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
问题:
贡献点:
整体上提出了一个探索大规模未知环境的系统框架
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。
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。
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:
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:
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,
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。
本文作者:southyang
本文链接:
版权声明:本博客所有文章除特别声明外,均采用 BY-NC-SA 许可协议。转载请注明出处!