睿智的自主探索01——FUEL

摘要

自主探索是无人机（UAV）各种应用的基本问题。
然而，由于缺乏有效的全局覆盖、保守的运动计划和低决策频率，现有方法被证明探索率不足。 在本文中，我们提出了 FUEL，这是一种分层框架，可以在复杂的未知环境中支持快速无人机探索。
我们通过前沿信息结构 (FIS) 在探索规划所需的整个空间中维护关键信息，在探索空间时可以增量更新。
在 FIS 的支持下，分层规划器分三个步骤规划探索运动，找到有效的全局覆盖路径，细化一组局部视点并依次生成最小时间轨迹。 我们提供了广泛的基准测试和实际测试，其中与最先进的方法相比，我们的方法以前所未有的效率（快 3-8 倍）完成探索任务。 我们的方法将开源以造福社区1。

---

• 自主探索的问题描述
• FIS是什么
• 为什么要选择分层规划
• 分层规划的技术细节
• 传统方法都有哪些
• 自主探索的发展历程
• 为什么比别的算法快

综述

Rapid Exploration with Multi-Rotors: A Frontier Selection Method for High Speed Flight. 2017

• In this paper, we propose an extension to classical
  frontier-based exploration that facilitates exploration at high
  speeds.
• 多旋翼从其视野中快速选择目标边界。
• 目标边界的选择方式使达到目标边界所需的速度变化最小。
• 虽然这种方法可以增加总路径长度，但它显着减少了探索时间，因为多旋翼可以始终以更高的速度飞行
• NBV(NETX-BEST-VIEW PROBLEM)：它包括添加两个约束：首先，只有在存在安全可导航路径的情况下才能考虑视图。 其次，当前视图和下一个视图之间必须存在足够的重叠，以便机器人可以注册两个视图。
• NBV问题的通常解法：找到自由空间，采样，计算效用函数。在满足条件的点中选择效用函数最大的点。
• 基于前沿的探索算法：环境被离散化为 2D 或 3D 网格，其中每个单元格被标记为已占用、空闲或未知。 边界单元被定义为与未知单元相邻的自由单元。 基于边界的探索假设简单地导航到边界将导致对新空间的探索，而不是对候选视图进行采样。

---

A frontier-based approach for autonomous exploration. 1997

• Frontier-Based Exploration出处
• 探索问题的核心问题：
  • The central question in exploration is: Given what you
    know about the world, where should you move to gain as
    much new information as possible?
  • 探索的核心问题是：鉴于你对世界的了解，你应该去哪里获得尽可能多的新信息？
• 基于边界的探索算法核心思想：
  • The central idea behind frontier-based exploration is:
    To gain the most new information about the world, move to
    the boundary between open space and uncharted territory.
  • 基于边界的探索背后的中心思想是：为了获得关于世界的最新信息，移动到开放空间和未知领域之间的边界。通过移动到连续的前沿，机器人可以不断增加对世界的了解。
• 基于前沿的探索算法的基本流程：当机器人导航到该边界时，它会将路径覆盖的更多空间合并到映射区域中。 如果机器人一次没有整合整个路径，那么沿着路径将始终存在一个新的边界，将已知和未知的部分分开，并提供一个新的探索目的地。
• 下一个frontier：最短路径

---

A comparison of path planning strategies for autonomous exploration and mapping of unknown environments. 2012

• 综述：自主探索算法比较

---

Robotic Exploration of Unknown 2D Environment Using a Frontier-based Automatic-Differentiable Information Gain Measure. 2020

• 基于前沿的方法测量信息增益:从路径中可观察到的边界单元的数量.由于它是路径的不可微函数，因此信息增益的优化通常通过计算有限数量样本的信息增益并选择具有最大信息增益的样本来实现。
• 信息论方法旨在优化目标函数，例如互信息或香农熵 [11]、[12]。 然而，诸如 [13] 之类的信息论方法将信息增益表示为一组离散机器人位置的函数，并使用有限差分计算梯度。 这两个指标在计算上都很昂贵，限制了机器人在探索过程中的重新规划频率。
• 论文贡献：
  • 所提出的方法将基于前沿的信息增益度量重新制定为相对于机器人路径的自动可微函数，从而允许使用基于梯度的优化来优化路径。
  • 此外，与信息论方法相比，提出的自动微分方法具有更高的准确性和更低的计算复杂度。
  • 我们提出了一种优化机器人探索路径以覆盖未知2D的新算法
  • 引入了基于边界的可微分信息增益度量，允许使用梯度信息优化路径。

---

An efficient sampling-based method for online informative path planning in
unknown environments. 2020

• 我们的方法不断扩展候选轨迹的单个树并重新连接节点以维护树并细化中间路径。这使得算法能够使用单个目标函数实现全局覆盖，并在全局上下文中最大化路径的效用

---

A two-stage optimized next-view planning framework for 3-d unknown environment exploration, and structural reconstruction. 2017

• 在边界周围进行视点采样，并查找通过它们的全局最短路径
• a 2-stage heuristic information
  • 基于边界的边界覆盖规划器
  • Fixed Start Open Travelling Salesman Problem solver
• 该问题通过使用均匀随机函数从自由空间随机采样状态来寻找一组允许的视点配置Xview，以便传感器可以观察整个环境。

增量式FIS

• FIS: 边界定义为与未知体素相邻的已知自由体素，这些体素被分组为簇以指导导航
• 创新点：
  • 从边界中提取出更丰富的信息
  • 开发一种增量方法，在本地更新的地图中检测边界。
  • 利用AABB更新边界，用于进行细化
  • 利用PCA对边界细分方向
• 流程：
  • 视角更新，得到视角的AABB, Bm
  • 循环所有的cluster，返回与Bm相交的
  • 删除不再是边界的cluster
  • 生成新的边界（区域生长算法）
  • 去噪
  • PCA获得第一主成分，沿着第一主成分轴将边界划开
• 区域生长算法：基本思想是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点，然后将种子点周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止。这样一个区域的生长就完成了。
• viewpoints生成
  • 传统：navigate to the center of a cluster
  • VPi是通过在圆柱坐标系中均匀采样点发现的，其原点位于簇的中心，每个点的角度定义为最大传感器对cluster的覆盖率的角
  • 流程：
    • 一个Fi对应至多Nnew个viewpoints
    • 每个viewpoints记作x，每个x保留p和yaw，p通过在圆柱坐标系中均匀采点获得，yaw是模型下覆盖率最大的
    • 每个Fi选择覆盖度最大的xi
    • 计算knew * Ncls次Fi与Fj之间的代价

层次探索规划

• 全局探索路径规划：近似TSP，矩阵第一行的元素关于Frontier之间的t和运动一致性代价，第一列为0，其他为t
• 为了简化运算套用TSP的解法，将第一列矩阵的元素置为0
• 全局路径规划可以得到一条遍历所有frontier的路径，但是每个frontier只有一个vp，不够，所以需要再增加一些使路径探索效率更高

未完待续

• ATSP
• Minimum-Time B-Spline Trajectory
• Local Viewpoint Refinement代码里具体怎么实现的