Star-Searcher: A Complete and Efficient Aerial System for Autonomous Target Search in Complex Unknown Environments

无人机自主探索技术经历了从单一感知到多传感器融合的发展。早期方法如 frontier-based探索（6-11）侧重于快速覆盖未知区域，但在目标检测方面效果有限。近年来，基于信息增益的采样策略（12-16）提升了效率，但在复杂环境中路径规划仍面临挑战。DARPA地下挑战推动多机器人协作（22-24），但缺乏针对目标搜索的系统性方案。现有方法多在探索与检测间权衡，难以兼顾搜索完备性与效率。本文在此基础上，结合多传感器融合、视角聚类与历史路径机制，提出一套完整解决方案，旨在突破复杂环境中自主目标搜索瓶颈。

核心问题在于如何在复杂未知环境中高效、连续地完成目标搜索。现有路径规划多依赖静态地图或单一感知机制，难以应对环境动态变化和多目标需求。路径复杂、反复和不连续严重影响搜索效率，尤其在大规模场景中，路径规划计算量巨大，实时性不足。如何结合多传感器信息、优化路径连续性、实现快速响应，成为亟需解决的难题。这些问题限制了无人机在实际救援、监测中的应用效果，亟须创新性解决方案。

创新点包括：1）引入基于可见性的视角聚类，将复杂路径问题分解为区域子问题，降低计算复杂度；2）结合历史路径信息，设计历史感知机制，确保路径连续性，避免频繁反复；3）多传感器融合实现高精度环境建图，结合信息增益优化视点选择；4）实现实时路径规划，频率达10Hz，满足动态环境需求。这些创新有效解决了传统方法在大规模复杂环境中的瓶颈，提升了搜索效率与完备性。

• �� 环境感知：利用激光雷达与RGB相机融合，进行体素级别的占用建图，更新观察距离和目标信息。
• �� 视角生成：在前沿和未检区域采样视点，利用信息增益和视角角度评分，选择最优视点。
• �� 视角聚类：基于可见性进行多视点聚类，形成互视区域，简化路径规划。
• �� 层级路径规划：先通过视角聚类进行全局路径规划，结合历史路径信息确保路径连续；再在每个簇内进行局部路径优化。
• �� 全局路径：采用A*算法在视点簇中心间搜索，结合历史路径，避免路径反复。
• �� 局部路径：考虑速度和角度变化，优化视点顺序，确保平滑飞行。
• �� 实时执行：路径规划频率达10Hz，确保动态环境下的快速响应。

在Gazebo模拟和实地环境中，采用不同复杂度场景（SubT、迷宫、遗迹）进行验证。对比基线方法（FUEL-3m、Semantic）和最新算法，评估路径长度、时间和完备率。参数设置包括Rvp=3m，路径规划频率10Hz。通过多次试验，验证系统在不同场景下的稳定性和效率提升。采用目标检测准确率和路径优化指标作为评价标准，进行消融实验分析不同模块贡献。

在模拟和实地测试中，Star-Searcher实现路径平均长度为191.65米，时间为153.36秒，搜索完备率达100%。与传统方法相比，路径缩短约15%，时间缩减20%。在复杂迷宫场景中，路径长度和时间均优于对比方法，验证了层级规划和视角聚类的有效性。消融实验显示，视角聚类和历史感知机制分别提升路径效率和连续性，验证了设计的合理性。

该系统适用于灾难救援、环境监测、工业巡检等场景，依赖高精度环境感知和快速路径规划。只需配备激光雷达和RGB相机，结合预设任务目标，即可实现自主搜索。未来可扩展多机器人协作，提升大规模场景的搜索效率。系统的实时性和完备性，为无人机在复杂环境中的自主作业提供了技术支撑。

系统在快速变化环境中表现有限，动态目标和突发障碍可能导致路径偏差。高密度目标场景下，视角聚类和路径优化存在计算瓶颈。传感器在极端光照或干扰环境下的感知准确性不足，影响整体性能。未来需结合深度学习提升感知鲁棒性，优化动态环境适应能力。