FAR_Planner && TARE

TARE：用于探索复杂三维环境的分层框架

实现方法:

    采用随机采样 viewpoint 方法，然后求解一个旅行商问题（TSP），对应拿到一个旅行商巡行（Tour）路线（经过每一个 viewpoint，确定机器人探索目的地的先后顺序）；反复迭代的做这件事，最后保留一组最优的 viewpoint 和对应的旅行商巡行路线，这个最优的旅行商巡行路线就是最终要发送给系统执行的局部路径（local path）

路径平滑

    通过 viewpoint 拟合一条或多条路径段，每个路径段都是动态可行的
    其中实心橙色点为采样 viewpoint，空心橙色点为断点（break-point）
    系统在经过采样 viewpoint 时不需要停下来而是匀速通过（连续平滑的），但是系统在每个断点处会停下来（连续但不平滑），然后原地调整方向后，继续前进到下一个路径段

重定位（relocation）问题：系统把自己转移到另一个地方去，这个转移的过程就叫重定位（relocation）

当环境比较复杂比较绕的时候，经常会出现这样的情况：在系统附近的局部区域已经全部覆盖好了，此时系统就需要高效的把自己引导到另一个地方去
下图当系统到达左上角的死路（dead end）时，此时局部环境已经完全覆盖好，再将自己引导出来到达一个十字路口（intersection），然后选择一条支路继续完成覆盖

TARE:探索问题是一个环境覆盖问题：把一个系统放到一个未知环境中，系统会自主把环境覆盖完。

FAR Planner：采用动态可见性更新的快速、试探性路径规划算法

FAR Planner :是要把系统送到某一个目标点上去，这个目标点（Goal point）是我们人为给定的，系统通过某种途径算一系列路径（path）

常见路径规划算法:

• 基于离散化搜索：A*、D*
• 基于采样：RRT

     >基于环境特征（Feature-Based）：如 Visibility Graph，其基于对环境特征的提取与几何关系分析生成路径图（Roadmap），然后在生成的 Roadmap 上进行规划，这种方式可生成理论最短路径

实现方法:

    障碍物的多边形提取和配准
        首先，输入传感器点云数据
        然后，根据输入的点云创建二进制图像，并应用平均滤波方法生成模糊图像
        接着从这些具有稠密顶点的模糊图像中提取多边形轮廓（下图 a：黑色像素是可通行的，白色像素是障碍物，其他不同颜色表示不同的多边形）
        最后，将提取的多边形（下图 b 中红色）与传感器点云数据（下图 b 中白色）进行配准

两层可视图动态更新

    对于未知环境，算法对每一帧传感器输入进行处理：提取障碍物多边形特征，并通过检测角点之间的相互可视性建立一个局部 V-Graph 用于全局 V-Graph 更新
    这样，将分散建立大范围全局 V-Graph 的计算量，并实现未知环境下的动态更新，使得规划器可在未知环境下探索式路径规划
 

在 V-Graph 上规划

    动态障碍物检测与路径更新：通过对传感器多帧输入的比较，检测环境中的动态障碍物（如：行人，车辆），算法会对受到动态障碍物遮挡的 V-Graph 进行更新，并在动态障碍物移开后恢复之前 V-Graph 内相对应角点之间的连接
    在未知环境中的尝试性（Attemptable）路径规划：当导航/目标点（Goal Point）处在当前没有先验地图（Prior Map）的未知环境中时，算法会根据当前已知信息规划出多个可行路径进行尝试，并根据之后的最新环境信息进行更新