⚡ electrical engineering

SuperFALCON+: Complexity-Aware Global-to-Local Coordination for Resilient MAV Exploration

SuperFALCON+ 是一个感知复杂度的全局到局部协调框架，它通过将 FALCON 的引导与 SUPER 的局部执行相结合，根据空间约束和占用情况动态调整目标，从而增强了在受限环境中的微型飞行器（MAV）弹性探索能力，与基准方案相比，显著提升了映射体积并减少了规划失败。

原作者： Jiaxing Li, Hanyu Hong, Haiwen Yuan, Yan Meng, Shifan Bi, Huanyu Wu, Haoyu Cai, Liang Ye

发布于 2026-10-09

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jiaxing Li, Hanyu Hong, Haiwen Yuan, Yan Meng, Shifan Bi, Huanyu Wu, Haoyu Cai, Liang Ye

原始论文采用 CC BY 4.0 许可（https://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

想象一架被送入黑暗、杂乱建筑物的微型无人机，其任务是绘制每一处角落的地图。它的职责是寻找未探索的新空间并安全地飞向那里。为了实现这一目标，无人机依赖于两种截然不同的思维方式。第一种是长程规划器，它负责观察大局，决定哪些远处的房间或隐藏的走廊值得下次前往。第二种是局部驾驶员，它专注于当下，不断检查墙壁、家具和狭窄转弯，以确保无人机不会撞毁。理论上，这两个大脑应该天衣无缝地协作；然而在实践中，它们经常“语言不通”。长程规划器可能会指向一个有用的目的地，但局部驾驶员可能会发现，由于路径被过于靠近的障碍物阻挡而无法通过，或者目的地恰好位于地图边界处，导致无人机的安全计算失效。每当这种情况发生时，无人机就会陷入困境、撞上墙壁，或者干脆放弃任务，导致建筑物的某些部分无法被测绘。

武汉理工大学的研究人员开发了一种名为 SuperFALCON+ 的新系统来解决这种脱节问题。他们的工作针对的是自主探索中的一个特定问题：即当全局规划器选择的目的地对于局部驾驶员来说难以到达时，如何让无人机保持持续移动。他们并没有试图将两个规划器合并成一个极其复杂且缓慢的巨型大脑，而是构建了一个聪明的“调解员”置于两者之间。这个调解员充当了翻译官和安全缓冲器的角色。它理解局部驾驶员的局限性，例如安全转弯需要多少空间，或者在传感器变得不可靠之前，无人机可以离墙多近。当全局规划器发送一个目标时，调解员会检查该目标是否现实。如果目标太远或离危险边缘太近，调解员会在将请求传递下去之前，将其轻轻地调整到一个更安全、更易达的位置。它还会密切关注无人机的进度。如果无人机反复尝试前往同一个困难点却屡屡失败，调解员会识别出这是求助信号，并确保系统尝试新的方法，而不是陷入停滞。

为了测试这一构想，研究团队在三种具有挑战性的环境中进行了模拟实验：拥有狭窄走廊的复杂办公室、具有尖锐非标准转弯的迷宫，以及带有楼梯的多层建筑。他们将新系统与另外两种流行的方法进行了对比。结果显示，该调解系统表现出了显著的韧性。在复杂的办公室中，新系统测绘了 1,804.30 立方米的面积，而其他方法测绘的面积不足 1,700 立方米。更重要的是，在新系统的十次测试运行中，从未出现过提前停止的情况，而其他方法在十次尝试中有两到四次宣告失败。在迷宫中，新系统测绘了 3,680.90 立方米并完成了所有十次试验，而其他方法则多次失败。该系统之所以能做到这一点，是通过稍微降低速度实现的，平均速度保持在每秒 1.05 至 1.27 米之间，而标准方法的速度虽然更快但更不稳定，在每秒 1.68 至 1.85 米之间。这种较慢的节奏让无人机能够在紧凑的空间内航行，而不至于撞毁或卡住。

研究人员对系统进行了拆解，以观察哪一部分起到了核心作用。他们发现，移除该方案中的任何单一组件都会导致系统无法完成迷宫试验，尽管某些单次运行仍能在停止前测绘出可观的体积。如果没有地图边缘周围的额外安全缓冲，无人机会撞向边界；如果没有监测重复失败的监视器，无人机会陷入循环；如果没有将困难目标移至安全位置的目标调节器，无人机则无法找到路径。只有当这三个部分协同工作时，无人机才能成功完成所有试验，平均测绘面积达到 3,655.4 立方米。团队还将该系统应用于现实世界，驾驶一架配备激光扫描仪和强大车载计算机的实体无人机，穿梭于一个布满树木和枝干的校园区域。即使风力导致无人机震动，且在靠近一棵大树时路径出现晃动，该系统依然保持了无人机的飞行并完成了任务。

核心发现在于，自主探索中的韧性并不来自于让无人机变得更快或更聪明（在单一维度上），而是来自于管理高层决策与底层动作之间的衔接。通过承认“地图上的理想目的地在特定时刻可能并非无人机的理想目的地”，并据此调整计划，该系统维持了任务的生命力。作者指出，虽然该系统在这些测试中非常有效，但它仍然依赖于预设规则来确定保留多少空间以及如何调整目标。他们建议，未来的版本可以根据无人机的实际表现，实时学习这些规则。目前来看，这项工作证明了：在无人机的两个大脑之间设计一个精巧的接口，可以将原本可能以失败告终的任务转化为成功的探索之旅。

技术摘要：SuperFALCON+

问题陈述

在受限环境中，自主微型飞行器（MAV）的探索任务经常因为全局探索意图与局部执行约束之间的不匹配而失败。虽然全局规划器可以识别具有信息量的区域（前沿点），但局部规划器在处理位于狭窄转角后方、墙壁附近或地图边界处的目标时，往往难以生成可执行的轨迹。作者观察到，在使用 FALCON 全局规划器的仿真实验中，这种脱节导致了特定的失效模式：穿透障碍物的轨迹、重复的优化失败以及过早的任务终止。这些失败使得大量环境区域未能被映射，其原因并非全局规划器缺乏信息，而是局部执行层无法满足即时环境所施加的几何与动力学约束。

方法论：SuperFALCON+

本文提出了 SuperFALCON+，一个具备复杂度感知能力的“全局-局部”协调框架。SuperFALCON+ 并没有将规划器统一为一个单一的单体系统，而是维持了一个模块化架构，将 FALCON（面向覆盖的全局引导）与 SUPER（面向安全的局部轨迹执行）耦合在一起。该框架引入了一个“中介接口”（Mediation Interface），通过三种特定的机制来管理这两个层级之间的目标传递：

边界约束协调（飞行前配置）：
- 机制： 在飞行前，系统会在名义任务区域 ( $B$ ) 周围配置一个额外的空间包络 ( $B^+$ )。该包络是通过闵可夫斯基和 ( $B \oplus S(\Delta B)$ ) 计算得出的，旨在提供一个“空间储备”。
- 目的： 该储备考虑了局部规划器（SUPER）对障碍物膨胀和边界查询的需求，确保局部地图操作在不违反物理任务限制的前提下，拥有足够的坐标支撑。
局部约束感知的目标调整（在线处理）：
- 机制： 此阶段结合了 目标经纪人（Target-Broker）模块与 SUPER 原生的自由空间投影功能。
  - 目标经纪人： 评估当前飞行器位置与全局候选目标 ( $p_g$ ) 之间的跨度 ( $d$ )。如果 $d$ 超过阈值 ( $d_0$ )，则在保持原方向的同时，将目标向飞行器方向调整（ $e_p$ ）。同时，它还强制执行最小高度限制 ( $z_{min}$ )。
  - SUPER 投影： 调整后的请求被传递给 SUPER，由其在局部占据地图内进行有界的自由空间搜索 ( $P_{free}$ )，以寻找一个非占据的、局部可达的目标点 ( $p_l$ )。
- 目的： 在轨迹生成开始之前，调和全局探索请求与当前的局部占据情况及动力学约束。
重复目标感知的移交监督（执行监控）：
- 机制： 一个“看门狗”继电器负责转发来自 FALCON 到 SUPER 的目标请求，同时监控目标流。它会记录重复出现的终点（即那些被反复发送但未能成功执行的候选点）。
- 目的： 维持目标移交的连续性，并在不中断 FALCOR 或 SUPER 原生重规划循环的情况下，为进度受限提供信号。它不会发起逃逸动作，但能确保在遇到困难规划事件时，接口仍保持活跃状态。

核心贡献

作者认为，在受限环境中，协调接口而非单个规划层级，才是导致执行中断的关键来源。其贡献包括：

模块化架构： 一个集成了 FALCON 的全局推理能力与 SUPER 的局部执行能力的框架，明确解决了空间视野与运行时间尺度不匹配的问题。
复杂度感知协调： 一个包含三个阶段的响应系统（配置、目标调整和移交监督），将操作复杂度转化为具体的协调动作。
实证验证： 将该系统集成并评估于三个受限仿真场景及一台物理四旋翼飞行器中，证明了其相比基准方案具有更高的鲁棒性。

实验结果

该系统在三个受限基准环境（复杂办公室、八角迷宫、双拼办公室）中进行了评估，并与 EDEN 和 FALCON 基准进行了对比。

映射体积： SuperFALCON+ 在所有场景中均实现了最高的平均映射体积（例如，在 Complex Office 中为 1804.30 m³，而 FALCON 为 1692.57 m³）。
执行连续性： 与基准方案相比，该系统显著减少了“不可行事件”（优化失败）和过早终止的情况。在 Complex Office 和 Octa Maze 中，SuperFALCON+ 实现了 0/10 次过早终止，而 FALCON 分别记录了 4/10 和 2/10 次。在 Duplex Office 中，SuperFALCON+ 记录了 2/10 次终止，而 FALCON 和 EDEN 均为 3/10 次。
权衡（Trade-offs）： 鲁棒性的提升是以牺牲平均飞行速度为代价的（SuperFALCON+ 为 1.05–1.27 m/s，而 FALCON 为 1.68–1.85 m/s）以及更长的任务时长，这反映了从快速穿越向持续、可靠探索的转变。
消融实验： 在 Octa Maze 场景中，移除三个协调组件中的任何一个（边界缓冲、看门狗继电器或目标经纪人），都会导致缩减版配置的完成率为 0/5。相比之下，完整的 SuperFALCON+ 系统在同一消融组中实现了 5/5 的完成率，证实了这三种机制对于实现观测到的鲁棒性都是必要的。
真实世界验证： 一台配备 Livox Mid-360 LiDAR 和 Jetson Orin NX 的物理四旋翼飞行器，成功完成了在带有树木和植被的校园环境中的室外探索任务，尽管在障碍物附近存在轨迹振荡，仍能维持运行。

意义与主张

本文的主张是，SuperFALCON+ 证明了自主探索中的鲁棒性不仅取决于更好的全局路径规划或更快的局部优化，而是源于一个能够管理意图在局部约束下传递的、定义良好的协调接口。

作者指出，该系统并非要取代 FALCON 的探索策略或 SUPER 的轨迹规划器。相反，它通过协调两者的交互，确保局部困难的请求不太可能中断整个探索任务。其意义在于，能够在高度受限的环境中维持空间映射增长，并避免因独立规划器失效而导致的过早终止。这项工作表明，未来的系统应将“全局-局部接口”视为一个关键的设计要素，并可能根据测得的进度和规划器反馈来动态调整参数。