Bouman, Amanda, et al. "Adaptive coverage path planning for efficient exploration of unknown environments." 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2022. PDF

1. 摘要

覆盖路径规划任务定义：对于一个有时间限制的任务，机器人必须自主探索具有复杂地形的未知环境。随着机器人的移动，传感器不断扩大覆盖范围，或者更广泛地说，扩大与任务相关的世界信息。

该论文提出了一种解决覆盖问题的方法，目的是在任务时间约束下自主探索未知环境，最大化探索面积。

主要思想是：通过使用有效的传感器模型进行未来的覆盖观测，快速找到非近视覆盖路径（非贪婪，考虑长期规划），传感器模型根据周围环境调整覆盖范围和覆盖几率，可以称为自适应覆盖路径规划方法。

可以观察到，在狭窄区域A，传感器的观测范围较小；在宽阔区域B，传感器的观测范变大。

2. 方法

(只关注了自适应覆盖范围部分)

传感器观测范围有三种情况：

• 静态覆盖范围：假设机器人在一定距离内可以观测到所有的区域。这种模型计算量很小，但是会高估覆盖区域，导致机器人忽略一些未探索的区域，如图中的下方通道。
• 精确覆盖范围：可以最好地反映真实的激光雷达传感器的性能。但是，这种模型计算量很大，不适合用于实时规划。
• 自适应覆盖范围：根据局部环境的空间性质来调整覆盖范围。这种模型既可以减少计算量，又可以更好地逼近真实的覆盖范围，从而提高探索效率和完整性。

全局场景表示

构建信息路线图（IRM）来表示机器人周围的局部环境

IRM包含全局覆盖范围和可穿越性风险信息。覆盖规划器的目标是在IRM上构建路径，将节点从未覆盖的可遍历（黄色）转换为覆盖的可访问（棕色）。通过以后退地平线的方式构建覆盖路径，随着机器人的移动扩展探索空间的边界。

自适应覆盖范围

在给定的时间内，进行的模拟和仿真次数越多，越有可能得到更加可靠的覆盖路径。因此需要在覆盖范围的准确性和模拟次数之间寻找平衡。该论文提出了一种近似的覆盖模型，从而降低了生成模型G（马尔科夫的黑盒模拟器）的时间复杂性。

• 估计了局部环境的间距 $r_{spac}=f(median\lbrace d(z_i) \rbrace)$
• 使用$r_{spac}$计算自适应的覆盖距离

3. 实验

仿真实验

和静态覆盖范围的两个实验进行了对比

真机实验

使用husky和机器狗进行实验