[论文解读] FUEL: Fast UAV Exploration using Incremental Frontier Structure and Hierarchical Planning

Boyu Zhou, Yichen Zhang+2 more|arXiv (Cornell University)|Oct 22, 2020

Robotic Path Planning Algorithms参考文献 34被引用 5

一句话总结

该论文提出FUEL，一种分层无人机探索框架，利用增量更新的前哨信息结构（FIS）实现快速、高频的规划。通过结合全局路径优化、局部视角优化以及最短时间轨迹生成，FUEL在仿真和真实世界测试中均实现比最先进方法快3–8倍的探索速度，显著提升了复杂环境下的覆盖速度与路径效率。

ABSTRACT

Autonomous exploration is a fundamental problem for various applications of unmanned aerial vehicles. Existing methods, however, were demonstrated to insufficient exploration rate, due to the lack of efficient global coverage, conservative motion plans and low decision frequencies. In this paper, we propose FUEL, a hierarchical framework that can support Fast UAV Exploration in complex unknown environments. We maintain crucial information in the entire space required by exploration planning by a frontier information structure (FIS), which can be updated incrementally when the space is explored. Supported by the FIS, a hierarchical planner plans exploration motions in three steps, which find efficient global coverage paths, refine a local set of viewpoints and generate minimum-time trajectories in sequence. We present extensive benchmark and real-world tests, in which our method completes the exploration tasks with unprecedented efficiency (3-8 times faster) compared to state-of-the-art approaches. Our method will be made open source to benefit the community.

研究动机与目标

• 为解决现有无人机方法因贪婪规划、保守运动及高计算开销导致的探索速率低下问题。
• 实现对新环境信息的高频率重规划，以支持实时适应性。
• 通过规划最优探索路径，在保持动态可行性与安全性的同时，提升全局覆盖效率。
• 通过基于优化视角的最短时间轨迹生成，支持高速、敏捷飞行。
• 在仿真与真实世界环境中验证该框架，包括杂乱的室内场景与户外森林。

提出的方法

• 前哨信息结构（FIS）以增量方式维护整个已探索环境中的关键空间信息，如前哨位置与聚类数据，从而支持高效的全局规划。
• 分层规划器分三个阶段运行：(1) 利用FIS进行全局路径规划，以最小化总路径长度；(2) 通过局部视角优化以最大化每次移动的信息增益；(3) 生成最短时间轨迹以确保动态可行性。
• 随着新传感器数据的接收，FIS被增量式更新，使规划器能够以高频率运行，并快速响应环境变化。
• 全局路径通过基于启发式的优化算法计算，平衡覆盖范围与路径长度，确保对大规模未知区域的高效探索。
• 局部运动规划采用非线性轨迹优化，从优化后的视角生成动态可行、平滑且时间最优的路径。
• 系统完全在机载运行，无需外部定位，依赖机载状态估计算法与地图模块实现实时运行。

实验结果

研究问题

• RQ1 具有增量状态表示的分层规划框架是否能显著提升无人机在复杂未知环境中的探索速度？
• RQ2 基于维护的前哨结构的全局路径规划，与贪婪或仅局部策略相比，在路径效率与覆盖时间方面表现如何？
• RQ3 最短时间轨迹生成在多大程度上能提升飞行速度，同时保持安全与动态可行性？
• RQ4 在存在传感器噪声、视野受限与动态障碍物的真实环境中，系统性能如何？
• RQ5 所提出方法能否在不牺牲安全或精度的前提下，保持高决策频率并快速适应新环境信息？

主要发现

• 在仿真中，FUEL比最先进方法快3至8倍完成探索任务，且路径更短、更平滑。
• 全局路径规划显著减少了路径长度并最小化了重复访问，尤其在复杂迷宫中，其他方法因反复探索已知区域而效率低下。
• 在大型迷宫场景中，该方法实现了近乎线性的探索速率，表明其在长时间内保持了稳定且高效的覆盖性能。
• 在室内障碍物环境与户外森林中的真实世界测试，证实了系统的鲁棒性与实时性能，实现了完全机载运行且无需外部定位。
• 执行的轨迹比基线方法更平滑、更快，最短时间轨迹生成使飞行速度显著提升。
• FIS支持高频重规划，使无人机能迅速响应新环境数据，从而显著提升了整体探索速度。