[论文解读] Frontier-based Automatic-differentiable Information Gain Measure for Robotic Exploration of Unknown 3D Environments

Di Deng, Zhefan Xu+2 more|arXiv (Cornell University)|Nov 10, 2020

Robotic Path Planning Algorithms参考文献 24被引用 9

一句话总结

该论文通过引入模糊逻辑滤波器，提出了一种用于机器人3D探索的可微分前沿信息增益度量方法，实现了可见前沿体素计数的自动微分。该方法使探索路径能够进行基于梯度的优化，同时提升信息增益并减少路径长度，在模拟环境中实验表明信息增益最高提升73%，路径长度减少12.5%。

ABSTRACT

The path planning problem for autonomous exploration of an unknown region by a robotic agent typically employs frontier-based or information-theoretic heuristics. Frontier-based heuristics typically evaluate the information gain of a viewpoint by the number of visible frontier voxels, which is a discrete measure that can only be optimized by sampling. On the other hand, information-theoretic heuristics compute information gain as the mutual information between the map and the sensor's measurement. Although the gradient of such measures can be computed, the computation involves costly numerical differentiation. In this work, we add a novel fuzzy logic filter in the counting of visible frontier voxels surrounding a viewpoint, which allows the gradient of the information gain with respect to the viewpoint to be efficiently computed using automatic differentiation. This enables us to simultaneously optimize information gain with other differentiable quality measures such as path length. Using multiple simulation environments, we demonstrate that the proposed gradient-based optimization method consistently improves the information gain and other quality measures of exploration paths.

研究动机与目标

• 为解决在未知3D环境中机器人路径规划中离散且不可微分的前沿启发式方法的局限性。
• 通过模糊逻辑滤波器使基于前沿的信息增益度量可微分，从而实现基于梯度的探索路径优化。
• 利用非线性优化框架结合自动微分，同时优化信息增益与路径长度。
• 通过将可微分信息增益与轨迹优化相结合，提升探索效率，优于采样方法和传统前沿方法。

提出的方法

• 引入模糊逻辑滤波器，对从机器人视角可见的前沿体素进行平滑计数，将离散计数转化为连续可微函数。
• 利用自动微分计算信息增益相对于机器人位姿的梯度，实现高效优化。
• 将可微分信息增益与路径长度及其他质量度量整合为单一非线性目标函数以供优化。
• 采用基于梯度的优化算法优化机器人路径，同时提升信息增益与路径平滑性。
• 在AirSim仿真环境中验证方法，使用配备RGB-D传感器的四旋翼无人机在三个复杂室内环境中进行测试。
• 采用概率占用图表示环境，并将前沿定义为已知区域与未知区域之间的边界。

实验结果

研究问题

• RQ1 能否使基于前沿的信息增益度量可微分，从而在3D机器人探索中实现基于梯度的路径优化？
• RQ2 与基于采样的方法相比，所提出的可微分前沿度量在信息增益与路径效率方面表现如何？
• RQ3 将可微分信息增益与路径长度优化相结合，是否能生成更平滑、更高效的探索路径？
• RQ4 在复杂3D环境中，该方法是否优于传统前沿方法与信息论启发式方法，在覆盖度与探索时间方面表现更优？

主要发现

• 在存储室环境中，优化后信息增益提升了73.06%，路径长度减少了12.51%。
• 在实验室环境中，信息增益提升了42.78%，路径长度减少了3.83%。
• 在工厂环境中，信息增益提升了58.02%，路径长度减少了5.81%。
• 优化后的路径在存储室实现了98.64%的覆盖率，实验室为98.91%，工厂为96.38%，在覆盖率与效率方面均优于RH-NBV与基于前沿的基线方法。
• 与RH-NBV相比，基于梯度的优化器显著减少了探索时间（实验室中为3.21分钟 vs. 6.49分钟），也优于基于前沿的方法（5.34分钟）。
• 该方法在所有测试环境中均一致提升了信息增益与路径平滑性，且在迭代过程中未出现信息增益下降的情况。