[论文解读] 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 0

一句话总结

C2-Explorer 提出一种去中心化的多无人机探索框架，使用连接性感知的任务表示与连续性驱动的 CVRP，在有限通信条件下分配空间连续的任务，从而提升探索效率并降低偏绕。

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

研究动机与目标

• 通过解决任务表示与分配中的连续性问题，推动在有限通信条件下的高效多无人机探索。
• 提出一种连接性感知的任务表示，将空间上不相连的区域拆分为独立的任务单元。
• 开发一种包含邻接惩罚的连续性驱动任务分配方法，以鼓励连续的任务序列。
• 实现基于 CVRP 的去中心化任务分配与每架无人机的 CP 指导规划。
• 通过仿真与实际世界实验验证性能。

提出的方法

• 构建粗网格化的连通性图，将未知空间基于区域连通性分解为独立的任务单元。
• 定义一个连接性感知的任务表示，其中每个空间上不相连的未知区域成为具有拓扑锚点的任务单元。
• 将连续性驱动的任务分配表述为带有图邻接连续性惩罚的 CVRP，使用归一化的邻接比与连通半径。
• 使用混合 A* 路径长度在地图上与图上的 A* 路径在连通性图上计算任务成本，以获得遍历成本。
• 通过承诺式握手分发每架无人机的任务序列，以容忍因通信丢包/乱序引起的问题。
• 每架无人机的 CP 指导规划将基于 ATSP 的全局排序与速度/加速度感知边成本以及光滑的 B 样条轨迹相结合。

实验结果

研究问题

• RQ1 连通性感知的表示如何改善多无人机探索的任务单元定义？
• RQ2 连续性感知的 CVRP 分配能否降低跨区域偏绕并提升任务的时空连贯性？
• RQ3 有限通信对去中心化任务分配与探索效率有何影响？
• RQ4 在不同环境中，与最先进基线相比，带连续性正则化的 CP 指导规划表现如何？
• RQ5 真实部署是否验证了仿真中关于效率与鲁棒性的提升？

主要发现

场景	无人机数量	方法	探索时间（s）	总路径长度（m）	飞行速度（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

• 与 SOTA 基线相比，C2-Explorer 在仿真基准测试中将探索时间缩短了 43.1%。
• 与基线相比，C2-Explorer 在仿真基准测试中总路径长度平均缩短了 33.3%。
• 真实世界飞行证明了去中心化分配与规划的可行性和鲁棒性。
• 基于连通性的任务分解避免了合并不相连区域和无效任务，提升了分配质量。
• CVRP 中的连续性惩罚鼓励空间上和时间上连续的任务序列，降低跨区域的偏绕。
• 随着团队规模的增加，探索时间的缩短仍然显著，且路径长度的增长相对于基线保持中等水平。