Huang J, Zhou B, Fan Z, et al. FAEL: Fast Autonomous Exploration for Large-scale Environments With a Mobile Robot[J]. IEEE Robotics and Automation Letters, 2023, 8(3): 1667-1674. 中山大学 PDF

1. 摘要

问题：

• 大规模环境下的算力问题
• 算力不够导致无法高频进行规划，不能对环境变换做出及时应对，即无法选择出合适路径
• 路径选择不当会使机器人获取信息的速度变慢，甚至重复访问相同的地点，严重降低了勘探效率

贡献点：

• 提出一种对环境信息的快速预处理 -> 为了高频规划
• 提出一种综合考虑快速探索的关键因素的路径优化公式，以及一种近似算法来求解np困难优化问题 -> 优化路径，选择合适的
• 进行了广泛的模拟和真实世界的实验，展示所提出方法的计算效率

整体上提出了一个探索大规模未知环境的系统框架

2. 方法

用于三维空间表示的三维网格图由SLAM结果进行更新。地形图是通过根据点云进行遍历性分析得到的二维网格图。在三维网格图中，边界会被快速检测到。基于地形图、三维网格图和边界，对候选视点进行采样，并以有效的增量方式评估其信息增益。

浅蓝色为自由空间路线图，深蓝色为下一步路径，黑色为轨迹，绿色为边界，粉色为视点

扩展了一个稀疏的自由空间路线图来进行快速路径规划，基于视点和路线图，结合移动距离、信息增益和全局覆盖范围的最优路径等因素进行考虑，得到有效的路径优化。

2.1 3D表示和地形图

使用三维占用网格地图UFOMap来表示三维环境，其作为OctoMap的扩展，具有更快的遍历能力

为了确保安全探索，将地形图划分为安全区域和不安全区域，随着机器人的移动逐步构建地形图，通过确定点之间的最大高度差是否低于阈值t来检测地面和障碍物。

2.2 环境信息的快速预处理

算法依赖于边界信息、视点、信息增益和视点之间的移动距离，为了达到高频规划的目的，需要对上述信息进行预处理：

• 边界检测：为了避免搜索整个地图，只需要检测UFOMap记录的新更新的网格和机器人周围现有的边界
• 视点生成和增益评估：将视点可以观察到的边界单元的数量作为信息增益度量（在新的位置，以d为半径均匀采样，将视点与可观测边界连接，评估它们的信息增益）
• 稀疏路线图中的移动距离：为了保证路线图的稀疏性和计算量，将距离路线图G最近节点的距离大于ξ的每个采样点依次添加到路线图中，再通过检查地形图中的可达性，将最多n个采样点连接到路线图节点

2.3 路径优化

提出了一种同时考虑运动距离、信息增益和覆盖范围的路径优化方法，以有效地确定探索路径。

相比于TARE的一个关键的区别是，FAEL共同考虑了信息增益和累积运动距离

加快路径优化的几个关键点：

• 只考虑机器人当前位置的半径范围内的视点。当R内没有视点时，则考虑R外的视点，以继续探索
• 忽略一些信息增益低的视点（增益的阈值τ）
• 从原有计算结果中查询原有视点距离，增量计算

经过路径优化后，输出路径σ是由相邻视点之间的路径组成的多段线。有必要生成一个更短的无碰撞的局部路径来实时跟踪。用A*算法进行路径平滑，

3. 实验

仿真实验

在自行搭建的四个仿真环境中，与NBVP、GBP、TARE进行对比

真机实验

该机器人在305.9秒内探索4573平方米，并以平均1.0 m/s的速度移动306.3米。结果表明，该自主探索框架能够很好地适应真实的地面机器人，并能够有效地探索具有不可达区域的未知环境。