本文题为《Multi-Robot Collaborative Dense Scene Reconstruction》，是由以下作者联合完成：Siyan Dong（山东大学和北京电影学院AICFVE）、Kai Xu（国防科技大学和北京电影学院AICFVE，通讯作者）、Qiang Zhou（山东大学和北京电影学院AICFVE）、Andrea Tagliasacchi（Google Inc.、滑铁卢大学、维多利亚大学）、Shiqing Xin（山东大学）、Matthias Niessner（慕尼黑工业大学）、Baoquan Chen（北京大学，通讯作者）。本文发表在《ACM Transactions on Graphics (TOG)》2019年第7月刊。
多机器人协作和室内场景重建是计算机视觉和机器人学研究中的重要方向之一。这一研究领域在虚拟现实（VR）、增强现实（AR）、室内导航和机器人自主路径规划等场景中有广泛应用。近年来，基于RGB-D深度传感器（如Microsoft Kinect和Intel RealSense）的实时室内三维重建技术及研究取得了长足进展。然而已有系统通常依赖于单机器人操作，且多需要人为干预，导致大规模场景的效率低、覆盖率不足及重建质量欠佳。
为此，本研究旨在提出一种多机器人协作扫描系统，通过优化的任务分配和路径规划，使多机器人能够协同扫描未知室内场景，实现高覆盖率、高质量的三维重建，同时尽可能降低总扫描成本。这项研究的目标是克服现有方法难以扩展到多机器人场景中的缺陷，并提供一种实时、自主且有效的多机器人协作扫描解决方案。
本研究的方法包含多个关键步骤，从任务定义到多机器人路径规划，以及相关的系统实现。以下是具体工作流程的详细描述：
研究采用经典的占用网格建模（Occupancy Grid）来表示三维室内场景，通过Octomap对环境中的占用情况进行实时建模。扫描中的任务被定义为需要进一步扫描的任务视点（Task View），这些视点需要覆盖未知或扫描质量差异较大的区域。每个任务视点由机器人空间坐标以及相机朝向共同定义。
为了实现任务的动态规划，研究对机器人路径规划进行时间离散化，将整个扫描过程划分为若干计划区间（Planning Intervals）。在每个计划区间，机器人根据当前所扫描的场景数据进行路径规划，然后执行任务，直到进入下一个计划区间。
任务提取需要考虑扫描中需要覆盖的未知区域以及扫描质量（如传感器的有效扫描范围和角度）。研究通过两个辅助质量评估图（Uncertainty Map和Validness Map）实现任务提取： - 不确定性图：用于量化每个体素的扫描值（未知体素不确定性值高，已知空体素值为零，而目标表面的体素不确定性值基于扫描融合中的权重计算）。 - 有效性图：在视角方向上用来过滤无效的扫描（如距离过近或视角不佳的区域）。
基于上述图，研究通过优先队列逐一提取最佳视角位置，识别出每个任务视点。
任务分配过程将问题建模为一个最优传输问题（OMT, Optimal Mass Transport）。OMT用于优化资源分布，确保任务视点在多机器人之间的分配均匀合理，同时降低机器人间的路径重叠。在OMT框架下设计了以下目标函数： - 运动成本（Movement Cost）：每个机器人至分配任务点集合的最短距离。 - 任务紧密性成本：任务点之间的紧密程度，鼓励分配任务为局部聚集的形式。 - 机器人任务容量约束：控制每个机器人能处理的任务数量，确保任务负载均衡。
在算法实现中，引入了基于K-means聚类的求解策略，并结合集群优化（Clustering Refinement）进一步优化任务分配。
任务分配完成后，为每个机器人计算最优路径规划，问题被建模为旅行商问题（TSP, Traveling Salesman Problem）。通过路径优化算法（如Christofides算法的近似解法），生成连贯的路径，同时使用光滑曲线拟合（如三次Hermite样条）对规划路径和相机轨迹进一步平滑处理。
研究团队实现了一套端到端的多机器人扫描系统，采用TurtleBot机器人搭载RGB-D传感器与LIDAR（用于构建实时SLAM）。系统任务控制由集中式计算机完成，机器人与控制中心之间通过Wi-Fi通信。
通过详细的仿真分析，研究团队验证了算法在多个合成室内场景中的性能： - 在覆盖率和重建质量方面，提出的OMT任务分配和TSP路径规划方法均显著优于传统方法如基于前沿采样（Frontier-Based）和分割分配。 - 在任务分配负载均衡和机器人运动轨迹平滑性上具有较大的提升。
通过在多个真实室内场景（如办公室、教室、实验室等）上的实验，证明多机器人扫描系统在复杂环境布局下的鲁棒性以及高效的任务完成能力。与人工扫描相比，多机器人自动扫描所需时间更短，且重建质量更高。
研究设计了多种性能评估指标，对算法的完整性（Completeness）、误差（RMS Error）、任务分配的负载均衡（Load Balance）等多个维度进行了定量评估。
本文提出了一种多机器人协作的动态场景重建算法，在科学与工程应用中具有重要的潜力。具体意义包括： - 提供了高效且鲁棒的任务分配和路径规划框架，使得多机器人能够在未知环境中实现高覆盖、高质量的自主扫描。 - 结合OMT理论和TSP优化，算法在理论设计上有重要创新，同时在计算效率上能够满足实时性的需求。 - 对室内场景三维建模、虚拟现实内容生成以及服务机器人导航等应用领域具有直接价值。
本文的创新性主要体现在以下几个方面： - 提出了一种基于任务视点（Task View）的新型任务规划框架，通过加入扫描质量约束改进传统方法。 - 基于OMT理论改进了任务分配问题，同时通过集群优化进一步提高规划性能。 - 集成了TSP路径优化与光滑相机轨迹生成，保证多机器人协作的轨迹连贯性和扫描质量。
研究团队指出，未来可以在以下几个方向进一步改进此方法： 1. 将OMT直接应用于视角参数空间以跳过视点选择过程。 2. 优化OMT目标函数以兼顾位置和方向的平滑性。 3. 研究分布式的任务分配和规划方法以减少集中式系统的依赖。 4. 融合学习化策略引入场景先验知识，用于进一步优化规划效率与系统适用性。