FUEL: Fast UAV Exploration using Incremental Frontier Structure and Hierarchical Planning

admin管理员组

文章数量:1565252

FUEL: Fast UAV Exploration using Incremental Frontier Structure and Hierarchical Planning

• Abstract
• Ⅲ. System Overview
• Ⅳ. Incremental Frontier Information Structure
• • A. Frontier Information Structure
  • B. Incremental Frontier Detection and Clustering
  • C. Viewpoint Generation and Cost Update
• Ⅴ. Hierarchical Exploration Planning
• • A. Global Exploration Tour Planning
  • B. Local Viewpoint Refinement
  • C. Minimum-time B-spline Trajectory

Abstract

 提出了一个叫做FUEL的框架，可以支持无人机在复杂位置环境的快速探索。这个框架是增量地更新的，通过维护更新环境的前沿信息结构(FIS)。

Ⅲ. System Overview

 FUEL框架运行在体素格点地图上。下面的图是系统结构图：

主要包括：增量边缘信息结构和层次化规划。

Ⅳ. Incremental Frontier Information Structure

 所谓frontiers是指在未知体素附近的状态是空的体素，常被组合成簇来导航。传统方法存在的问题是：提取的信息太粗糙不能做细化的决定；以前frontiers是在全部地图上提取的，计算量太大了。这个工作解决的就是从frontiers里提取更多的信息来做更细化的导航和规划，而且提出了一个增量方法在局部更新的地图上检测frontiers。

A. Frontier Information Structure

 frontier information structure也就是边缘信息结构用 F I i FI_i FIi​来表示，当新的边缘簇 F i F_i Fi​创建的时候，就会计算这个 F I i FI_i FIi​。 F I I FI_I FII​里存的就是这个簇里所有的网格，网格我们用 C i C_i Ci​来表示。 F i F_i Fi​也保存了所有网格的平均位置 P a v g , i P_{avg,i} Pavg,i​。下面这个表示是 F i F_i Fi​结构保存的所有信息：

B. Incremental Frontier Detection and Clustering

 这部分是新的边缘的检测和成簇。 这部分的图示如下图：

不同的边缘簇用不同的颜色表示，虚线框代表每簇边缘信息的boundingbox，也就是图里的 B i B_i Bi​。 B m B_m Bm​是每次更新的区域的boundingbox，就是图里的红色虚线，在这个boundingbox里，过期的边缘信息被移除，新的边缘信息被找到。每次通过传感器新获得的数据更新地图。对于frontier的格子是这样移除的：先是遍历所有的簇也就是 B i B_i Bi​，然后找到和 B m B_m Bm​有交集的 B i B_i Bi​，在这个 B i B_i Bi​里面所有本来是frontier后来不是frontier的格子被移除。
 在移除原来的frontier之后，新的frontier成簇。新生成的簇很大，对于精细的决策作用不大，所以要用PCA(主成分分析)来处理每个新生成的簇，如果PCA之后的最大特征值超过阈值，就一直拆分簇。

C. Viewpoint Generation and Cost Update

 直觉上，frontier暗示着要去附近探索隐藏的目的地。这个部分就是，每次生成新的frontier簇 F i F_i Fi​的时候，就会产生一个视角的集合 V P i = VP_i= VPi​= { x i , 1 , x i , 2 , . . . , x i , n i x_{i,1},x_{i,2},...,x_{i,n_i} xi,1​,xi,2​,...,xi,ni​​}来覆盖这个簇。这里 x i , j = ( p i , j , ξ i , j ) x_{i,j}=(p_{i,j},ξ_{i,j}) xi,j​=(pi,j​,ξi,j​)， p i , j p_{i,j} pi,j​代表第i个簇的第j个视角， ξ ξ ξ是偏航角。视角采样的方法如下图所示：
 总结一下视角采样方法：在柱形坐标系上，以这个簇的质心为原点，均匀采样。就像上面这个图一样。而且每个采样点 p p p都在空的格子内。偏航角 ξ ξ ξ是传感器的视角覆盖范围。这个覆盖范围是传感器感知范围内可以覆盖的frontier格子的数量，而且没有被占据的格点遮挡，我们把这个覆盖范围记作 c o v e r a g e coverage coverage。然后所有 c o v e r a g e coverage coverage高于阈值的视角才被保留，而且按照 c o v e r a g e coverage coverage降序排列，并且每次只保留 N v i e w s N_{views} Nviews​个视角，这也是为了局部视角优化的可行性。
&emsps;现在要计算每两个簇 F k 1 F_{k_1} Fk1​​和 F k 2 F_{k_2} Fk2​​之间的连接损失，这个是为了后面全局规划的。用 t l b ( x k 1 , j 1 , x k 2 , j 1 ) = m a x t_{lb}(x_{k_1,j_1},x_{k_2,j_1})=max t

本文标签： UAVExplorationFUELfastIncremental