论文整理Actively Mapping Industrial Structures with Information Gain-Based Planning on a Quadruped Robot

问题

这篇论文主要考虑的问题是如果让机器人自主对特定的环境建图，把感知-规划-控制结合在一起
场景是一个工业模型周围的地形会比较复杂
用的平台是四足ANYmal，所以规划的时候需要考虑四足的特性
用的方法是迭代的选择next best view（NBV），选择的时候是先生成一系列候选点，然后根据这两个方面来评估候选点选出最优：

• expected information gain
• the cost of reaching the candidate

相关背景

对环境的描述分为surface mesh 或者是voxel space
本文里是用voxel来描述环境的，VI是用Occlusion Aware或者Rear Side En- tropy计算的
用OctoMap来存储地图的占用概率

方法

处理好的雷达信息还有机器人的位姿来更新octomap里的占据概率
还会用雷达生成一个elevation map，这个地图范围只有10m，仅仅用来局部规划
在elevation map中用RRT来生成一系列scan candidate，也就是候选的位置，然后对其进行评估
用utility function对其评估，选择最好的作为下一个要到的点
用RRT*到这个点之后，继续用RRT来生成新的一系列scan candidate，然后再对这些位置用utility function来评估，这是一个迭代的过程

• Gc:如果用这个位姿，那会得到的信息增益
• Pc:惩罚已经经过的或者离物体很近的位姿
• Tc: 到所给定位姿需要的cost

Volumetric Information (VI) Gain

从一个假设的位姿有一组射线，然后估计期望信息增益
c是候选位置，Rc是从该位置的一组射线，r是其中一条射线，Vr是这条射线达到终点穿过的所有格子，Gc是每个格子的增益I的总和

• Occlusion Aware Ioa: 遮挡感知，从格子可见性考虑，在这个位置能降低不确定性的有效性
  根据格子的占用概率，计算格子的熵，再计算Ioa
  

• Rear Side Entropy Irse:后面格子的熵 基于Ioa 但主要关注背后的格子
  

position cost

traversal cost

考虑地形的粗糙度

实验

类似这样，在一个点先用RRT生成一系列候选点，上面的数字是用utility function 评估的出的，选择最大的作为下一个要到达的点，比如图中要往右上角走，用RRT*生成到这个点的路径