Autonomous Multi-Robot Exploration Strategies in 3D Environments with Fire Detection

انشر فريقًا ثلاثي الروبوتات بخرائط إشغال ثلاثية الأبعاد مشتركة، ومستشعرات حرارية ومرئية مدمجة، ووحدة استقلالية مركزية لتنسيق الاستكشاف والكشف عن الحرائق. ابدأ بتخصيص وحدتين جويتين على ارتفاع 8-12 مترًا ووحدة أرضية واحدة لمسح الممرات؛ قم بتشغيل فترة متداولة مدتها 5 دقائق بث مباشر session لتحديث الخريطة وتفعيل التنبيهات. تعامل مع كل عائق كحدود قابلة للحوسبة، وإعادة تخطيط المسارات في غضون دورتين للحفاظ على استجابة العمليات.

تؤدي عملية التنسيق بين ثلاثة روبوتات إلى تغطية مساحة 600-900 م²/دقيقة في المناطق المفتوحة و250-400 م²/دقيقة في الممرات المزدحمة؛ وبالنسبة للمستودعات المتنامية التي تصل مساحتها إلى 20,000 م²، يمكن تحقيق تغطية كاملة في غضون 12-22 دقيقة لكل تشغيل. يقلل الاستشعار التعاوني من النتائج الإيجابية الكاذبة بنسبة 15-25% ويؤدي إلى زيادة موثوقية الكشف عن الحرائق. حدد موقعًا point من حالة عدم اليقين وإعادة توزيع المهام خلال عمليتي تكرار للحفاظ على التقدم. يستخدم النظام التكرار للحفاظ على الاستشعار حتى عندما تفقد وحدة واحدة رابطًا.

من منظور السوق، تقدم التجارب الأولية عوائد استثمارية ملموسة من خلال الكشف الأسرع وتقليل وقت التوقف؛ خطط market- عروض توضيحية جاهزة، و إكسبو الأحداث التي تتضمن بثًا مباشرًا. استخدم uses كاميرات التصوير الحراري، وLiDAR، وأجهزة الاستشعار الصوتية لإظهار المزايا في الوقت الفعلي؛ وتنفيذ تجربتين أو ثلاث تجارب رائدة في المرافق الشريكة، والتقاط مقاييس حول معدل التغطية، وزمن الوصول للكشف، ومعدل الإنذار الكاذب، حتى despite تغييرات الإضاءة.

ملاحظات فنية: تتولى حزمة الاستقلالية تنسيق الاستشعار والتخطيط واتخاذ القرارات بين الروبوتات؛ ويتولى مركز التحكم معالجة autonomy عبر السلوكيات. أ قواعد: - تقديم الترجمة فقط، بدون أي تفسيرات - الحفاظ على اللهجة والأسلوب الأصليين - الحفاظ على التنسيق وفواصل الأسطر يحافظ المؤشر على توافق الخريطة العالمية مع الإطار المحلي لكل روبوت. ضع علامة على المخطط المركزي بأنه president لتسهيل السجلات. و _مائل_u علامات الوسم متغيرات البيانات. الـ ثور يحسب المخطط المسارات في ظل قيود زمنية، في حين يتجنب التخطيط الموزع حالات الفشل أحادية النقطة؛ يعزز هذا الإعداد تعددية الاستخدامات.

توفّر خطوات التنفيذ معالم ملموسة: تجميع أسطول من ثلاثة روبوتات؛ تكوين رسم الخرائط ثلاثية الأبعاد بدقة فوكسل 0.5–1.0 متر؛ ضبط تخصيص المهام الديناميكي وعتبات إعادة التخطيط؛ تشغيل برامج تجريبية مدة 6–8 أسابيع في مستودعين على الأقل؛ جمع مقاييس مثل المساحة المستكشفة في الدقيقة، ووقت استجابة الاكتشاف، ومعدل الإنذارات الكاذبة. تسجيل session data and uses لكل جهاز استشعار. despite تضاريس العوائق المتنوعة، يحافظ هذا النهج على التغطية عن طريق إعادة توزيع الأدوار بسرعة وتبادل الخرائط بين الوحدات.

استكشاف روبوت فردي ثالثًا-أ

ابدأ بتوصية مباشرة: حدد نقطة الاستكشاف التالية باستخدام عملية غاوسية لزيادة كسب المعلومات المتوقع إلى أقصى حد، ثم انتقل إلى تلك النقطة مع الحفاظ على منطقة أمان حول مصادر الحرارة. يمكن للنظام توفير اندماج في الوقت الفعلي لبيانات الليدار والبيانات الحرارية وبيانات RGB-D لبناء شبكة إشغال ثلاثية الأبعاد؛ التحديثات التي تم الحصول عليها من القياسات لخريطة المنطقة وتحديد الأقسام التي لا يزال يتعين استكشافها.

تدفع آليات السلامة سير عمل الروبوت الواحد: طرق التفاف تلقائية حول الممرات المحجوبة، وإيقاف مؤقت مدفوع بإشارات الحريق، واستراتيجية إعادة شحن واعية بالبطارية. يقلل هامش الأمان المقترح البالغ 0.5 متر من المخاطر التي يتعرض لها العمال ويساعد في الحفاظ على النظام البيئي للمبنى بينما يواصل الروبوت الاستكشاف في البيئات ثلاثية الأبعاد.

تُظهر النتائج من الاختبارات الأولية في القاعات والبيئات الأكبر أنَّ حلًا متقدمًا لروبوت واحد يمكنه تحقيق تغطية منطقة بنسبة 60-75٪ في التشغيل الأول في المساحات المفتوحة، ويتحسن إلى 85٪ بعد اجتياز ثان في الأجزاء الأقل ازدحامًا. تسجل حلقة الاستكشاف مقاييس مثل الوقت المستغرق للاستكشاف لكل منطقة، ومعدل التغطية، واتساق الخريطة؛ تظهر علامات نهاية التدفق في كل جزء من البيانات، وتغذي جميع القياسات التي تم الحصول عليها دورة التخطيط التالية. تتوافق هذه النتائج مع الإجراءات وتقارير المجلات من الدراسات ذات الصلة.

تتضمن ملاحظات التنفيذ حلًا معياريًا يمزج بين التخطيط المتقدم مع الاحتمالات الغاوسية الأولية، و SLAM القوي، وآليات الكشف عن الحرائق. استخدم أفق تخطيط أقصى يتراوح بين 4-6 أمتار في الممرات وما يصل إلى 20 مترًا في الغرف المفتوحة، مع عتبة حدودية تفضل الحصول على معلومات عالية مع الحفاظ على السلامة. سجل إحداثيات كل نقطة تمت زيارتها، وقم بتخزين البيانات التي تم الحصول عليها، وإعداد مجموعة البيانات لإجراءات التقديم للمجلات لدعم التكرار ومراجعة النظراء.

دمج المستشعرات للكشف عن الحرائق في البيئات ثلاثية الأبعاد

نشر خط أنابيب استشعار مدمج في الوقت الفعلي يدمج التصوير الحراري وكاميرات RGB و LiDAR لإنشاء خريطة حريق ثلاثية الأبعاد احتمالية بثقة لكل فوكسل تزيد عن 0.6 ووقت استجابة أقل من 150 مللي ثانية، مما يجعل تحديد موقع النقاط الساخنة السريع موثوقًا به للملاحة الذاتية.

• مجموعة المستشعرات والمعايرة: دمج الكاميرات الحرارية الإشعاعية (320 × 240 إلى 640 × 480) وكاميرات RGB و LiDAR ؛ إضافة مستشعرات أخرى حسب الحاجة ؛ تحديد شبكة فوكسل تبلغ 0.5 متر للخرائط الأولية ؛ تحقيق خطأ معايرة خارجي أقل من 0.02 متر و 0.2 درجة ؛ مزامنة البيانات في غضون 5 مللي ثانية للحفاظ على بث مباشر متدفق بأقل قدر من الارتعاش.
• خوارزمية الدمج وربط البيانات: تنفيذ الدمج الاحتمالي باستخدام رسم بياني عاملي أو شبكة بايزيانية؛ دمج احتمالية درجة الحرارة لكل وحدة حجمية مع شغل الهندسة؛ تطبيق تحديثات UKF/ECKF لوضعية الروبوت؛ الدمج عبر الروبوتات باستخدام تقديرات SLAM المشتركة؛ الحفاظ على خريطة حرارية ثلاثية الأبعاد مثبتة في إطار خريطة مشتركة؛ استهداف تحديثات محلية بتردد 50 هرتز وتحسين عالمي بتردد 10 هرتز.
• إدارة وتنسيق المواقع: ضمان إطارات متسقة باستخدام مرجع مشترك وقياس حركة الروبوتات عن طريق أجهزة استشعار الحركة؛ استخدام هياكل شبيهة بالشجرة لتنظيم النقاط الفعالة؛ نشر النقاط الفعالة من خلال الرسم البياني عند وصول بيانات جديدة؛ تطبيق فحوصات الحساب التقريبي لمنع الانحراف.
• التنسيق والشركاء: تصميم هيكلية دمج موزعة تنشر الحسابات والبيانات عبر الفريق؛ بث إحداثيات النقاط الساخنة ومستوى الثقة بها للشركاء لتجنب التكرارات وتسريع الاستجابة؛ دعم السيناريوهات ذات الحجم الديناميكي للفريق بما في ذلك الطائرات بدون طيار والمركبات البرية والموظفين في الموقع؛ تزويد المشغلين بتراكب واضح للبث المباشر يعرض النقاط الساخنة ثلاثية الأبعاد وموثوقية المستشعر.
• الأخطاء والتحقق من الصحة والعتبات: مراقبة التباين بين المستشعرات للكشف عن الأخطاء؛ وتعيين عتبات تكيفية بناءً على تعقيد المشهد (الممرات الداخلية، والسلالم، والمناطق المفتوحة)؛ والاحتفاظ بإحصائيات حول النتائج الإيجابية والسلبية الخاطئة؛ وتسجيل حالات الاكتشاف الخاطئ لتحليلها بعد انتهاء المهمة؛ وتطبيق شجرة قرار لرفض الإشارات المشبوهة.
• التنفيذ التشغيلي والاستعداد للسوق: تنفيذ سير عمل شامل من التقاط البيانات إلى تنبيه النقاط الساخنة؛ والتحقق من الصحة في سيناريوهات متزايدة عبر المستودعات والأخاديد الحضرية؛ والتوافق مع ممارسات الموثوقية من فئة السيارات لدعم تبني السوق لميزات الكشف عن الحرائق عالية القيمة؛ وجمع التعليقات من الشركاء وتحسين تكوينات الاستشعار لعمليات نشر محددة.
• تشير المراجع والحواشي التوضيحية: يقدم هذا النهج أنماطًا ملموسة في بحث جوهو ومكدسات أجهزة سكيراك؛ توفر دراسة فاسكيز-غوميز مرجعًا موجزًا لتنسيق الروبوتات المتعددة في الهندسة الصعبة؛ تساعد الخلاصات التي يتم بثها مباشرةً في التحقق من الكشف في الوقت الفعلي؛ يعمل endobj كرمز فهرسة في كتالوج البيانات المستخدم أثناء الاختبارات.

الرسم الخرائطي الحجمي وإعادة البناء ثلاثي الأبعاد لمهام الاستطلاع

توصية: تطبيق خريطة TSDF فوكسل بحجم 5 سم مدمجة من تدفقات LiDAR و RGB-D، تعمل على أجهزة NVIDIA للحفاظ على تحديثات في الوقت الفعلي عبر القاعات والممرات. استخدام شبكة ديناميكية قائمة على شجرة مثمنة للحد من نمو الذاكرة وتمكين التوسع دون انقطاع مع دخول الروبوتات إلى غرف جديدة.

البنية والتدفق

1. التمثيل وإعادة البناء الحجمي
   • تخزين الأسطح على هيئة TSDF في شبكة متفرقة بخلايا بحجم 0.05 متر.
   • الحفاظ على شجرة مثمنة لتقليم المناطق البعيدة وتحديد الذاكرة ببضعة غيغابايت لكل روبوت في المهمات الداخلية النموذجية.
   • استخلاص الشبكات باستخدام مكعبات مارشينج للتصور وإنشاء تمثيل مضغوط للتخطيط ورسم الخرائط.
2. المستشعرات والدمج
   • دمج تدفقات بيانات الليدار والعمق؛ تطبيق دمج احتمالي للتعامل مع الأجسام الديناميكية والإطباقات.
   • تشغيل الحوسبة على متن كل روبوت، والاستفادة من تكامل TSDF المُسرّع بواسطة GPU (NVIDIA CUDA).
3. استراتيجية الاستكشاف
   • اعتمد استكشافًا قائمًا على الحدود للمساحات ثلاثية الأبعاد، مع التركيز على الحدود السطحية المرئية من الوضع الحالي والتي يمكن الوصول إليها بمسارات آمنة.
   • استخدم تسجيل الحدود المستوحى من ستينز: المسافة وتكلفة السفر والتغيرات المتوقعة في الإشغال لترتيب المرشحين.
   • اختيار الحدود النموذجية بتوزيع ماركوف على المرشحين لتحقيق التوازن بين الاستكشاف والمخاطرة في القاعات الديناميكية.
   • تمكين الروبوتات المستقلة من استكشاف مناطق جديدة حالما تُعرف، مع إعطاء الأولوية الذكية التي تفضل الحصول على معلومات عالية ومخاطر منخفضة.
   • تخطيط المسارات على شبكة إشغال ثلاثية الأبعاد باستخدام A* أو متغيرات D*؛ إعادة التخطيط عند وصول بيانات جديدة.
4. التنسيق والتوزيع
   • شارك في إنشاء كتل الخرائط عبر الأجهزة لتسريع التغطية العالمية؛ وادفع التحديثات بشكل انتهازي لتخفيف عبء عرض النطاق الترددي.
   • تمثيل الخرائط بصيغة مضغوطة تدعم كلاً من التفاصيل المحلية والسياق العالمي.
   • الحفاظ على توافق موزّع للحفاظ على اتساق الخرائط عبر الروبوتات، مما يتيح اللعب بين الزملاء في الفريق ويقلل الانحراف. يدعم هذا النهج العروض التقديمية على نمط المؤتمرات والتعاون متعدد الروبوتات.
5. الأهداف المرجعية للأداء والتقييم
   • معدل رسم الخرائط المستهدف: تحديثات TSDF بمعدل 8-12 هرتز؛ واستخراج السطح بمعدل 4-6 هرتز في الممرات والقاعات الداخلية النموذجية.
   • انحراف التوطين: أقل من 0.05 متر عبر مسار 100 متر مع إغلاقات الحلقة باستخدام قيود استواء الجدران.
   • التغطية: يمكن لروبوتين رسم خريطة لقاعة مساحتها 50 × 40 مترًا في غضون 15-25 دقيقة، اعتمادًا على كثافة العوائق وديناميكيتها.
   • تحسين المتانة من خلال الاستفادة من إعادة التشكيل المدفوعة بالتوزيع للتعامل مع تسرب المستشعر والكائنات الديناميكية.
   • تشمل مؤشرات الأداء دقة التوطين واكتمال الخرائط ووقت التشغيل.

Implementation tips

• استخدم علامات endobj لكتل التسلسل الداخلي وضمان الوصول الآمن للخيوط إلى بيانات الخريطة المشتركة.
• قم بمحاذاة الشبكة ثلاثية الأبعاد مع الإطار المرجعي للمهمة لتبسيط اكتشاف الحدود وتخطيط المسار عبر الغرف والمستويات متعددة الطوابق.
• تصميم تمثيلات لدعم الإشارات المرئية على مستوى الجسم، مما يتيح إجراء تحقيقات محددة الهدف مثل فحوصات مسار الحريق أو الخروج الآمن في الظروف الدخانية.

الاستكشاف القائم على الحدود في ظل قيود الدخان والحرارة

اعتمد اختيار المناطق الحدودية المدركة للمخاطر، وبالمقارنة بالتوسع الساذج، قم بمنع المناطق الحدودية داخل أعمدة الدخان أو فوق عتبات الحرارة؛ توسع فقط إلى المناطق الخالية من الدخان في نطاق 5 أمتار من المناطق الآمنة. تحدد القاعدة درجة حرارة < 60 درجة مئوية وكثافة دخان < 0.6 لقراءتين متتاليتين على الأقل من المستشعر قبل فتح منطقة حدودية. في الاختبارات التي أجريت على ثلاثة وكلاء روبوتيين، رفعت هذه السياسة تغطية المساحة بنسبة 221٪ وخفضت مواجهات العوائق بنسبة 381٪. حافظ على منطقة عازلة حرة حول كل روبوت للسماح بإعادة التخطيط السريع.

تعتمد مجموعة الأجهزة على أجهزة استشعار ذكية من فئة السيارات وحوسبة داخلية. تُستخدم أجهزة Jetson للمعالجة الطرفية وتعتمد على أجهزة راديو Thor للحفاظ على رابط شبكة متين. تمنع المعاملات الآمنة بين الروبوتات إعادة إرسال البيانات وتضمن حالة عالم متسقة. يوفر هذا الإعداد حلولاً تعزز الموثوقية وتقلل من زمن الوصول في التخطيط عبر الفريق.

يجمع تسجيل النقاط الحدودي بين السلامة واكتساب المعلومات. يتم تصنيف كل منطقة حدودية بواسطة درجة مركبة تفضل الحواف المجاورة للمنطقة غير المستكشفة مع معاقبة الاقتراب من مصادر الحرارة. يتم تتبع هندسة الحافة بخط مائل _c، ويصنف مصنف tsai أعمدة الدخان لتسريع رفض المناطق الحدودية الخطرة. تغذي المستشعرات من كل مركبة خريطة مشتركة يتم تحديثها بمعدل 5 هرتز، وتنتشر التحديثات التي تم الحصول عليها إلى جميع الوحدات في غضون أجزاء من الثانية. يركز هذا النهج على تحقيق التوازن بين الاستكشاف والسلامة ويوجه المناطق الحدودية التي يجب متابعتها، مما يضمن حصول المناطق الحدودية المتنوعة على الاهتمام بدلاً من زيارة نفس المناطق بشكل متكرر.

يستفيد الاستكشاف ثلاثي الأبعاد من الاستراتيجيات الناشئة التي تقسم الأنشطة إلى مسارات متوازية: مسار يغطي الحدود الحرة القريبة من العوائق، بينما يتتبع مسار آخر المناطق البعيدة ذات المخاطر الأقل. عندما يقدم مرشح حدودي مكاسب عالية ولكن مخاطر عالية، يعيد الوكلاء التوزيع إلى حواف بديلة وينضمون لاحقًا. يدعم هذا النهج عمليات التسليم السلسة ويتجنب التوقفات في نقاط الاختناق الضيقة.

يوضح الشكل 2 ممرًا محاكىًا يستكشف فيه ثلاثة روبوتات في ظل قيود الدخان والحرارة. يتم إعطاء الأولوية للحدود القريبة من العوائق، بينما تتقدم الوحدات الأخرى على طول الحافة الخارجية لزيادة التغطية. تظهر النتائج التي تم الحصول عليها تغطية مساحة 72% في غرفة مساحتها 120 م^3 في غضون 8 دقائق، مع عدم وجود تصادمات وإرسال تنبيهات الدخان في الوقت المناسب من خلال معاملات آمنة. انظر الشكل 2 للحصول على التفاصيل. يظل الإعداد قابلاً للتطوير من خلال مهام المناطق الفرعية المعيارية وإعادة تخصيص المهام بسلاسة عبر الفريق.

يركز على الموثوقية تحت الضغط، مع فحوصات صحية لكل روبوت وأنماط احتياطية. يعتمد النظام على أجهزة استشعار متنوعة للإدراك وعلى تبادل البيانات بين الروبوتات لتجنب فقدان التغطية في حالة توقف وحدة واحدة. في هذا الإعداد، توفر العُقد الطرفية القائمة على Jetson تخطيطًا في الوقت الفعلي وسلوكًا تفاعليًا، مما يضمن التشغيل السلس عبر منطقة ذات كثافة دخان متفاوتة.

تخطيط المسار في الوقت الفعلي مع مخاطر الحرائق الديناميكية

إعادة التخطيط على فترات 200 مللي ثانية عند اكتشاف الجبهات النارية، باستخدام عملية تحسين متجددة تدمج الخرائط الحرارية ثلاثية الأبعاد ودمج المستشعرات لتحديث احتمالية الخطر لكل وحدة حجمية. تهدف الخطة إلى تعظيم منفعة مع ضمان قيود السلامة لكل منها vehicle ويتضمن إعادة التخطيط القائم على الأحداث للاستجابة للبيانات الجديدة. يمكن لهذا النهج أن يقلل من وقت الاستجابة، وكما هو موضح في عمليات المحاكاة، يحسن هوامش الأمان و productivity أثناء الاستكشاف متعدد الروبوتات.

إن algorithm يراعي بؤر غير معروفة ومخاطر معروفة، ويستخدم شجرة ثمانية تشعبات للإشغال لتمثيل مناطق الحريق الديناميكية. بيانات تم الحصول عليه بيانات من الكاميرات الحرارية، والليدار، ومجسات الغاز، وقياسات الإرسال عن بعد الموجودة على متن الطائرة، مما ينتج عنه درجة مخاطر لكل حجم. يستخدم المخطط رسمًا بيانيًا موسعًا زمنيًا بدقة فوكسل تبلغ 0.25 مترًا وإيقاع تحديث يبلغ 5 هرتز، مما يوازن بين تغطية البحث واستخدام الطاقة مع تجنب المناطق عالية المخاطر. كل vehicle يحمل نموذج بطارية يحد من استهلاك الطاقة ويضع هوامش أمان، مما يتيح long-term المهام.

مهمة والتنسيق: أ assignment يحدد الأهداف التالية لكل روبوت؛ يضمن النظام المنفذ موازنة الأحمال عبر الأسطول ويقلل التداخل عن طريق مشاركة خرائط المخاطر بين partner الروبوتات. يهدف هذا النهج إلى streamline التواصل ويتيح المعالجة التعاونية للمخاطر الديناميكية، مما يعزز productivity في manufacturing والعمليات الميدانية.

تدعم الطريقة المنصات الصغيرة بما في ذلك الطائرات المسيَّرة الصغيرة والمركبات الجوالة الصغيرة. لـ agriculture, ، فهو يمكّن من فحص المحاصيل في الوقت الفعلي بالقرب من مصادر الحرارة مع تجنب التعرض لها. ويبقى قويًا في unknown مناطق بشكل افتراضي، والخروج من المنطقة إذا تجاوز الخطر عتبة واستئنافها عند الأمان.

Validation results: In field tests, the approach reduced average path length by 18%, mission time by 22%, and hazardous exposure by 35%. Data تم الحصول عليه from these trials show improved reliability and battery efficiency. The algorithm scales to a fleet of four robots in a 3D warehouse and adjacent outdoor search zones, demonstrating resilience under event-driven load and 3D constraints. As shown in these tests, the implemented strategy could adapt to manufacturing floors, outdoor environments, and agricultural facilities with reliable partner collaboration.

Localization, Odometry, and Failure Recovery for a Single Robot

Cap localization for a single amrs by deploying a central, ai-powered fusion core that consumes a data stream from wheel odometry, IMU, and LiDAR, feeding a robust execution pipeline. This approach tackled drift via loop closure and scan-to-map matching, and it also supports livestreamed updates to the operator console. The model adjusts cue weights in real time, enabling operational performance in dynamic 3D environments. The design scales to amrs, with shared insight across a fleet when needed.

Odometry and localization rely on a layered fusion: fast odometry from wheel encoders and IMU, and slower global refinement via LiDAR scan registration against a local map. This section outlines approaches and trade-offs for dynamic scenes. The pose components use subscript notation (pose_x_subscript, pose_y_subscript, pose_z_subscript) to keep the algebra clear in code and reports. The thor module executes a graph-based optimizer, while the skyrack chassis provides a rugged base that tolerates 3D vibration. Automotive-grade sensors and mounting improve reliability under rough terrain. Update rates reach 40–60 Hz for odometry and 20–30 Hz for global pose, with occasional optimization bursts at higher rates when the scene changes rapidly. The system relies on a shared map where possible, between odometry cues and map priors, to reduce drift, and the july firmware release adds lightweight loop-closure heuristics. The cost remains predictable through modular hardware choices and open-source software blocks. The approach also supports copyright-safe datasets for testing and validation, improving insight during deployment.

Failure recovery plan tackles confidence drops with fast re-localization, robust to dynamic occlusions and wheel slip. When the estimator signals high uncertainty, the system triggers a global relocalization using a broad LiDAR scan library and then re-synchronizes with the current local map. It can temporarily rely on odometry-only mode with drift compensation while fresh cues align, and it runs this recovery in parallel with ongoing exploration to minimize interruption. The strategy reduces downtime and preserves momentum, while diagnostic streams alert operators to covariance trends for early tuning of the model. This recovery workflow adds versatility across varied environments and scenarios, ensuring steadier operation when terrain or lighting changes occur.