Efficient Autonomous Exploration Planning of Large-Scale 3-D Environments

Abstract

• Frontier Exploration Planning FEP 适合探索分开的区域，但是实现全部探索会比较慢，因为不同区域之间会back and forth
• Receding Horizon Next-Best-View Planning RH-NBVP 探索单独的区域比较好，但是环境比较大时会get stuck，不能全部探索到
• 这篇文章将FEP作为global exploration Planner，把RH-NBVP作为local，并且提出了更快速评估potential information gain的方法

Introduction

这篇文章提出了autonomous exploration planner(AEP)， 是在RHNBVP基础上提出的；
RH-NBVP使用基于采样的方法结合快速探索随机树（RRT）来选择下一个最佳视点，以生成可遍历的路径，对样本进行加权并执行第一个edge，然后再次进行重新计划。 RRT中每个节点的得分是传感器从相应姿势所覆盖的未映射空间的体积，并加上成本进行加权。
这篇文章将RHNBVP作为局部探索方法，当机器人附近有information gain 的话，就使用；当比较远时，就去找缓存的information gain比较高的点。这样会导致探索边界，边界是整个区域，可以避免RHNBVP陷入局部最小值；
contributions

• 使用ray- casting 射线法和 cubature integration 孵化器集合 的方法来计算information gaing，降低计算复杂度；
• RRT采样的空间又整个的(x,y,z,phi)改为(x,y,z)；
• g 是通过之前迭代过程的缓存点来估计的；
• Cached points are used for interpolation of new queries. 之前没有考虑过g的连续性，这篇文章会将g建模为一个连续空间的高斯过程，这样的话给定缓存点后就可以计算整个空间的g的一个估计值和对不确定性的估计值；

RELATED WORK

• Frontier exploration : trade-offs are made between paths lengths, information gain，etc
• NBV之前只考虑point的information gain，但是因为到点的过程中也会探索unknown的环境，所以RH-NBVP添加了路程中的g，为了减少不确定性，还有一个延伸，就是确保robot会revisit重新到达已知的landmarks
• 其他的还有势场法等等

Potential Information Gain

估计g用的方法是ray casting 射线法，相当于建立一个局部坐标系，theta phi 和 r，计算半径为r的球里格子的数量
从物理角度来说，如果在空间内g是连续的，那么已经测量好的结果会包含还未测量的点的值，对g进行了一个高斯建模，这点比较有意思

由于采样的时候只有(x，y) 没有phi，phi取的是g最大时候的值

collision checking

检测障碍物用的是看当前点和目标点连线的圆柱体内是否有障碍物，一旦有就认为这条路径是不可行的，比较简单的一个方法

用frontier做全局指引的话 可以使NBVP不会陷入最小值，也能减少frontier的back and forth的情况