TARE: A Hierarchical Framework for Efficiently Exploring Complex 3D Environments
摘要
主页
我们提出一种在复杂的三维环境中自主探索的方法，该方法取得了比当前的技术水平更快的探索效果。本方法使用层次结构框架——一个层次维护稠密数据并计算出局部规划范围内的详细路径，
而另一层级则维护稀疏的数据并计算全局尺度上的粗糙路径。这样的框架是基于如下的观察–在靠近机器人的地方，细节处理是最有效的，并通过权衡远距离范围的细节来提高计算速度。该方法优化了整体探索问题中的路径长度，并产生动力学上可行灵活的局部路径。在实验中，我们的系统在无人机和地面车平台上自主探索高难度的室内和室外环境复杂程度。与最先进的技术相比，该方法提高了80%以上的勘探效率(定义为平均在一次运行中每秒探索的容量），计算资源的消耗则减少了50%。
问题定义
Ξ
∈
R
3
\Xi \in R^3
Ξ∈R3: 待探索区域；
Ξ
t
r
a
v
∈
Ξ
\Xi_{trav} \in \Xi
Ξtrav∈Ξ: 可探索的子区域；
viewpoint
v
∈
S
E
(
3
)
v \in SE(3)
v∈SE(3): 机器人上的传感器位姿；
I
∈
S
E
(
3
)
\Iota \in SE(3)
I∈SE(3): 历史轨迹上的viewpoints集合；
surface: 自由空间与非自由空间之间（占用空间+未探索空间）的边界
S
v
∈
Ξ
S_v \in \Xi
Sv∈Ξ: 传感器在v处感知到的边界；
目前感知到的边界有：
该边界包括已覆盖边界
S
c
o
v
e
r
S_{cover}
Scover和未覆盖的边界
S
^
\hat{S}
S^,设机器人当前位姿为
v
c
u
r
r
e
n
t
v_{current}
vcurrent,则探索问题描述为：给定
S
^
\hat{S}
S^和
v
c
u
r
r
e
n
t
v_{current}
vcurrent，找到一条由viewpoints
v
1
、
v
2
…
v_1、v_2 …
v1、v2…组成的最短路径
T
∗
,
路径中会机器人会覆盖未探索边界
\Tau^*, 路径中会机器人会覆盖未探索边界
T∗,路径中会机器人会覆盖未探索边界\hat{S}$。
方法
A. Viewpoint Sampling观测点采样
我们对将要被传感器感知的表面点定义了一个准则。考虑一个面块，其中心点
p
s
∈
Ξ
p_s\in\Xi
ps∈Ξ,其法向量
p
s
∈
R
3
p_s\in R^3
ps∈R3指向自由空间,面块的中心点被观测点v覆盖：
式子D和T是两个常量，约束面块相对观测点的旋转和平移，该准则将引导表面被更好地感知。实践中，D的设置为小于传感器感知范围。设:
H
∈
Ξ
H\in\Xi
H∈Ξ：局部规划层
H
t
r
a
v
∈
Ξ
H_{trav}\in\Xi
Htrav∈Ξ：可通行的子区域
C
t
r
a
v
H
{C_{trav}}^H
CtravH: 考虑了旋转和平移后的对应结构空间
S
H
‾
∈
S
H
\overline{S_H}\in{S_H}
SH∈SH：从观测点
C
t
r
a
v
H
{C_{trav}}^H
CtravH能感知到的未探测表面
观测点采样问题可被描述为：在
C
t
r
a
v
H
{C_{trav}}^H
CtravH中选择能覆盖
S
H
‾
\overline{S_H}
SH的最小集合的观测点
S
v
‾
∈
S
H
‾
\overline{S_v}\in\overline{S_H}
Sv∈SH：从观测点
C
t
r
a
v
H
{C_{trav}}^H
CtravH能感知到的未探测表面
A
v
‾
\overline{A_v}
Av：观测点
v
v
v的奖励，用
S
v
‾
\overline{S_v}
Sv来衡量
注意到：越多的观测点被选择，则选择额外观测点的奖励将减少。算法1描述了整个观测点采样的过程：首先在
H
t
r
a
v
H_{trav}
Htrav空间上生成候选观测点集合
n
u
nu
nu，然后计算每个候选点的奖励值
A
ν
A_{\nu}
Aν，再迭代K次以选择最终分观测点(迭代还有许多细节)。最后使用算法2，根据这些观测点生成一条最小代价的局部路径。
B. Path Generation and Smoothing轨迹生成和平滑
该问题根据已有的观测点，生成一条机器人可行驶的轨迹路径。
C. Global Planning全局规划
全局规划的问题是寻找一条能通过当前观测点和其他正在探索的子区域中心点的全局路径。
5340
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
