随分支深度和地图分辨率急剧增长，难以实时运行。

此前方法通常采用绝对增益，假设视点间相互独立；若要计算边际增益，则需在CPU上使用体素哈希映射合并祖先观测集合，但受限于计算成本，需减少候选分支、稀疏评估或降低地图分辨率。另有一些工作（如ERRT）使用UFOMap等高效体素查询，但只能在轨迹上稀疏状态点评估，无法覆盖所有视点。

新方法将每个节点的观测表示为深度缓冲区，而非体素哈希集合。评估候选节点时，将候选光线投影到祖先深度缓冲区中，通过屏幕空间深度比较识别已观测区域，并从增益中剔除。规划树按深度顺序在GPU上评估，同层节点和光线并行处理，CPU负责建树、碰撞检测和路径选择。该方法避免了为每个节点构建和合并祖先体素集合，内存占用从体素数量的立方级降为平方级。

与精确体素哈希映射相比，深度缓冲区边际增益在166,440次节点评估中R²=0.9937，回归斜率1.028，增益高估5%至10%。计算时间上，桌面GPU加速比在0.2米体素下为6至48倍，0.1米体素下为12至118倍；Jetson Orin NX分别为3至12倍和10至28倍。在三种仿真环境中，边际增益在六个规划器-环境组合中有五个实现更早达到95%覆盖率。AEP在所有环境中均提前达到各覆盖率里程碑，RH-NBVP在school和large maze中分别将E95提前0.7分钟和3.8分钟，multi-story未改善。大迷宫场景下，RH-NBVP运行15分钟后边际增益将已探索体积从58.8%提升至75.0%。真机实验中，边际增益将95%覆盖率时间从3.10±1.05分钟降至2.17±0.44分钟，缩短30%；终止时间从4.58±0.46分钟降至4.04±0.34分钟，路径长度从108.5±11.2米降至101.4±7.0米。执行地平线实验中，h=3和h=5时边际增益保持与h=1绝对增益相近的路径效率。

作者未在论文中明确列出局限。可观察到的局限包括：方法仅在RH-NBVP和AEP两个规划器上验证，未测试其他规划框架；真机实验仅一个户外庭院环境且无人机平台单一；GPU加速依赖CUDA硬件，在嵌入式平台上加速比低于桌面；深度缓冲区分辨率与体素大小匹配，小体素或大范围场景下缓冲区尺寸可能增大；未报告与基于学习的方法对比；论文未报告传感器噪声或动态障碍物对方法的影响。