Zhou, Boyu, et al. "Fuel: Fast uav exploration using incremental frontier structure and hierarchical planning." IEEE Robotics and Automation Letters 6.2 (2021): 779-786. PDF

1. 概述

存在的问题： 缺乏最优性考虑，进行保守的运动计划和较低的决策频率，导致整体探索效率偏低

贡献点：

• 提出一个逐步更新的FIS（边界信息结构），捕获整个探索空间的基本信息，并进行高频率的探索规划；
• 提出一种分层规划方法，生成有效的全局覆盖路径，进行安全快速的局部运动。

2. 方法

大体流程： 每当使用传感器的测量值更新地图时，都会检查是否有边界集群受到影响。受影响集群的FIS被删除，同时提取新的边界和FIS。随后进行探索规划，先确定全局覆盖路径，再细化局部视点，并依次生成到选定视点的轨迹。如果没有边界存在，则认为探索已完成。

2.1 增量式前沿信息结构

边界探索是通过处理整个地图来检索的，对于大场景和高规划频率是不可扩展的。该论文通过增量的方式来进行边界探索，降低了整体运算量，可以进行更精细的规划。

边界信息结构

当创建一个新的边界集群时，都会计算出对应的边界信息结构FIS。存储集群的所有单元格$C_i$和对应的平均位置。

增量式边界检测和聚类

通过传感器测量更新地图时，也会记录更新区域的边界框，删除旧的边界簇，通过区域增长算法搜索新的边界簇。如果有大规模的集群，就递归地进行拆分，以便所有的大集群都被划分为小的集群，便于进行局部探测。

视点生成和代价更新

当创建集群时，生成一组视点$VP_i= \lbrace x_{i,1}、x_{i,2}、···、x_{i,n_i} \rbrace$覆盖它。$VP_i$是通过在原点位于簇中心的圆柱坐标系中的均匀采样得到的。为了进行全局规划，需要每两个集群的连接代价，计算视点之间移动的时间下界；选择覆盖范围最大的视点来计算集群的连接代价。

2.2 分层探索规划

全局探索规划

首先寻找一个全局最短路径，从当前视点出发，覆盖现有的边界集群。通过不对称的TSP问题进行规划。

局部视点细化

全局探索规划找到了一个最短路径来访问所有的集群。但只涉及每个集群的单一视点，并不一定是所有视点中的最佳组合。通过局部视点细化，寻找最优路径。

最小时间B样条轨迹

根据给定离散的视点，生成平滑、安全和动态可行的b样条轨迹；进一步优化B样条曲线的参数，使总轨迹时间最小化。

3. 实验

实验环境： 桥、大型迷宫

探索效率

实验指标统计

4. 总结

在基于边界的探索策略中，加入分层探索思想，通过增量的方式降低运算量，提高了决策频率，并优化局部路径。

状态估计能力需要提高。