@[TOC](DSVP: Dual-Stage Viewpoint Planner for Rapid Exploration by Dynamic Expansion)
摘要- 本论文提出了一种有效的探索高度复杂环境的方法。该方法包含两个规划阶段-在探索阶段延伸边界图,在迁移阶段将机器人转移到环境中的不同子区域。探索阶段在环境的自由空间中使用快速探索Random树(RRT),在迁移阶段则在已建好的环境中维持一个全局图。两阶段都在重新规划阶段进行动态扩展。在各种具有挑战性的仿真和实际中,将该方法与现有的最先进的方法进行了比较,实验比较表明,我们的方法是可行,且使用更少的处理资源,探索空间的效率是现有方法的两倍。
CMU-LOAM的核心在于自主探索建图,本论文即介绍整个框架中用到的自主探索算法DSVP。该算法在论文《Receding horizon" next-best-view" planner for 3D exploration》的框架上进行改进,主要包括两大贡献:
- 动态扩展:两个阶段在重规划阶段均动态扩展RRT和图;
- 混合边界:结合使用在传感器观测数据中提取的与RRT nodes相关的边界和机器人周围环境中的边界来引导RRT的扩展,确保探索的完整性。
方法
S
∈
\in
∈
R
3
R^3
R3 : 探索任务区域;
S
f
r
e
e
S_{free}
Sfree
∈
\in
∈
S
S
S :已被探索的free区域;
S
o
c
c
S_{occ}
Socc
∈
\in
∈
S
S
S :已被探索的occupied区域;
S
u
n
k
S_{unk}
Sunk
∈
\in
∈
S
S
S :未被探索区域;
所提方法是在已有方案上的衍生改进,在探索阶段动态地维持和扩展RRT,并使用混合边界来引导RRT的扩展。
使用动态扩展RRT创建局部随机树,树的节点是viewpoints。通过计算树上每个分支的奖励值来获取最佳的分支,并将其作为轨迹。在该阶段中,在机器人视野范围内且RRT node也被提取到的边界(frontiers )被视为局部边界 在重定位阶段由未被清除掉的局部边界组成的全局边界会辅助规划器从全局图中剩余的viewpoints中去选择最佳项。
探索阶段
在探索阶段,本方法在每次迭代过程中使用dynamically-expanded RRT在机器人周围生成viewpoints,如图2所示,描述了从A探索到B后的RRT结构的变化:裁剪掉当前planning horizon(绿框)之外的viewpoints, 同时利用RRT创建新的viewpoints(问:planning horizon如何更新?)。并使用局部frontiers 去偏置树的构建以使得树朝着沿之前探索方向上的未知区域扩展,局部frontiers 满足以下条件:
上述式子左边为局部frontiers。并根据一定的准则在这些局部frontiers中选择最近的一个作为当前的探索方向,将对RRT nodes的产生带来一定的偏置影响。
式(4)(5)用于计算各个分支的收益,总而言之,能探索到更多区域、探索距离越短、探索路径与上一次越相似,该分支的收益越大,最大收益的分支将被选为下一次的探索轨迹。
重定位阶段
如果当前时刻没有提取到局部frontiers,系统将转化到重定位阶段,该阶段涉及全局图和全局frontiers。全局frontiers的主要作用是记录在探索阶段生成的所有可用的viewpoints,并搜索两个viewpoints之间的最短路径。其中全局frontiers由之前被忽略掉的局部frontiers组成,且至少可被全局图中的一个viewpoint看到。找到离当前位置最远的全局frontier,并根据全局图生成的路径导航至能观测到该全局frontier且离其最近的viewpoint,然后进入探索模式,探索新的未知区域。如果找不到一个能观测到全局frontier的viewpoint,则探索结束。