Zhu H, Cao C, Xia Y, et al. DSVP: Dual-stage viewpoint planner for rapid exploration by dynamic expansion[C]//2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2021: 7623-7630. PDF

1. 概述

该论文提出了一种有效地探索高度复杂的环境的方法。该方法包括两个规划阶段：

• 探索阶段：在环境的自由空间中开发一个局部快速探索随机树（RRT），负责地图边界的扩展
• 重新定位阶段：通过映射环境维护一个全局图，将机器人转移到环境中不同子区域
• 机器人在两个阶段中来回切换，探索环境中的所有区域

灰色区域：未知空间；黄色点：局部边界点；紫色点：全局边界点；蓝色方块：机器人；红色点线：全局地图；蓝色点线、箭头：局部树；黄色线：探索路径；紫色线：重定位路径

对RRT框架的扩展：

• 动态扩展：在RRT上被遮挡或超出规划范围的节点将被修剪。然后，在自由空间中采样新的节点。
• 混合边界：在与RRT节点相关的传感器范围以及机器人周围提取的边界。

2. 方法

在探索阶段，机器人视场内的边界以及RRT节点被提取为局部边界。

在重新定位阶段，全局边界由最新更新被清除的局部边界组成，帮助机器人从全局图中所有剩余的视点中选择最好的一个。

2.1 探索阶段

(a)为在前一次迭代中获得的RRT和局部边界。黄色圆圈是局部边界点。绿色方形表示规划范围。

(b)是当前迭代中生成的新RRT。蓝点代表来自上一次迭代RRT中的有用视点，橙色的点是新的采样视点。$F_{LS1}$和$F_{LS2}$、$F_{LS3}$是三个选定的局部边界，用于指导局部树的扩展。黄色的空心圆圈是所选边界的传感器范围。

该阶段通过使用动态扩展的RRT，在每次迭代中生成机器人周围的视点。通过动态展开，每次迭代中只重新生成一小部分节点，与完全构建新树相比，计算量更少。在每次迭代开始时从所有局部边界中选择$F_{LS}$。然后，在$F_{LS}$的指导下，对前的树进行修剪重建后，对新的视点进行采样。

选择最佳分支进行下一步探索

动态扩展RRT

2.2 重定位阶段

当在探索范围内没有局部边界时，算法将从探索阶段切换到重定位阶段。

重定位阶段涉及到全局图和全局边界：

• 全局图的主要用途是记录在探索阶段采样的所有有价值的视点，并寻找两个视点之间的最短路径。因此在探索阶段的每次迭代中，会将具有正增益分支中的视点作为顶点添加到全局图中。

• 全局边界$F_G$是由探索阶段被遗漏的局部边界组成的。可以通过全局图中的至少一个视点来观察到。每次更新局部边界时，它们都会被添加到$F_G$中。

4-14行：从距离机器人的最近位置选取全局边界点，并记录观测到该边界点的第一个视点$v_s$

15-23行：选择距离该边界点最近的视点，更新$v_s$

寻找到$v_s$后，机器人沿着重定位路径移动至该视点，切换到探索阶段

24行：如果不存在全局边界点，则结束探索

3. 实验

实验环境：cmu的室内、校园、车库环境

对比实验：NBVP、GBP、MBP

4. 总结

动态扩展降低构建RRT的运算量

混合边界点确保对环境的完全覆盖