[논문 리뷰] Variable-Resolution Virtual Maps for Autonomous Exploration with Unmanned Surface Vehicles (USVs)

Ye Li, Yewei Huang외 4명|arXiv (Cornell University)|2026. 03. 24.

Robotics and Sensor-Based Localization인용 수 0

한 줄 요약

본 논문은 Variable-Resolution Virtual Maps (VRVM)를 도입합니다. 이 방법은 쿼드트리 기반의 면적 가중 불확실성 표현을 사용하여 GNSS 저하 해안 환경에서 USV의 EM 계획 프런티어 탐색을 안내하고 안전성과 계산 효율성을 향상시킵니다.

ABSTRACT

Autonomous exploration by unmanned surface vehicles (USVs) in near-shore waters requires reliable localisation and consistent mapping over extended areas, but this is challenged by GNSS degradation, environment-induced localisation uncertainty, and limited on-board computation. Virtual map-based methods explicitly model localisation and mapping uncertainty by tightly coupling factor-graph SLAM with a map uncertainty criterion. However, their storage and computational costs scale poorly with fixed-resolution workspace discretisations, leading to inefficiency in large near-shore environments. Moreover, overvaluing feature-sparse open-water regions can increase the risk of SLAM failure as a result of imbalance between exploration and exploitation. To address these limitations, we propose a Variable-Resolution Virtual Map (VRVM), a computationally efficient method for representing map uncertainty using bivariate Gaussian virtual landmarks placed in the cells of an adaptive quadtree. The adaptive quadtree enables an area-weighted uncertainty representation that keeps coarse, far-field virtual landmarks deliberately uncertain while allocating higher resolution to information-dense regions, and reduces the sensitivity of the map valuation to local refinements of the tree. An expectation-maximisation (EM) planner is adopted to evaluate pose and map uncertainty along frontiers using the VRVM, balancing exploration and exploitation. We evaluate VRVM against several state-of-the-art exploration algorithms in the VRX Gazebo simulator, using a realistic marina environment across different testing scenarios with an increasing level of exploration difficulty. The results indicate that our method offers safer behaviour and better utilisation of on-board computation in GNSS-degraded near-shore environments.

연구 동기 및 목표

• USV의 GNSS 저하가 발생하는 근해에서의 위치추정 및 매핑 문제를 해결한다.
• 큰 규모의 불균형한 해안 환경에 확장 가능한 계산적으로 효율적이고 불확실성 인지된 맵 표현을 개발한다.
• 구조적으로 정보가 풍부한 영역을 특징이 적은 개방 수역보다 우선시하여 탐색과 활용의 균형을 맞춘다.
• VRVM을 포즈 및 맵 불확실성을 고려하여 프런티어를 선택하는 EM 기반 플래너와 결합한다.
• 현실적인 마리나 시나리오에서 실시간 성능과 정확한 매핑을 시연한다.

제안 방법

• 2D 가우시안 가상 랜드마크의 적응적 쿼드트리를 이용한 가변 해상도 가상 맵으로 맵 불확실성을 표현한다.
• 실제 랜드마크와 가상 랜드마크를 하나의 통합 프레임워크로 유지하고, 가상 랜드마크는 역 LiDAR 센서 모델과 가정보 업데이트를 통해 갱신된다.
• VRVM을 LiDAR–IMU SLAM 백본(LIO-SAM)과 결합하여 자세 추정치와 계획을 위한 2D로 투영된 3D 한계 공분산을 얻는다.
• 가상 랜드마크 공분산의 음의 로그determinant를 기반으로 하는 맵 유틸리티를 계산하고 이를 재발행-호라이즌 EM 플래너의 궤적 및 길이 유틷리티와 통합한다.
• 면적 가중 맵 평가를 사용하여 분할 패턴에 대한 의존성을 줄이고 개방 수역으로의 편향을 피한다.
• 완전 데이터 로그 가능도 기대치를 최대화하도록 EM 프레임워크를 활용하고, 가상 맵을 결정적으로 업데이트하는 C-step과 궤적 최적화를 위한 MAP M-step을 수행한다.

Figure 1 : Illustration of the WAM-V (c) in the $210\,\mathrm{m}\times 500\,\mathrm{m}$ Harbour Basin scene (b). The VRVM map (a) and corresponding LiDAR SLAM point cloud (d) are shown. The USV is depicted in red, with the trajectory history in green. White cells indicate observed space, and gray ce

실험 결과

연구 질문

• RQ1 가변 해상도 표현이 울퉁불퉁한 해안 환경에서 USV 탐색을 위한 맵 불확실성 모델링을 어떻게 개선할 수 있는가?
• RQ2 쿼드트리 기반의 VRVM이 임베디드 시스템과 호환되는 실시간 성능을 유지하면서도 정확한 SLAM 기반 계획을 보장할 수 있는가?
• RQ3 맵 불확실성, 포즈 불확실성, 경로 비용을 결합한 EM 기반 프런티어 플래너가 GNSS 저하 환경에서 더 안전하고 효율적인 탐색을 제공하는가?
• RQ4 면적 가중 VRVM 가치 평가가 특징이 풍부한 영역과 특징이 희박한 영역 간의 탐색 편향에 어떤 영향을 미치는가?
• RQ5 VRVM이 현실적인 근해 시뮬레이션에서 상태-of-the-art 탐색 알고리즘과 비교하여 어떤 성능 차이를 보이는가?

주요 결과

• VRVM은 임베디드 시스템과 호환되는 실시간 성능을 달성합니다.
• 면적 가중 맵 평가가 구조적으로 불균형한 근해 환경에서 탐색과 활용의 균형을 맞춥니다.
• 이 접근법은 현실적인 VRX Gazebo 시나리오에서 큰 해안 시뮬레이션 영역(예: 1000 m × 1000 m)에서 지속적인 자율 탐색을 가능하게 합니다.
• VRVM은 GNSS 저하 하에서 여러 기초 방법 대비 더 안전한 행동과 온보드 계산 활용을 보여줍니다.
• 쿼드트리 정제를 통해 맵 이산화의 크기에 따라 달라지는 계산비용이 아닌 관찰 가능한 영역의 크기에 따라 확장하는 특성을 보입니다.
• 프레임워크가 SLAM 백엔드의 불확실성과 가상 맵을 효과적으로 결합하여 SLAM 최적화로의 피드백을 발생시키지 않습니다.

Figure 2 : Overview of the navigation pipeline. The factor graph produced by LiDAR-based Graph SLAM is used to construct the variable-resolution virtual map (VRVM), which provides uncertainty-aware information for decision making.