[論文レビュー] C$^2$-Explorer: Contiguity-Driven Task Allocation with Connectivity-Aware Task Representation for Decentralized Multi-UAV Exploration

Xinlu Yan, Mingjie Zhang+6 more|arXiv (Cornell University)|Mar 8, 2026

Robotics and Sensor-Based Localization被引用数 0

ひとこと要約

C2-Explorerは、接続性認識タスク表現と連続性駆動CVRPを用いて限られた通信下で空間的に連続したタスクを割り当てる分散型マルチUAV探索フレームワークを提供し、探索効率を向上させ、迂回を削減する。

ABSTRACT

Efficient multi-UAV exploration under limited communication is severely bottlenecked by inadequate task representation and allocation. Previous task representations either impose heavy communication requirements for coordination or lack the flexibility to handle complex environments, often leading to inefficient traversal. Furthermore, short-horizon allocation strategies neglect spatiotemporal contiguity, causing non-contiguous assignments and frequent cross-region detours. To address this, we propose C$^2$-Explorer, a decentralized framework that constructs a connectivity graph to decompose disconnected unknown components into independent task units. We then introduce a contiguity-driven allocation formulation with a graph-based neighborhood penalty to discourage non-adjacent assignments, promoting more contiguous task sequences over time. Extensive simulation experiments show that C$^2$-Explorer consistently outperforms state-of-the-art (SOTA) baselines, reducing average exploration time by 43.1\% and path length by 33.3\%. Real-world flights further demonstrate the system's feasibility. The code will be released at https://github.com/Robotics-STAR-Lab/C2-Explorer

研究の動機と目的

• 限られた通信下での効率的なマルチUAV探索を、タスク表現と割り当ての連続性の観点から改善する。
• 空間的に分断された領域を独立したタスク単位に分割する接続性認識タスク表現を提案する。
• 隣接ペナルティを組み込んだ連続性駆動タスク割り当て手法を開発し、連続的なタスク系列を促進する。
• 各UAVに対する分散型CVRPベースのタスク割り当てとCP-guided計画を実現する。
• シミュレーションと実世界の実験を通じて性能を検証する。

提案手法

• 未知空間を地域連結性に基づき独立したタスク単位へ分解する粗粒度の連結グラフを構築する。
• 空間的に分離した未知領域を拓撲アンカーを持つタスク単位として扱う接続性認識タスク表現を定義する。
• グラフ隣接性連続性ペナルティを用いたCVRPとして連続性駆動タスク割り当てを定式化し、正規化隣接比と接続半径を導入する。
• マップ上のハイブリッドA*経路長と連結グラフ上のグラフベースA*を組み合わせて traversal costs を算出する。
• 損失/順不同の通信を耐えるため、コミット型のハンドシェイクを介して各UAVへタスク列を配布する。
• CP-guided計画は、ATSPベースのグローバルシーケンスと速度/加速度認識のエッジコスト、滑らかなBスプライン軌道を統合する。

実験結果

リサーチクエスチョン

• RQ1 接続性認識表現はマルチUAV探索におけるタスク単位定義をどのように改善できるか。
• RQ2 連続性認識CVRP割り当ては cross-region detourを低減し、タスクの時間的・空間的連続性を改善できるか。
• RQ3 限られた通信は分散タスク割り当てと探索効率にどのような影響を与えるか。
• RQ4 連続性正則化を伴うCP-guided計画は、様々な環境で最先端のベースラインと比較してどう機能するか。
• RQ5 実世界の展開はシミュレーションで得られた効率性と頑健性の利得を検証できるか。

主な発見

Scene	Drone Num	Method	Exploration Time (s)	Total Path Length (m)	Flight Vel. (m/s)
Cubicle Office	4	Ours	43.0 ± 4.9	243.9	1.82 ± 0.04
Open-plan Office	4	Ours	43.0 ± 4.9	243.9	1.82 ± 0.04
Octa Maze	4	Ours	43.0 ± 4.9	243.9	1.82 ± 0.04

• C2-ExplorerはシミュレーションのベンチマークでSOTAベースラインと比較して探索時間を43.1%短縮。
• C2-Explorerはシミュレーションのベンチマークで総経路長を平均33.3%短縮。
• 実機飛行により、分散割り当てと計画の実現性と頑健性を実証。
• 接続性ベースのタスク分解により分断された領域の統合を防ぎ、無効タスクを回避して割り当て品質を改善。
• CVRPにおける連続性ペナルティは空間的・時間的連続タスク系列を促進し、跨領域の迂回を削減。
• チーム規模が大きくなるにつれて探索時間の削減は依然として強く、経路長の増加はベースラインと比較して中程度に留まる。