通过仿真地图和真实地图对所提出策略的性能进行了实验验证，并与其他策略进行了比较。所有用于比较的策略都是在运行Ubuntu 14.04的Intel core i7 3.60GHz处理器和8GB RAM的计算机上使用ROS库在c++中开发为ROS组件。

文章实验参数表如下：

对于仿真环境，我们使用Gazebo模拟器构建一个封闭空间，如下图4(a)所示。考虑到地图尺寸变化的影响，使用了不同的地图尺寸(2020m, 4040m, 6060m)。机器人的半径为0.2m，激光传感器的范围设置为10m。图4(c)为在2020m的模拟环境中建立的二维占用网格图。

在真实环境中，作者利用挡板构建了一个10m * 10m的空间，如下图4(b)所示。实验中使用的移动机器人平台为EAIBOT Dashgo-D1。它配备了一个Hokuyo UST-10LX 2D激光传感器(10米的检测范围和270°视野)。图4(d)为在真实环境中构建的二维占用网格图。

如下图5(a)所示。由于RRT算法的随机性，边界点的位置都是随机的。可以看出，有的边界有很多边界点，有的边界只有很少的边界点。此外，在地图的各个边界上，边界点的分布也不均匀。图5(b)是用文中提出的算法生成的边界点。优化后边界点数量大大减少，各边界上的边界点分布基本均匀。黄色点是根据定义的边界点评价函数计算出的当前情况下的最优边界点。

如图6(a)和图6(b)所示，在传统的全局路径规划策略下，机器人直接规划从当前位置到目标边界点的路径，并搜索下一个目标边界点，直到到达前一个目标边界点。

在多步路径规划策略中，每当机器人的运动距离达到确定的局部探索路径步长时，都会重新计算并重新选择最优边界点。从下面的图6(c)可以看出，在机器人到达图6(a)中的目标边界点之前，当前的最优边界点已经发生了变化。因此，机器人已经规划了一条新的路径。结果是图6(c)的路径长度明显短于图6(a)和图6(b)。

文中总共进行了200组实验，将提出的策略与其他四种策略进行比较。策略1的思想是随机选择边界点进行探索，称之为RANDOM。策略2的思想是选择离机器人最近的边界点，用NEAREST来表示它。策略3采用了贪婪算法的思想，因此将其记为GREEDY。策略4是用UMARI来描述。本文中提出的策略称为RFPO。为了比较不同地图尺寸对探索策略的影响，作者使用了4张不同尺寸的地图进行实验(一张真实地图和3张不同尺寸的模拟地图)。每张地图都要进行50组探索作业。这50次探索分为5组，每组代表一种探索策略。在40*40 m的模拟地图中，对于每种策略，从10次探索运行中选择一个实验结果来显示机器人的探索轨迹。结果如图7所示。

图8为四种不同地图中不同探索策略探索结束时的探索时间，图9为四种不同地图中不同探索策略探索结束时的探索距离。

分析：从图中可以看出，地图的尺寸越大，不同策略之间探索效率的差异就越明显。在60*60m的模拟地图上，文中提出的策略与其他四种策略相比，平均探索时间分别减少了26.71%、7.36%、5.56%、1.62%，平均探索距离分别减少了31.22%、15.56%、14.61%、8.43%。

• 对于RANDOM策略来说，由于每次的目标边界点都是随机选择的，机器人会走很多重复的路线，所以探测时间和探测距离都会增加。
• 而NEAREST策略和GREEDY策略会导致搜索变成局部最优问题，影响搜索的效率。
• UMARI的策略直接规划了机器人从当前位置到探测目标点的路径，这可能会导致图6中的问题。

实验结果表明，无论是与探测时间相比，还是与探测距离相比，文中提出的探测策略的效果都优于其他策略，证明了所提出策略的有效性。

本文提出了一种基于边界点优化和多步路径规划的机器人自主探索策略。该策略可以驱动机器人探索未知环境，并在无需人工干预的情况下高效地构建相应的二维占用栅格地图。在这个探索策略中，作者使用RRT算法来生成边界点，并提出RFPO算法来优化这些边界点。然后定义了边界点评价函数，选取当前最优边界点进行探索。在路径规划部分，设置了一个局部探索路径步长，当机器人的运动距离达到局部探索路径步长时，重新选择目标边界点进行探索，以减少机器人走一些重复路径的可能性。最后通过实验，验证了所提策略的有效性。

未来改进：目前只使用里程计数据结合激光传感器数据来构建二维占用网格地图，地图中包含的信息相对较少。

• 可以将视觉传感器数据融合到自主探索中，视觉传感器数据的优点是可以获得更多的环境信息，这些数据可以被融合在一起，为以后的导航任务和其他相关工作构建具有更丰富信息的地图。
• 此外，可以尝试协调多个机器人进行高效探索。

专栏文章内容及配图由作者撰写发布，仅供工程师学习之用，如有侵权或者其他违规问题，请联系本站处理。 联系我们