免费可以看污app秋葵_成都旅游景点大全排名_小网站_网站页面seo

（2023）GVD-Exploration: An Efficient Autonomous Robot Exploration Framework Based on Fast Generalized Voronoi Diagram Extraction

摘要

快速探索随机树 （RRT） 是移动机器人自主探索的一种流行技术。然而，RRT 使用的随机采样会导致边界提取效率低下且不准确，从而影响勘探性能。为了解决路径规划慢和路径成本高的问题，我们提出了一个框架，该框架使用基于广义 Voronoi 图 （GVD） 的多选策略进行机器人探索。我们的框架由三个部分组成：一个新颖的映射模型，它使用端到端神经网络实时构建环境的 GVD;基于 GVD 的启发式方案，可加速边界提取并减少边界冗余；以及一个多选边界分配方案，该方案考虑了不同类型的边界，并使机器人能够在勘探过程中做出理性决策。我们在仿真和真实世界实验中评估了我们的方法，并表明它在效率和稳健性方面优于基于 RRT 的勘探方法
注释：与基于 RRT 的移动机器人自主探索相比，我们的方法基于 GVD 信息增益提取前沿，独立于随机树的增长，有效地缓解了与陷阱空间问题相关的挑战。与大多数现有的机器人勘探策略不同，我们的机器人基于各种前沿采用了多样化的勘探决策，而不是依赖单一的决策方法。在这方面，自主机器人优先考虑局部边界内的探索，而在全球探索期间，它将探索任务转化为 TSP 问题进行优化，确保机器人做出最佳的行为决策。

内容

上图展示的就是使用RRT进行前沿检测时会出现的问题，绿点为检测出的前沿点，可以看到在左上角生成了许多冗余的边界点，而在中间有一个角落还没有检测出相应的前沿点。

作者提出基于前沿的方法面临着两个难点：

1. 如何高效准确的在复杂环境中（如迷宫、狭窄走廊、角落）提取前沿点，边界可能稀疏或冗余（见图 1）;
2. 以及如何选择最大化信息增益和最小化路径成本的前沿，同时考虑到前沿的全局连续性，而不是选择可能导致低效探索的局部最优边界。

方法

首先根据环境地图通过神经网络（池化和卷积）得到GVD（更快的构建GVD），池化层n层负责将环境地图变为障碍物距离地图，卷积层在障碍物距离地图上得到进行卷积操作，得到环境的GVD图。接着根据GVD节点形状合并启发式前沿点，并且评估前沿点的成本和信息增益。对于局部探索，先择成本最低的前沿，对于全局探索，通过解决TSP问题找到访问每个前沿的最佳顺序。路径成本的计算使用GVD路径而不是欧氏距离，考虑连通性

GVD构建模块

下图表示通过池化、卷积快速得到环境地图的GVD图：

基于 GVD 的启发式 Frontiers 融合提取

分为局部和全局

局部启发式前沿提取

取M*M大小的局部框，将框中的GDV节点统一放入集合$G_{local}$,接着对这个集合中的GDV节点进行筛选。大致可以认为筛选出的节点遵循以下步骤：

1. 具有较大半径的 GVD 节点优先筛选（被认为具有更多信息增益）；
2. 满足未知网格数量阈值的 GVD 节点（半径内未知网格达到一个设定阈值，则保留，否则移除）；
3. 移除融合冗余节点（为了避免重复，系统会融合那些在同一半径范围内的冗余 GVD 节点，只保留那些关键的启发式边界点）
4. 重复这一过程，直到$G_{local}$为空

全局启发式前沿提取

与局部一致，输入为全局的GVD节点，输出全局的启发式前沿。
大致效果表现为下图中(a)->(b):

多策略前沿分配模块

为多类型边界设计了一个多策略边界分配框架。根据机器人的时间戳信息，我们将本地边界分为两种类型：实时本地边界和预留本地边界。多策略前沿分配框架有以下三种策略，i.）实时局部前沿分配策略，ii.）局部前沿分配策略，以及 iii.）全局前沿分配策略。如图 4 所示，这三个策略按顺序执行。实时本地边界分配策略具有最高优先级。此外，我们更喜欢先探索机器人附近的所有边界，因此局部边界分配策略不太理想。当一个区域被充分勘探时，机器人实施全球边界分配策略，保证全球地图的构建。
三个集合$V_{current},V_{local},V_{global}$。

实时局部前沿分配策略

实时检测出的局部边界点，对边界点进行效益计算，考虑距离成本（使用GVD路径计算）、信息增益。同时设置参数$\lambda$使得机器人优先一定范围内的局部边界点，减少因不完全局部探索产生的机器人回溯现象。
结束条件：$V_{current}$为空的时候
具体看论文

局部前沿分配策略

流程与实时部分相同，会稍微修改效益计算公式中的参数。

全局前沿分配策略

使用蚁群算法求解TSP问题
当机器人到达目标边界时，地图将被更新并提取局部边界。此时，机器人采用实时本地前沿策略或本地前沿策略。因此，没有必要计算所有的全局边界，全球边界策略只决定机器人去探索哪个区域。在这里，我们对全球前沿进行聚类以减少计算消耗。一旦确定了最佳边界，边界分配将关闭，直到机器人到达目标。当 Vcurrent、Vlocal 和 Vglobal 都为空时，表示此时地图上没有提取到探索前沿，机器人探索结束。

实验

turtlebot2
ubuntu16.04
ros
gazebo
6个仿真场景，2个真实场景
比较的算法：multi-RRT，nearest，greedy