AGRNav: Efficient and Energy-Saving Autonomous Navigation for Air-Ground Robots in Occlusion-Prone Environments

空地机器人的非凡机动性和长时间耐久性引起了人们在复杂环境（如森林和大型建筑物）中使用它们的兴趣。然而，这些环境通常包含遮挡和未知区域，如果没有准确预测未观察到的障碍物，空地机器人的移动往往会在现有的基于地图和基于学习的导航方法下产生次优轨迹。在这项工作中，我们提出了AGRNav，这是一个新颖的框架，旨在搜索安全和节能的空地混合路径。AGRNav包含一个轻量级的语义场景完成网络（SCONet），具有自我注意力，通过捕捉上下文信息和遮挡区域特征来实现准确的障碍物预测。该框架随后采用基于查询的方法，实现对网格地图预测结果的低延迟更新。最后，基于更新后的地图，分层路径规划器有效地搜索节能路径以进行导航。我们通过模拟和实际环境中的基准测试验证了AGRNav的性能，并证明其优于经典和最先进的方法。开放源代码可在https://github.com/jmwang0117/AGRNav上获得。

本论文旨在解决复杂环境下空地一体机器人导航的问题，尤其是在存在未知障碍物的情况下，提出了一种新的框架AGRNav。

AGRNav框架包含一个轻量级的语义场景补全网络SCONet，通过自注意力机制捕捉上下文信息和遮挡区域特征，实现了准确的障碍物预测。接着，利用基于查询的方法对网格地图进行低延迟更新。最后，基于更新后的地图，分层路径规划器高效地搜索节能路径。

论文通过在模拟和实际环境中进行基准测试，验证了AGRNav的性能优于传统和最先进的方法。此外，作者还提供了开源代码，便于其他研究者使用和改进。

与本论文相关的研究包括：'A Hybrid Architecture for Air-Ground Collaborative Navigation in Unknown Environments'、'A Survey on Air-Ground Multi-Robot Systems'等。