基于FLISP的大规模隧道空地协同:快速LiDAR-IMU同步路径规划器

Hugging Face Daily Papers 论文

摘要

本文提出FLISP,一种基于单LiDAR-IMU套件实现UGV-UAV协同隧道巡检的无地图路径规划框架,在1.2公里隧道中达到100%成功率和7毫秒延迟。

水电站隧道巡检对基础设施完整性至关重要,但人工方法效率低下且危险。我们提出FLISP(快速LiDAR-IMU同步路径规划器),一种用于UGV-UAV协同巡检的无地图规划框架。与传统的基于地图的方法不同,FLISP具有三大核心贡献:(1)统一架构:单一UGV搭载的LiDAR-IMU套件驱动两个平台的同步路径生成;(2)平台专用求解器:采用增强型萤火虫算法进行UGV避障,以及动态迭代优化器用于UAV飞行;(3)分层优化策略,确保运动学可行性且无状态估计漂移。在1.2公里运营隧道中的基准测试表明,FLISP规避了基于地图方法的结构性瓶颈,消除了地图栅格化开销(Fast-LIO2 + A*)和采样不稳定性(LIO-SAM + RRT*)。FLISP实现了100%的成功率和7毫秒延迟,比基于栅格的方法加速7倍,比基于采样的基线方法提高了三个数量级。在实际运营的水电站隧道中验证,该方法为特征退化的线性基础设施中的机器人巡检提供了可扩展的解决方案。演示视频见https://youtu.be/Y_ezs1PfLJ4,代码见https://github.com/ArchibaldGuo/FLISP.git。
查看原文
查看缓存全文

缓存时间: 2026/06/30 11:35

论文页面 - 大规模隧道空地协同FLISP:快速LiDAR-IMU同步路径规划器

来源: https://huggingface.co/papers/2606.25393

摘要

水电站隧道检测对基础设施完整性至关重要,但传统人工方法效率低下且存在安全隐患。本文提出FLISP(快速LiDAR-IMU同步路径规划器),一种用于UGV-UAV协同检测的无地图规划框架。与基于地图的传统范式不同,FLISP包含三大核心贡献:(1)统一架构,仅需单个UGV搭载的LiDAR-IMU套件即可为两个平台同步生成路径;(2)平台专用求解器,分别利用增强型萤火虫算法实现UGV避障,以及动态迭代优化器处理UAV飞行;(3)分层优化策略,在无需状态估计漂移的情况下确保运动学可行性。在1.2公里运营隧道的基准测试中,FLISP规避了基于地图方法的结构性瓶颈,消除了地图栅格化开销(Fast-LIO2+A*)和采样不稳定性(LIO-SAM+RRT*)。FLISP实现了100%的成功率,延迟仅7毫秒,比基于网格的方法快7倍,比基于采样的基线方法快三个数量级。经过运营水电站隧道的实际验证,该方案为特征退化线性基础设施中的机器人检测提供了可扩展的解决方案。演示视频见 https://youtu.be/Y_ezs1PfLJ4,代码见 https://github.com/ArchibaldGuo/FLISP.git。

查看arXiv页面 (https://arxiv.org/abs/2606.25393) 查看PDF (https://arxiv.org/pdf/2606.25393) 添加至收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.25393)

在您的代理中获取此论文:

hf papers read 2606\.25393

没有最新CLI?curl \-LsSf https://hf.co/cli/install\.sh \| bash

引用此论文的模型0

无模型关联此论文

请将 arxiv.org/abs/2606.25393 引用到模型 README.md 中,以便从本页链接。

引用此论文的数据集0

无数据集关联此论文

请将 arxiv.org/abs/2606.25393 引用到数据集 README.md 中,以便从本页链接。

引用此论文的空间0

无空间关联此论文

请将 arxiv.org/abs/2606.25393 引用到空间 README.md 中,以便从本页链接。

包含此论文的收藏集0

无收藏集包含此论文

请将本论文添加至收藏集 (https://huggingface.co/new-collection),以便从本页链接。

相似文章

Fast-dDrive: 用于自动驾驶的高效块扩散VLM

arXiv cs.CL

Fast-dDrive是一种用于端到端自动驾驶的块扩散VLA模型,实现了最先进的轨迹精度,同时相比自回归基线提供了超过12倍的吞吐量加速,解决了高保真规划与边缘部署高效推理之间的权衡。

规划复杂视觉任务的更优方法

MIT News — Artificial Intelligence

MIT研究人员开发了VLMFP,这是一种结合视觉语言模型与形式化规划软件的两阶段生成式AI方法,在机器人导航等复杂视觉规划任务中达到了70%的成功率,比现有基线方法高出近2.3倍。该方法能自动将视觉场景转化为传统求解器可处理的规划文件,从而在新环境中实现高效的长期规划。