【单机器人自主探索】GVD-Exploration：一种基于快速广义 Voronoi 图提取的高效自主机器人探索框架_gvd-exploration: an efficient autonomous robot exp-CSDN博客

本文链接：https://blog.csdn.net/sjj200108/article/details/142726896

（2023）GVD-Exploration: An Efficient Autonomous Robot Exploration Framework Based on Fast Generalized Voronoi Diagram Extraction

摘要

快速探索随机树（RRT）是移动机器人自主探索的一种流行技术。然而，RRT 使用的随机采样会导致边界提取效率低下且不准确，从而影响勘探性能。为了解决路径规划慢和路径成本高的问题，我们提出了一个框架，该框架使用基于广义 Voronoi 图（GVD）的多选策略进行机器人探索。我们的框架由三个部分组成：一个新颖的映射模型，它使用端到端神经网络实时构建环境的 GVD;基于 GVD 的启发式方案，可加速边界提取并减少边界冗余；以及一个多选边界分配方案，该方案考虑了不同类型的边界，并使机器人能够在勘探过程中做出理性决策。我们在仿真和真实世界实验中评估了我们的方法，并表明它在效率和稳健性方面优于基于 RRT 的勘探方法
注释：与基于 RRT 的移动机器人自主探索相比，我们的方法基于 GVD 信息增益提取前沿，独立于随机树的增长，有效地缓解了与陷阱空间问题相关的挑战。与大多数现有的机器人勘探策略不同，我们的机器人基于各种前沿采用了多样化的勘探决策，而不是依赖单一的决策方法。在这方面，自主机器人优先考虑局部边界内的探索，而在全球探索期间，它将探索任务转化为 TSP 问题进行优化，确保机器人做出最佳的行为决策。

内容

RRT
上图展示的就是使用RRT进行前沿检测时会出现的问题，绿点为检测出的前沿点，可以看到在左上角生成了许多冗余的边界点，而在中间有一个角落还没有检测出相应的前沿点。

作者提出基于前沿的方法面临着两个难点：

如何高效准确的在复杂环境中（如迷宫、狭窄走廊、角落）提取前沿点，边界可能稀疏或冗余（见图 1）;

以及如何选择最大化信息增益和最小化路径成本的前沿，同时考虑到前沿的全局连续性，而不是选择可能导致低效探索的局部最优边界。

方法

首先根据环境地图通过神经网络（池化和卷积）得到GVD（更快的构建GVD），池化层n层负责将环境地图变为障碍物距离地图，卷积层在障碍物距离地图上得到进行卷积操作，得到环境的GVD图。接着根据GVD节点形状合并启发式前沿点，并且评估前沿点的成本和信息增益。对于局部探索，先择成本最低的前沿，对于全局探索，通过解决TSP问题找到访问每个前沿的最佳顺序。路径成本的计算使用GVD路径而不是欧氏距离，考虑连通性