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

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$F{I}_i$来表示，当新的边缘簇$F_i$创建的时候，就会计算这个$F{I}_i$。$F{I}_I$里存的就是这个簇里所有的网格，网格我们用$C_i$来表示。$F_i$也保存了所有网格的平均位置$P_{avg,i}$。下面这个表示是$F_i$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$B_i$。$B_m$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$B_i$，然后找到和$B_m$有交集的$B_i$，在这个$B_i$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$F_i$的时候，就会产生一个视角的集合$V{P}_i=$ { $x_{i,1},x_{i,2},...,x_{i,n_i}$}来覆盖这个簇。这里$x_{i,j}=(p_{i,j},{\xi }_{i,j})$，$p_{i,j}$代表第i个簇的第j个视角，$\xi$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$p$都在空的格子内。偏航角$\xi$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$coverage$。然后所有$coverage$高于阈值的视角才被保留，而且按照$coverage$降序排列，并且每次只保留$N_{views}$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$F_{k_1}$和$F_{k_2}$之间的连接损失，这个是为了后面全局规划的。用$t_{}$