GPU-accelerated Incremental Euclidean Distance Transform for Online Motion Planning of Mobile Robots
作者: Yizhou Chen, Shupeng Lai, Jinqiang Cui, Biao Wang, Ben M. Chen
分类: cs.RO
发布日期: 2026-10-30
备注: Published in RA-L 2022. Author-accepted manuscript. Code: https://github.com/JINXER000/GIE-mapping
期刊: IEEE Robotics and Automation Letters, vol. 7, no. 3, pp. 6894-6901, July 2022
💡 一句话要点
提出GPU加速增量欧几里得距离变换以解决移动机器人在线运动规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 增量欧几里得距离变换 GPU加速 在线运动规划 移动机器人 占用网格地图 并行计算 实时性能 环境感知
📋 核心要点
- 现有的机器人映射系统在处理高精度结构重建时存在计算效率低下的问题，难以满足在线运动规划的需求。
- 本文提出了一种基于GPU加速的增量欧几里得距离变换方法，能够快速计算局部距离信息并实时更新全局地图。
- 实验结果显示，该系统在未探索区域的映射性能上显著优于现有技术，且在实际应用中实现了实时处理。
📝 摘要（中文）
在这篇论文中，我们提出了一种体积映射系统，能够有效地计算占用网格地图（OGMs）和欧几里得距离变换（EDTs），并利用并行计算实现。与现有高精度结构重建的映射器不同，我们的系统增量构建全局EDT，并为在线机器人运动规划输出高频局部距离信息。该系统从多种传感器输入中处理大量数据，通过GPU编程技术快速并行计算局部体积内的EDT。新的观测数据通过并行波前算法持续集成到全局EDT中，同时保留历史观测。实验结果表明，我们的方法在机器人映射系统中优于现有的最先进技术，特别适合于未探索区域的映射。在实际应用于空中和地面车辆时，该系统在有限的机载计算资源下实现了实时性能。
🔬 方法详解
问题定义：本论文旨在解决现有机器人映射系统在实时运动规划中计算效率低下的问题，特别是在处理高精度结构重建时的局限性。
核心思路：通过引入GPU加速的增量欧几里得距离变换，论文设计了一种能够快速更新全局地图并提供高频局部距离信息的系统，以支持在线运动规划。
技术框架：该系统由多个模块组成，包括数据采集模块、并行计算模块和地图更新模块。数据采集模块负责从多种传感器获取信息，并将其传递给并行计算模块进行处理，最后通过地图更新模块整合新的观测数据。
关键创新：本研究的主要创新在于使用并行波前算法将新的观测数据增量集成到全局EDT中，同时保留历史观测信息。这一方法显著提高了计算效率和实时性。
关键设计：在技术细节上，系统采用了GPU编程技术以实现并行计算，优化了数据结构以支持快速访问和更新，同时设计了适应性强的参数设置以提高系统的整体性能。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在多个数据集上均优于现有的最先进机器人映射系统，尤其在未探索区域的映射中表现突出。具体而言，该系统在实时性能上实现了显著提升，能够在有限的计算资源下快速响应环境变化。
🎯 应用场景
该研究的潜在应用场景包括移动机器人在未知环境中的自主导航、无人机的实时路径规划以及自动驾驶车辆的环境感知等。通过提高地图构建的实时性和准确性，该系统能够显著提升机器人在复杂环境中的操作能力，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
In this letter, we present a volumetric mapping system that effectively calculates Occupancy Grid Maps (OGMs) and Euclidean Distance Transforms (EDTs) with parallel computing. Unlike these mappers for high-precision structural reconstruction, our system incrementally constructs global EDT and outputs high-frequency local distance information for online robot motion planning. The proposed system constructs OGM with massive amount of data from multiple types of sensor inputs. Using GPU programming techniques, the system quickly computes EDT in parallel within local volume. The new observation is continuously integrated into the global EDT using the parallel wavefront algorithm while preserving the historical observations. Experiments with datasets have shown that our proposed approach outperforms existing state-of-the-art robot mapping systems and is particularly suitable for mapping unexplored areas. In its actual implementations on aerial and ground vehicles, the proposed system achieves real-time performance with limited onboard computational resources.