亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

本文強調知識圖譜在強化軍事偵察的智能信息系統中的重要作用，著重分析知識圖譜的推理能力價值，并探討開源工具在知識圖譜開發維護中的角色。為此，本文首先剖析不同開源知識圖譜工具提供的推理支持，探索如何利用現有軟件推理器增強知識圖譜功能。這為知識圖譜實踐者提供寶貴指南——洞察可用資源、推理支持及構建綜合知識圖譜的策略。其次，本文提供有效框架幫助用戶根據軍事偵察特定需求篩選和比較最適配工具。

圖1：情報周期內的知識工程流程。傳統情報周期通常由需求模塊起始的四個組件構成。新增的"處理"模塊通常作為分析模塊的子流程。此處將其視為獨立模塊，旨在突顯周期內兩個底層流程：一級數據處理與融合階段，二級高級情報生成階段。

軍事情報依賴收集處理偵察行動中獲取的海量異構數據，以消除情報知識缺口并支撐指揮官決策。多源信息的必要互聯通過提供作戰環境實時精準數據，對指揮控制（C2）智能信息系統（IIS）形成關鍵支撐。在"情報周期"（涵蓋任務分配、收集、處理、分析與分發流程）中，分析師需處理描述指揮官信息需求的優先/特定情報需求（PIRs/SIRs）。簡言之，指揮官需掌握敵軍戰力等信息以制定應對決策，而分析師通過解析偵察數據提供情報支持。數據通常經多技術手段采集，呈現多樣化格式（如圖像、書面報告、無線電訊號等）。當部隊無法獨立滿足情報需求時，需向上級或友鄰單位申請支援。所有采集數據與反饋信息必須有效整合。知識圖譜（KG）作為結構化多關系圖式知識表征——捕捉實體（如人員、載具、地點）及其關聯信息，為組織存儲檢索此類信息提供高效方法。知識圖譜可視為實體語義網絡、屬性及關系的符號化表征，其優勢在于明確定義的語義與推理能力：可檢測矛盾或通過領域知識豐富信息。具備推理能力的知識圖譜支持復雜作戰環境決策，類似指揮控制與情報知識信息系統的決策場景。

知識圖譜通過組織海量互連數據，構建軍事戰略行動相關信息的結構化表征。這種結構化知識促進精細化情境感知推理，從離散數據源提取可操作洞察。隨著系統演進，高級推理機制的整合進一步優化決策流程——基于知識圖譜實體間復雜關系推演潛在結果。本質上，指揮控制與情報智能信息系統融合知識圖譜及推理能力，不僅優化信息檢索與解讀，更為戰略領導者提供駕馭信息化現代戰爭復雜性的高階工具。相較于易產生幻覺的大語言模型（LLM），知識圖譜通常包含已驗證事實。目前LLM仍難從文本提取邏輯關聯：若模型訓練包含"A是B"句式，其無法自然推導"B是A"逆命題（此現象稱"逆轉詛咒"）。LLM另一局限在于僅通過單次海量文本訓練且缺乏持續更新。解決方案之一是情境學習，如采用檢索增強生成（RAG）框架。知識圖譜及其嵌入表征亦可作為情境學習源，例如在基于最新信息構建問答系統的RAG流程中。

在軍事等敏感領域決策時，決策者終不可依賴直覺。因決策關乎人命，其必須基于有效事實可追溯、可解釋。知識圖譜及其推理能力相較LLM兼具二者特性，故LLM目前無法替代知識圖譜。構建知識圖譜面臨多維挑戰：需以有意義方式結構化信息以表征應用領域相關實體關系。成功創建維護知識圖譜主要依賴本體編輯器與推理器兩大工具：編輯器用于開發本體（定義特定知識領域核心概念、屬性及關系的概念框架）；推理器基于既有事實推導新知識，用于深化洞察或檢驗知識圖譜信息一致性。

構建穩健本體需理解RDFS/OWL等本體語言與形式化標準。理想本體編輯器應配備圖形界面以隱藏形式化復雜性，使本體學家（專攻本體設計與實施的專家）聚焦核心術語與關系的明確定義。此過程通常為迭代協作式。開源工具在普及知識圖譜中發揮重要作用，歐盟委員會亦倡導使用促進知識圖譜開發維護的開源方案。開源工具具多重優勢：規避供應商鎖定、低成本可及性等。故本研究僅考量輔助知識圖譜構建維護的開源軟件。但并非所有開源編輯器或推理器均提供同等推理支持（知識圖譜核心能力）。因此，本文通過評估各類公開編輯器與推理器的推理能力，揭示此關鍵維度。

本文通過梳理現有開源工具為知識圖譜實踐者提供指南。重點聚焦推理能力及開源編輯器對其支持程度，同時介紹部分開源推理器及其與現有編輯器的協同使用方案。這涉及評估編輯器與推理引擎的兼容性，以通過自動推理提升知識圖譜構建質量精度。全文結構如下：第二章論述相關工作；第三、四章開展開源本體編輯器與推理器的比較評估；第五章探索構建全功能知識圖譜平臺；第六章總結全文。

無人駕駛飛行器（UAV）日益頻繁的使用引發了安全隱患，亟需有效的反無人機系統。本文旨在通過設計和實現仿真環境，評估反無人機防御中使用的干擾器角度分配方法，從而改進現有系統。該仿真模擬真實場景：攻擊無人機被追蹤后通過干擾使其失去行動能力，為特定場景下多種干擾器分配技術的效果評估提供工具。仿真基于智能體建模技術，模擬無人機與干擾器在受控環境中的行為交互。用戶定制報告器將監測記錄關鍵性能指標以評估算法性能。該工具的預期用途是增強規劃者對干擾器分配機制的理解，輔助優化反無人機防御戰術。

當今世界技術發展使無人機開始被用作武器，推動了對抗手段的演進。反無人機系統對關鍵區域和設施保護具有重要作用。這些系統專為應對無人機威脅設計，在傳統防空系統基礎上額外提供探測、跟蹤、識別、干擾與威脅評估功能。無人機探測跟蹤通過雷達和攝像系統等傳感器實現。探測階段是確保反無人機系統有效性的首要環節——未探測到的無人機無法采取預防措施。隨后識別被探測目標并評定威脅等級。若判定存在危險且需采取對抗措施，即啟動干擾程序。干擾無人機可分為兩類：硬殺傷與軟殺傷。硬殺傷旨在物理摧毀目標，通常采用激光武器或導彈系統；軟殺傷則在不造成物理損傷前提下使無人機活動中止，包括信號干擾和頻率干擾等電子干預手段。干擾器作為軟殺傷工具，通過阻斷信號阻止無人機受控。最常見的是可實現全向信號干擾的全向干擾器。但當防護區域周邊存在需保留的日常通信信號時，則采用僅能在特定角度干擾信號的定向干擾器。

日常應用中，反無人機系統可由單名或多名操作員控制，亦可在無人工介入的自主模式下運行。自動模式下，算法根據雷達軌跡信息確定干擾器作用區域并自動下發指令。此類算法計算目標威脅優先級后通過干擾器執行操作，本質屬于威脅評估與武器分配（TEWA）問題。決策過程需快速完成，因應對威脅的可接受響應時間通常僅為數秒。

本文提出名為JASPER（干擾器分配仿真評估報告平臺）的仿真方法，用于測試評估反無人機系統中的專用威脅評估與武器分配（TEWA）算法。這些算法專注于為威脅覆蓋優化分配干擾器角度。不同算法在目標優先級設定、計算時長及設備交互方式上存在差異。為確定更適用算法及其效能，需進行額外測試。本研究旨在開發模塊化、基于代理的測試平臺以滿足該需求。算法測試平臺采用基于代理的仿真框架MASON搭建。MASON作為復雜系統仿真平臺具備高度可定制性，基于代理的仿真方法使各代理按自有規則運行，提供更真實靈活的仿真環境。本測試平臺設計用于報告特定算法在多樣化場景下的性能。在此模塊化測試環境中，用戶可自定義測試案例及需報告的關鍵性能指標（KPI），支持基于不同場景的深度性能分析。這對理解算法在真實環境中的預期表現尤為重要。

論文結構如下：第二章提供測試評估仿真、威脅評估與武器分配及基于代理仿真的背景知識與文獻綜述；隨后在該章內定義描述具體問題；第三章闡述仿真技術應用；第四章說明仿真實施細節；第五章包含研究結論與未來改進方向。

將便攜式自主水下航行器（AUV）作為矢量磁力計的搭載平臺具備快速部署優勢。該能力可在作戰區域部署，根據作戰相關的局部磁場環境對艦船磁場特征進行實時測量。本項目旨在論證基于AUV的艦船磁力測距技術可行性。本科學報告分析了兩項試驗采集的磁力數據：試驗分別采用靜態與動態兩種AUV模式。鑒于測量數據集僅包含艦船有限次通過AUV的航次數據，通過等效磁源技術將數據擬合至艦船合成模型。經深度與航向校正的預估艦船磁場特征，被繪制在與固定站點消磁作業同規格的標準網格上。為驗證AUV生成磁場特征的可靠性，特將其與固定站點測量結果進行對比。誤差值處于可接受范圍，故試驗證實了便攜式AUV作為矢量磁力計搭載平臺的潛力，但仍需后續技術改進。

本研究分析了通過水下靜態或動態AUV搭載磁力計實施艦船磁力測距的可能性。試驗取得的積極成果表明，該新型測距方法可應用于各類艦船部署海域的磁場測量。這將使水雷對抗任務能在作戰地域及時空近距條件下高效執行。

傳統上，加拿大皇家海軍（RCN）艦船磁場特征需駛過母港海底鋪設的三軸磁力傳感器靜態陣列進行測量。但固定站點常遠離艦船作業區，故提出在作戰區域采用便攜式傳感器測量磁場特征的方案。近期RCN啟動開發以AUV為搭載平臺的便攜式磁測系統：本地化測量可調整消磁系統，補償因地磁場變化導致的感應磁場波動，并校正永久磁化強度偏差。現行方案通過在多個AUV搭載磁力計與慣性測量單元[1-4]實現移動水面艦船的磁場特征測量。盡管AUV水面航行時使用全球定位系統（GPS）定位，但水下磁力傳感器相對于艦船的精確位置標定仍具挑戰性。系列試驗旨在確立基于AUV的磁場特征測量最佳流程：首次試驗采用靜態AUV測量移動目標磁場；第二次采用動態AUV測量靜態目標；第三次以動態AUV測量逆向移動目標。試驗目標在于獲取艦船特定深度水平面（"聲束深度"）投影的磁場特征。因每臺AUV僅配備單一磁力傳感器，需多次航行方能完成一次特征測量。試驗期間艦船與AUV協同機動，分別測量艦船磁北、磁南、磁東和磁西四個航向的磁場特征。試驗采用IMOTUS-R [5]與IVER-3 [6]兩款AUV，其搭載的矢量磁力計可模擬固定磁測陣列單點傳感器功能。首階段于2022年11月在BC省薩尼奇附近海域實施，采用IMOTUS-R AUV與ORCA級巡邏訓練艇COUGAR。AUV懸停于水柱中，艦船以不同水平偏距通過，并以正交航線采集四向磁場數據。受時間限制，此階段僅完成有限測量。第二、三階段于2023年2月在新斯科舍省哈利法克斯開展，使用IVER-3 AUV與拖船：先固定北向艦船，AUV在16米深度沿南北/東西方向掃描磁場；隨后AUV在16米深度沿固定北-南/東-西軌道航行，艦船逆向移動。鑒于稀疏數據集（僅含數次通行記錄），通過等效磁源技術[4]將數據擬合至艦船合成模型計算特征值。作為基準對照，兩艘艦船分別在BC省維多利亞和NS省哈利法克斯的固定磁測站點進行測量。本報告的數據分析與磁建模目標在于獲取消磁作業規格的網格化磁場特征，并與固定站點測量結果進行對比分析。

本報告展示了為美陸軍2024年機動支援與防護集成實驗（MSPIX）演示準備的模擬研究成果。本研究旨在開發并測試一套面向復雜環境的自主導航系統，通過先進算法使機器人實現障礙物規避與安全高效路徑規劃。報告詳述了自主導航系統的開發與測試方法，包括利用仿真評估性能，并通過模擬測試結果凸顯該導航方案的有效性。

本報告響應《美陸軍多域情報：2021-2022財年科技重點領域》（陸軍副參謀長辦公室，2020年）設定的研究方向。具體而言，本研究契合“戰爭將以超高速和大規模形式進行，由機器人及自主系統（RAS）、機器學習（ML）和人工智能（AI）等技術主導，這些技術已廣泛可用、集成封裝并具備即用性”（第5頁）的論述。通過引入虛擬邊界、多航點設置及暫停導航堆棧功能，本系統達成構建更高效自主解決方案的目標。

設計紅外系統可以幫助商業和軍事用戶實現大量應用。隨著寬帶紅外成像儀的尺寸、重量和功率（SWaP）的減小，其在航空飛行器上的實用性得到了開發。機載系統具有更大的機動性，可增強用戶獲取圖像的能力。本文介紹的研究采用輻射測量產生的理論模型，并將地面設計技術應用于空中。領航、瞄準、制圖和態勢感知都是紅外成像任務的例子，具有廣泛的設計歷史。本文的研究重點是設計空中系統。設計了一種基于導航的紅外系統，用于比較中波和長波紅外波段，以探測高壓電線，避免致命的撞車事故。一種新的瞄準系統采用了一種新穎的多攝像頭設計方法，該方法植根于瞄準任務性能（TTP）指標，以提高在無人機平臺上飛行時的大范圍性能。對可見光、近紅外、短波紅外和擴展短波紅外的校準圖像進行比較，以找出哪種圖像對繪圖任務的場景對比度最高。最后，設計了一個態勢感知系統，利用波長保持人員視線，同時實時繪制火災邊界以避免致命事故，從而確保森林消防員在極端野火條件下的安全。對于上述領航、瞄準、測繪和態勢感知系統設計，所產生的理論模型與實驗室和實地測量結果進行了比較。提出的校準分析提供了避免結果偏差和公平比較每個寬帶傳感器系統性能的技術。在每種情況下，理論和測量結果都證明了設計方法對創建航空傳感器系統是有效的。在每種情況下，傳感器的性能都能滿足設計要求，并可通過這些初步研究創建可部署的系統。

本文介紹了一種在美國海軍和國防部框架內提高可操作技術（OT）系統安全性和效率的新方法。這項研究由負責作戰能源的海軍副助理部長贊助，旨在解決 OT 系統中異常檢測方面的關鍵差距。本文引入了一個綜合傳感器系統和先進的機器學習（ML）模型，用于分析各種 OT 設備的實時功耗數據。通過從模擬的小規模 OT 環境中開發獨特的非侵入式負載監控（NILM）數據集，本研究率先將成本效益高、易于部署的傳感器陣列與支持向量機、長短期記憶和卷積神經網絡算法等 ML 技術集成在一起。這種集成旨在簡化異常檢測，減輕這些 OT 系統中多種背板協議集成所帶來的復雜性。通過異常表征和定制檢測方法的制定，本文在利用 ML 識別系統故障、設備故障和潛在網絡安全威脅的早期指標方面開創了新的先例。這項工作極大地促進了獨立 OT 系統的安全性和復原力，使其能夠抵御一系列異常現象，為未來對基礎設施至關重要的安全和復原力 OT 系統的發展奠定了基礎。

利用無人地面飛行器（UGV）進行自主導航和未知環境探索極具挑戰性。本報告研究了一種利用小尺寸、低重量、低功耗和低成本有效載荷的測繪和探索解決方案。本文介紹的平臺利用同步定位和繪圖功能，通過尋找可導航路線來有效探索未知區域。該解決方案利用多種傳感器有效載荷，包括輪子編碼器、三維激光雷達、紅-綠-藍相機和深度相機。這項工作的主要目標是利用 UGV 的路徑規劃和導航功能進行測繪和探索，從而生成精確的 3D 地圖。所提供的解決方案還利用了機器人操作系統。

本文的目的是利用生成對抗網絡（GAN）對射頻（RF）傳輸過程中可能出現的復雜信道效應進行建模。為了研究不同生成對抗網絡的潛力，并學習射頻傳輸過程中可能出現的復雜信道效應，我們在具有不同調制方案和信道效應的配對和非配對射頻數據集上訓練了兩種不同的生成對抗網絡。基于特征的專家系統 GNU Radio（基于物理建模）用于生成合成射頻發射和接收數據集對。在對合成數據進行訓練后，條件 GANs 產生的輸出結果與訓練數據基本吻合。這是訓練 GAN 的第一步，GAN 可以定性和定量地再現發射射頻數據和接收射頻信號之間的轉換。最終，這種方法可應用于真實世界條件下記錄的配對數據集。

方法

要訓練條件 GAN，必須有一個包含發射和接收對的代表性數據集。

• 使用 GNU Radio 創建了合成數據集，并對已發布的調制數據集 RadioML[1] 進行了擴展。

  • 該調制數據集包含八種數字調制，設置在不同的信噪比（SNR）水平上。

  • 創建的示例有信道模型和無信道模型，以模擬這對發射機和接收機，并將其輸入到 GAN 訓練中。

• 本研究主要使用了兩種不同的條件 GAN 架構：

  • Pix2Pix，一種需要配對數據的傳輸型 GAN。
  • Wasserstein GAN，一種不需要配對數據的隨機生成器。

• GAN 輸出通過同相和正交（IQ）圖和時間序列圖進行可視化，然后與訓練數據進行定性比較。

結論和建議

雖然還需要進一步的工作，但 GAN 在生成射頻數據和信道效應估計方面顯示出了前景。兩種 GAN 架構生成的原始 IQ 數據在質量上與調制和信噪比數據集的訓練數據一致。利用定量指標進行進一步優化將能改善這一性能。本研究中使用的數據集包含射頻信號的小片段。將 GAN 生成的信號長度增加到秒級，將需要一種新的 GAN 架構。目前的工作顯示了對合成數據的定性模仿，因此在這一點上，GAN 并不優于合成生成。今后的目標是將這項研究擴展到空中數據收集。

本文探索了既能提供全覆蓋路徑規劃，又能避開負面障礙物的方法。這些方法專門針對無人地面車輛（UGV），因為它們需要不斷與可穿越的地面進行交互。在仿真中測試了多種潛在解決方案，并在本文中介紹了測試結果。對全覆蓋路徑規劃器（FCPP）方法進行了評估，主要是看它們是否能將路徑離散化，是否能有效地使用航點，以及是否能與當前的機器人平臺輕松集成。對于負障礙物，探索了能與當前導航堆棧集成的方法。首選解決方案將允許遠程操作、航路點導航和完全自主，同時避開正面和負面障礙物。

2021 年 9 月，在 2022 年陸軍機動支援和維持能力發展集成局主辦的機動支援、維持和保護集成實驗（MSSPIX）中展示了機器人平臺。在為期三天的時間里，三名士兵接受了使用機器人平臺的培訓。士兵們學會了使用手動導航、半自動航點導航和自主探索來繪制隧道和建筑物內部地圖。該團隊成功展示了一種平臺無關的無人地面運載工具（UGV）邊緣計算（利用機載硬件做出毫秒級低延遲決策）和傳感器有效載荷，用于勘測和繪制內部結構（包括地下環境）。具體來說，UGV 能夠在士兵不進入潛在危險環境的情況下實現三種操作模式：遠程操作、航點導航或自主繪圖。根據這些經驗和士兵的反饋，團隊確定了導航需要改進的兩個方面。

起初，假定在電池容量有限（約 3 小時）的情況下，自主導航的主要目標是在最短時間內覆蓋盡可能多的地面。因此，采用了基于前沿探索的方法。在這里，前沿被定義為機器人已經探索過的區域和尚未探索的區域之間的邊界。優先考慮數學上最大的邊界。在這種情況下，可以在相對較短的時間內提供一棟建筑的整體平面圖，但較小的房間則無法徹底探索。因此，如果行動概念（CONOP）也涉及到識別感興趣的對象，那么這種方法就有可能錯過感興趣的對象，尤其是如果該對象位于較小的房間中。因此，團隊研究了可用于徹底探索房間的全覆蓋路徑規劃器 (FCPP)。本報告的一個方面就是討論如何使用全覆蓋規劃器。

MSSPIX 22 演示中出現的另一個問題是負面障礙物。雖然機器人能夠很好地識別和避開正面障礙物，但負面障礙物，如下樓梯或地板上的洞，卻超出了機器人的初始能力。由于在演示之前已經知道了這些負面障礙物，因此能夠使用虛擬障礙物來阻止機器人探索這些區域。然而，必須開發一種方法來處理負面障礙，尤其是在無法獲得事先知識的情況下。因此，本報告的第二個方面側重于識別負面障礙。

本報告涉及《陸軍多域情報》中確立的重點領域： 21-22 財年科技重點領域》（參謀部副參謀長辦公室，2020 年）中確定的重點領域。具體而言，認為這項工作涉及到 "戰爭將以超高速、超大規模進行，由機器人和自主系統（RAS）、機器學習（ML）和人工智能（AI）能力等技術主導，這些技術可廣泛獲取、打包并隨時投入使用"（5）。通過整合全覆蓋規劃和檢測負面障礙物的能力，實現了創建更高效自主系統的目標。

方法包括在模擬中運行全覆蓋規劃器和負障礙物檢測方法。為了測試這兩種方案，使用了 Clearpath Robotics（2021 年）公司的 "障礙世界"。障礙世界是一個虛擬定義的室內世界，可作為全覆蓋規劃器的封閉區域，而非平面地板則可用于負障礙物檢測的模擬測試。圖 1 顯示了模擬環境中的世界。整個世界中出現的負障礙物都被標注出來。用于加載虛擬環境和機器人的完整啟動文件可在 0 部分附錄 A 中找到。啟動文件中包含的幾個參數可用于調整環境，包括機器人的起始位置和世界比例。為了啟動世界，使用了以下節點： 在這里，節點被定義為執行計算的進程。

目標是利用全覆蓋規劃器徹底探索每個房間，同時利用負障礙物檢測節點防止機器人被卡住。全覆蓋規劃器需要一個占用網格來規劃路徑。圖 2 顯示了用于路徑規劃的占用網格。由于占用網格通常是三元網格，空間通常被標記為占用（黑色）、空閑（白色）和未知（灰色）。因此，負障礙物無法識別，規劃的路徑將穿越非平面樓層幾何體。負障礙物的大小與車輪直徑大致相同，這意味著如果機器人掉入負障礙物中，將不太可能逃脫，從而無法完成任務。

本文探討了無人地面車輛（UGV）應用中的 2.5D 和 3D 路徑規劃。對于 2.5D 實時導航，我們研究了使用高程或可穿越性生成 2.5D 占位網格，以確定路徑成本。與海拔高度相比，使用由表面法線生成的分層方法生成的可穿越性在測試環境中更為穩健。分層方法也用于三維路徑規劃。雖然可以實時使用三維方法，但生成三維網格所需的時間意味著，有效進行路徑規劃的唯一方法是使用預先存在的點云環境。因此，我們探索從各種來源生成三維網格，包括手持式傳感器、UGV、UAV 和航空激光雷達。

本報告涉及《陸軍多域情報： 21-22 財年科技重點領域》（參謀部副參謀長辦公室，2020 年）。具體而言，在傳感器部分，本報告與以下需求相關： "傳感器和機器人平臺的新組合，不僅能在地形上移動，還能機動感知"（4）。傳統上，無人地面車輛（UGV）以二維方式導航，并將世界劃分為已知、未知和障礙。本報告試圖通過在地圖中加入實際地表信息，將導航擴展到 2.5維和 3維尺寸。更高的維度可以提高導航效率。

這項工作還涉及 "戰爭將以超高速、超大規模進行，由機器人和自主系統 (RAS)、機器學習 (ML) 和 AI [人工智能] 能力等技術主導，這些技術可廣泛獲得、打包并隨時投入使用"（參謀部副參謀長辦公室 2020，5）。雖然不在本文討論范圍之內，但基于前沿的 2D 探索軟件包（Christie 等人，2021 年）將與我們的 2.5D 方法配合使用。

研究方法

在這里，探討了兩個專門用于 2.5D 和 3D 導航的 ROS 軟件包。為了生成 2.5D 占位網格，我們使用了 grid_map 軟件包（Fankhauser 2019；Fankhauser 和 Hutter 2016）。雖然 grid_map 軟件包最初是為腿式機器人導航各種地形而設計的，但它也可用于 UGV 平臺，以維護地表信息。圖 2 顯示了網格地圖的一個示例。通常，我們使用三維激光雷達生成網格圖。不過，這里的網格圖是 2.5D，這意味著我們用一個值來表示 z 方向。如果點云提供的兩個不同坐標的 x 值和 y 值相同，但 z 值不同，則網格圖會保留較高的 z 值。紫色和藍色等冷色表示海拔較低，紅色和橙色等暖色表示海拔較高。grid_map 軟件包提供了多種有用的轉換格式，包括 costmap_2d、OpenCV、OctoMap、點云庫 (PCL)，甚至是有符號距離場 (SDF)。costmap_2d 轉換與我們的導航最相關。不過，在調整參數時，查看 pointcloud2、Vectors 和 GridCells 數據的功能特別有用，因為它們都有自己的參數文件，可以根據具體情況進行調整。

還研究了用于三維路徑規劃的 mesh_navigation（Pütz，2019 年；Pütz 等，2021 年）。圖 3 包含一個網格導航示例。在這個示例中，粉色和藍色等冷色調表示可穿越的地形，而紅色則表示障礙物。使用網格導航的一個好處是，陡坡（即負面障礙物），如樓梯，會被標記為紅色并避開。因此，機器人的路徑是沿著斜坡規劃的。

使用網格導航的另一個優勢是，路徑是沿著實際網格規劃的，因此很容易識別和避免縫隙和陡坡。此外，航點可以有不同的 z 值，規劃器會明確考慮這一點。例如，在圖 4 中，起點位置海拔較高，而目標位置海拔較低。因此，網格導航可以使用最能實現海拔高度變化的路線，成功地將機器人引導到目標位置。而 2D 或 2.5D 方法則無法做到這一點。

此外，如圖 5 所示，網格可以沿同一 Z 軸存在多個點。這也是 2D 或 2.5D 方法無法實現的。圖 5 還表明，mesh_navigation 軟件包可以有效地利用三維網格來規劃隧道路徑，以達到預定目標。

本節中的圖表使用在線數據集生成（奧斯納布呂克大學，2020 年）。不過，本報告的其余部分將重點介紹從各種輸入源生成可穿越網格的情況。