Receding Horizon “Next–Best–View” Planner for 3D Exploration

AbstractIntroductionrelated workPROBLEM DESCRIPTIONPROPOSED APPROACH 这是eth发表在ICRA2016上的

Abstract

使用无人机对未知环境进行自主的探索 autonomous exploration of unknown space using aerial robotic platforms 使用的框架是 滚动优化的Next-Best-View 在线计算的随机树中找到最好的branch，评价的标准是 可以被探索的未被建图的数量 只有最好的branch会被执行 Only the first edge of this branch is executed at every planning step 可以实现完整的探索 可以处理大的环境和复杂的问题

Introduction

现有处理unknown 并且online的大多是reactive 也就是反应式的 建图部分: map the environment in an occupancy map from depth image input 建立一个有限迭代随机树 RRT each branch is evaluated for the amount of unmapped space that can be mapped 只有第一条边才会执行

related work

frontier-based : maximize the extension of the horizon of known space considering an onboard sensor another method : samples possible viewpoints in the whole known free space instead of just at the frontiers 这个方法也是在已知的free空间中去采样几个next-best-view的点 和之前的不同 这些采样的点会以树的形式存储 树的edge就是到该点的路径 只有最好的edge被执行

PROBLEM DESCRIPTION

vehicle dynamic constraints 动力学约束localization uncertainty 定位的不确定性limitations of the employed sensor system with which the space is explored 传感器探测范围有限 所以需要提高系统的鲁棒性

PROPOSED APPROACH

a sampling–based receding horizon path planning paradigm 基于采样的滚动优化规划框架 通过深度相机或者雷达建图 occupancy map free occupied or unmapped 路径只在free中规划 从configuration点通过传感器观测到的地图中未被建图的部分Visible(M, ξ) 直线direct line 不会穿过被占用的栅格 并且符合传感器模型(主要是FOV和最大距离maximum range) 从当前位置建立rrt 最后的树包含n个节点 边是无障碍的路径 一个节点n的质量 或者说收集的信息增益Gain(n)表示方法: the summation of the unmapped volume that can be explored at the nodes along the branch 沿着分支可以探索的未建图的体积总和 λ是路径成本的惩罚量 每次重规划之后，最好的节点会被提取，到节点的边会被执行 nbest是具有gain最高的点 the remainder of the best branch 最好分支的剩下的部分会被用来做下次重规划过程中的初始化 再根据更新后的地图 重新计算information gain

对于无人机来说 状态量有四个 x y z yaw 当慢速操作时 直线可以认为是跟踪的参考线 参考线的路径成本用欧氏距离衡量 生成参考距离时采样需要考虑最大速度和转弯率 计算gain时距离会比传感器的距离小一些 这样可以保证次优观测条件的鲁棒性 也可以提高计算能力