💻 computer science

Autonomous Navigation of Quadrupeds Using Coverage Path Planning with Morphological Skeleton Map

本文提出了一种基于形态学骨架图的四足机器人自主覆盖路径规划方法，通过生成兴趣点序列并结合有限状态机控制导航与扫描模式，在室内非凸环境中实现了高效的路径规划，但受限于 SLAM 建图漂移问题导致部分路径点未能到达。

原作者： Alexander James Becoy, Kseniia Khomenko, Luka Peternel, Raj Thilak Rajan

发布于 2026-02-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Alexander James Becoy, Kseniia Khomenko, Luka Peternel, Raj Thilak Rajan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于四足机器人（像机器狗一样）如何自主地在陌生环境中“地毯式搜索”并绘制地图的故事。

想象一下，你派了一只机器狗去一个从未去过的、复杂的废弃工厂里执行任务。它的任务不是跑得快，而是要把整个地方都看一遍，不能漏掉任何一个角落。这就叫“覆盖路径规划”（Coverage Path Planning）。

为了完成这个任务，作者们给这只机器狗（使用的是 Unitree Go2 Edu 型号）装上了一套聪明的“大脑”。下面我用几个生活中的比喻来解释这套系统是如何工作的：

1. 核心任务：像“扫雷”一样探索

通常，机器人导航是“我要去那个门口”。但这次的任务是“我要把整个房间都走一遍”。
这就好比你在玩一个巨大的扫雷游戏，或者像清洁工打扫一个形状奇怪的房间。清洁工不能只走直线，他必须沿着墙壁、绕过柱子，确保地板的每一寸都被扫到。

2. 大脑的三步走策略

这套系统主要由三个部分组成，我们可以把它们比作一个探险队的指挥流程：

第一步：看地图找“骨架” (Map Reader & Morphological Skeleton)

比喻：想象你有一张画满迷宫的纸。如果你直接看，线条太乱，很难找到怎么走最省力。
做法：系统先拿到一张由激光雷达（LiDAR）生成的 2D 地图。然后，它用一种数学方法（形态学骨架提取），把这张复杂的地图“压扁”，只留下中心线，就像把一棵大树变成了它的树枝骨架。
作用：这些“树枝”就是机器人需要走的路线。它不再需要思考怎么绕过每一个小障碍物，而是沿着这些“骨架”走，就能保证覆盖到所有区域。

第二步：规划“最省力的路线” (Path Planning)

比喻：现在你有了骨架上的一个个关键点（比如树枝的末端）。这就好比你要去拜访这些关键点，怎么安排顺序最省时间？这就像快递员送快递或者旅行商问题（TSP）：怎么跑一圈把所有点都送到，且不走回头路？
做法：算法会计算出一个最优顺序。它不是随机乱跑，而是像下棋一样，算出从当前位置出发，先去哪个点最近，再去哪个点，以此类推，形成一条高效的“寻宝路线”。

第三步：自动执行与“状态切换” (Finite State Machine)

比喻：这就好比机器人的自动驾驶仪，它有一个简单的“状态机”（就像红绿灯的切换逻辑）。
工作流程：
1. 状态 A（赶路）：机器人根据规划好的路线，使用现有的导航系统（Nav2）走到下一个关键点。
2. 状态 B（检查）：到了吗？如果到了，就停下来。
3. 状态 C（扫描）：停下来后，机器人转动身体，用传感器把周围的环境扫描一遍（就像人到了新地方要环顾四周）。
4. 状态 D（继续）：扫描完，自动切换到下一个关键点，重复上述过程。
- 如果机器人卡住了或者人按了遥控器，它会切换到“人工控制”模式。

3. 实验结果：做得怎么样？

作者们在室内做了一个非凸（形状不规则）的测试环境，让机器狗跑了 5 次。

速度很快：处理地图和规划路线只需要几毫秒（比眨眼还快）。
成功率不错：在 5 次实验中，机器人成功到达了 86.5% 的预定检查点。
遇到了什么麻烦？
- 地图“漂移”：这是最大的问题。因为机器人没有 GPS，它靠“数步子”和激光雷达来定位。就像你在黑暗中走路，走久了会觉得“我好像往左偏了”，其实地图上的位置已经和现实对不上了。
- 后果：有些检查点在地图上看起来是空的，但因为地图漂移，机器人以为那里是墙，所以不敢走过去，导致任务失败。

4. 总结与意义

创新点：以前很多方法要么太慢，要么太依赖特定的地图生成方式。这个方法很模块化，不管地图怎么生成的，它都能把地图变成“骨架”来规划路线，而且计算速度极快。
适用场景：非常适合在已知但复杂的室内环境（如核电站巡检、灾难现场搜救、仓库盘点）中使用。
未来改进：作者承认目前的短板是“地图漂移”。未来的计划是加入 GPS 或其他绝对定位设备，让机器狗在更大的、动态变化的环境中也能不迷路。

一句话总结：
这篇论文教给机器狗一套“看骨架走直线”的本领，让它能像勤劳的清洁工一样，高效、自动地把陌生环境扫视一遍，虽然偶尔会因为“记性不好”（定位漂移）而迷路，但整体思路非常聪明且高效。

这是一份关于论文《基于形态学骨架地图的四足机器人自主导航覆盖路径规划》（Autonomous Navigation of Quadrupeds Using Coverage Path Planning with Morphological Skeleton Map）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：四足机器人（如 Unitree Go2 Edu）因其在不平坦、崎岖地形上的适应性和鲁棒性，被广泛应用于灾难响应、采矿、空间探索和核设施维护等非结构化环境中。
核心问题：现有的四足机器人自主导航研究多集中在路径跟随或特定任务，缺乏针对非结构化环境全覆盖扫描（Coverage Path Planning, CPP）的高效方法。
现有挑战：
- 许多现有的覆盖路径规划方法依赖于特定的地图生成算法，模块化程度低，难以替换为最先进的建图算法。
- 部分方法基于严格的时间约束，无法适应执行时间可变的任务。
- 基于拓扑骨架的方法（如使用沃罗诺伊图或波传播）计算复杂度较高。
- 在长时间运行中，SLAM（即时定位与地图构建）产生的地图漂移会导致规划的路径失效。

2. 方法论 (Methodology)

该论文提出了一种基于形态学骨架（Morphological Skeleton）的模块化框架，用于在已知或先验的 2D 导航地图上生成高效的覆盖路径。系统架构主要包含以下三个核心模块：

A. 地图读取器 (Map Reader) - 生成兴趣点 (POIs)

利用形态学图像处理技术，将 2D 导航地图转化为拓扑骨架，进而提取路径点：

预处理：将 2D 地图视为 8 位数组。使用高斯滤波（Gaussian Filter）平滑噪声，并通过阈值化（Thresholding）将地图二值化（区分占用、自由和未知区域）。
轮廓填充：识别地图中的最大轮廓并填充，以消除由于遮挡或噪声产生的不可达区域（如透明障碍物导致的空洞）。
腐蚀（Erosion）：使用结构元素对自由空间进行腐蚀，确保机器人保持安全距离，并移除机器人无法通过的狭窄通道。
骨架化（Skeletonization）：对腐蚀后的自由空间进行形态学骨架化，生成单像素宽度的拓扑骨架。
坐标转换：将骨架上的像素点转换为世界坐标系下的无序路径点集合（Waypoints）。

B. 路径规划器 (Path Planner) - 优化路径顺序

将无序的路径点集合转化为最优访问序列，解决类似旅行商问题（TSP）的变体：

图构建：将路径点视为图的顶点，根据地图分辨率连接相邻点形成无环图（树状结构）。
叶子节点策略：识别图中的“叶子节点”（死胡同端点）。由于遍历所有叶子节点必然经过中间节点，因此只需规划访问所有叶子节点的路径即可覆盖全图。
贪心算法：
- 从机器人当前位置出发，选择最近的未访问叶子节点作为起点。
- 使用 Dijkstra 算法寻找当前起点到最近未访问叶子节点的最短路径。
- 迭代此过程，直到所有叶子节点被访问。
路径稀疏化：为了减少扫描时的冗余移动，根据机器人的扫描范围（30m），将路径点间距从地图分辨率 $R$ 扩大至 $D$ （ $D \ge R$ ），即每隔 $D/R$ 个点选取一个作为最终导航点。

C. 状态机 (Finite State Machine, FSM)

用于控制高层操作，在以下状态间切换：

加载地图：加载 SLAM 地图并生成路径点。
检查路径点：迭代路径列表，移除已完成的点。
检查目的地：判断机器人是否到达目标点（考虑位置 $x, y$ 和朝向 $\psi$ 的容差）。
**移动 **(Move)：调用 Nav2 框架导航至目标点。
**扫描 **(Scan)：在目标点执行局部环境扫描。
**手动控制 **(Manual Control)：遇到故障或复杂地形时，允许人工接管。
**回家 **(Home)：任务完成后返回起点。

3. 关键贡献 (Key Contributions)

控制框架：开发了一个基于有限状态机的控制框架，实现了四足机器人在非结构化环境中的自主导航和环境检查切换。
形态学骨架路径规划：提出了一种基于形态学骨架的高效路径生成方法。相比传统的波传播或沃罗诺伊图方法，该方法计算效率更高，且能处理从小到大的区域覆盖。
模块化设计：该框架与具体的 SLAM 算法解耦，可以兼容不同的建图算法，提高了系统的通用性。
ROS 2 集成与开源：设计了扩展接口，使 Unitree Go2 Edu 机器人能够与 ROS 2 框架无缝集成，并将整个应用开源。
实地验证：在室内非凸环境中使用 Unitree Go2 Edu 机器人进行了五次实地实验验证。

4. 实验结果 (Results)

实验在平整、无障碍物的非凸室内环境中进行，评估指标为时间效率和可达性。

计算效率：
- 地图读取器：处理宽度 [196, 225] 像素、高度 [185, 231] 像素的地图，平均耗时 2.52 ms。计算时间随像素数量线性增加，斜率为 22.0 ns/像素。
- 路径规划器：处理相同规模的地图，平均耗时 1.7 ms。计算时间随路径点数量线性增加，斜率为 8.17 µs/路径点。
- 系统能够处理高达 $45.4 \times 10^6$ 像素的地图（在 1 秒内完成），或 $1.219 \times 10^5$ 个路径点。
导航性能：
- 可达性：在五次试验中，机器人成功到达了 86.5% 的规划路径点。
- 耗时：每个路径点的中位耗时为 5.38 秒，平均耗时 8.525 秒（标准差 11.4 秒，主要受异常值影响）。
- 失败原因分析：
  - 地图漂移：在试验 3 和 5 中，由于 SLAM 在线建图导致的累积误差（漂移），使得后续路径点被映射到了墙壁等不可达区域，导致任务失败。
  - 局部重规划：在部分路径点（如试验 1 的第 17 个点），由于机器人需要满足位置和朝向的严格容差，Nav2 反复重规划导致机器人停滞，需要人工干预。

5. 意义与局限性 (Significance & Limitations)

意义：
- 提供了一种计算高效的四足机器人全覆盖扫描方案，特别适用于已知静态环境的快速部署。
- 证明了基于形态学骨架的方法在计算速度上优于基于时间约束或复杂拓扑生成的现有方法（毫秒级 vs 微秒级处理速度）。
- 开源框架降低了四足机器人自主导航的开发门槛。
局限性与未来工作：
- 地图漂移：当前方法依赖 SLAM 的在线建图，长期运行下的累积误差（Drift）是主要瓶颈。未来需引入绝对传感器（如 GPS、UWB）进行校正。
- 动态环境：该方法假设环境是静态的，未考虑动态障碍物或地形高度变化。
- 内部障碍物：目前的骨架化方法主要处理外部边界，对于大自由空间内部的障碍物（如房间中间的柱子）处理尚不完善，可能导致生成循环图。
- 未来方向：将扩展至未知 3D 环境的实时自主覆盖探索，并研究关键参数的影响及漂移抑制策略。

总结：该论文提出了一种轻量级、模块化的四足机器人自主覆盖路径规划系统，利用形态学骨架技术高效生成路径，并在 ROS 2 环境下成功验证。尽管受限于 SLAM 漂移问题，但其在计算效率和模块化设计上的优势为未来复杂环境下的机器人巡检任务提供了重要的技术基础。