【自主探索】基于 rrt

rrt_exploration 是一个 ROS 软件包，用于实现基于 RRT（rapidly exploring random tree） 的多机器人地图探索算法。它还具有基于图像的边界检测功能，可使用图像处理来提取边界点。

rrt_exploration 是一个 ROS 软件包，为移动机器人实现了一种多机器人地图探索算法。它基于快速探索随机树（RRT）算法。该软件包有 5 个不同的 ROS 节点：

该包的基本原理是，基于2D的，通常采用图像算法的边缘检测来检测已知区域与未知区域的边界。基于Rapidly-exploring Random Trees的探索策略。由于RRT基本上是朝向未知区域的（unexplored and unvisited），并且RRT可以扩展到更高维区域。同时采用 local tree 与 global tree 来检查边缘点，使得机器人的 exploration 更加高效。

一旦检测到边缘后，就会取其中心为目标点，然后让机器人去探索该点。而为了检测边缘点，需要对整张地图进行处理，而这个操作通常是耗时的，为此大量的研究人员focus在检测 frontier edges 的效率上。

本包中，RRT树只是用于search边缘点，而检测到的边缘点经过滤波就会依次安排给机器人。当机器人接收到 point 时，就会运动到对应的点。在此期间，机器人上的传感器将会扫描建图。

而通过多个独立的RRT树来加速边缘点的检测，则是本包的创新点。

RRT算法是一种树型算法，它由一个起始点 Xinit 作为树的起始节点（根节点），然后从这个起始点进行随机生长，通过随机采样增加叶子节点 Xnew 的方式，生成一个随机扩展树，当随机树中的叶子节点包含了目标点或进入了目标区域，便从随机树中找到一条由从初始点到目标点的路径。

（1）优点

（2）缺点

该软件包已在 ROS Kinetic 和 ROS Indigo 上进行过测试，在其他发行版（如 Jade）上也能正常运行。安装软件包前需要满足以下要求：

下载软件包并将其放在工作区的 /src 文件夹中。然后使用 catkin_make 进行编译。

编译：

运行命令：

注意要开启 move_base

如果使用一个 launch 文件，则该文件中需要包含3个内容： ① rrt_exploration ② move_base ③ gmapping（其他建图算法也可以）

例如：rrt_slam.launch 文件

注：将 slam 改成自己的文件名称

这里还可能出现一个问题：运行之后发现小车并没有运动，查看/cmd_vel也没有数据，出现这个问题的原因就在于目前 move_base 无法和 rrt_exploraiton 连接。也就是 name=“move_base_node” 这一段的问题。

rrt_exploration 作者给的文件 filter.py、functions.py 中是根据 name=“move_base_node” 来写代码的，但大部分 ros 都是使用 move_base 这个命名，而作者的源代码采用的是 move_base_node，而且没有在 launch 文件中给出接口来更改 move_base 的命名，因此大部分人在使用 rrt_exploration 的时候会发现move_base 无法和 rrt_exploraiton 连接，导致自主探索功能失败，有两种解决办法：

在launch文件中将 move_base 节点命名为 move_base_node。

在源代码中修改 move_base_node 名。 （1）functions.py： /move_base_node/NavfnROS/make_plan 改为 /move_base/NavfnROS/make_plan （2）filter.py： ‘/move_base_node/global_costmap/costmap’ 改为 ‘/move_base/global_costmap/costmap’

改好后重新编译运行就可以了。

运行成功的节点图：

本软件包为单个或多个机器人提供了探索策略。不过，要让它发挥作用，必须使用 navigation stack 设置好机器人。此外，还必须按照以下步骤设置和准备机器人。

注：如果您想快速运行并测试该程序包，可以尝试使用 rrt_exploration_tutorials 程序包，它提供了单个和多个机器人的 Gazebo 仿真，您可以直接使用它来运行该程序包。

对于多机器人配置，该软件包不需要特殊的网络配置，只需有一个 ROS 主控器（可以是其中一个机器人）即可工作。因此，在其他机器人上，ROS_MASTER_URI 参数应指向主控器的地址。有关在多台机器上设置 ROS 的更多信息，请点击此链接。

所有机器人框架都应以名称为前缀。机器人的命名从"/robot_1"、“/robot_2”、"/robot_3 "开始，以此类推。即使是为单个机器人使用软件包，机器人的框架也应该以其名称为前缀（即 /robot_1）。因此，对于 robot_1，tf 树中的帧应如下所示：

机器人上运行的所有节点和主题也必须以其名称为前缀。对于 robot 1，节点名称应如下所示： /robot_1/move_base_node、/robot_1/slam_gmapping。 主题名称应为： /robot_1/odom, /robot_1/map, /robot_1/base_scan, …等等。

必须运行 move_base_node 节点，该节点用于在机器人上建立 navigation stack。这个软件包（rrt_exploration）会生成目标探索点，每个机器人都必须能够接收这些点并向其移动。这就是需要 navigation stack 的原因。此外，每个机器人都必须有一个全局和局部成本地图。所有这些都由 move_base_node 生成。

每个机器人都应该有一个由 gmapping 软件包生成的本地地图。

在多机器人情况下，应该有一个节点能将所有本地地图合并成一个全局地图。您可以使用这个软件包。

rrt_exploration 共有 3 种模块：

本包还需要与 SLAM 及 path planning 模块相结合来使用

下图显示了 rrt_exploration 模块结构：

global_rrt_frontier_detector 节点接收一个占用网格，并在其中寻找边界点（即探索目标）。它发布检测到的点，以便过滤节点进行处理。在多机器人配置中，该节点只运行一个实例。

如果需要，运行额外的全局边界探测器实例可以提高边界点的探测速度。

该节点与 global_rrt_frontier_detector 类似。但是它的工作方式有所不同，因为每次检测到一个边界点时，这里的树都会不断重置。该节点与 global_rrt_frontier_detector 节点同时运行，负责快速检测机器人附近的边界点。

在多机器人配置中，每个机器人运行一个 local_rrt_frontier_detector 实例。因此，对于一个由 3 个机器人组成的团队，将有 4 个节点用于检测边界点；3 个本地检测器和 1 个全局检测器。如果需要，运行额外的本地边界探测器实例可以提高边界点的检测速度。

所有检测器都将在同一主题（/detected_points）上发布检测到的边界点。

该节点是另一个边界检测器，但不是基于 RRT。该节点使用 OpenCV 工具检测边界点。它可以单独运行，在多机器人配置中只需运行一个实例（运行该节点的其他实例不会产生任何影响）。

最初实施该节点是为了与基于 RRT 的边界点检测器进行比较。在运行 RRT 探测器（局部和全局）的同时运行该节点，可以提高边界点的探测速度。

注意：您可以运行任何类型和数量的探测器，所有探测器都将发布在过滤器节点（将在下一节中解释）订阅的同一主题上。另一方面，过滤器将把过滤后的边界点传递给分配器，以便命令机器人探索这些点。

过滤节点从所有探测器接收检测到的边界点，对这些点进行过滤，然后将它们传递给分配节点，由分配节点指挥机器人。过滤包括删除旧点和无效点，以及删除冗余点。

过滤器节点订阅所有机器人的所有成本计算主题，因此需要成本计算。通常情况下，成本图应由 navigation stack 发布（在机器人上调出 navigation stack 后，每个机器人都会有一个成本图）。例如，如果 n_robots=2，节点将订阅：robot_1/move_base_node/global_costmap/costmap 和 robot_2/move_base_node/global_costmap/costmap。代价图用于删除无效点。

注意：与机器人相对应的所有节点的命名空间都应以 robot_x 开头。x 代表机器人编号。

该节点接收目标探索目标，即过滤器节点发布的经过过滤的边界点，并据此对机器人发出指令。分配器节点通过 move_base_node 命令机器人。这就是在机器人上设置 navigation stack 的原因。

分配节点不会发布任何信息。它使用 actionlib 将指定的点发送到 move_base_node（指定节点是 move_base_node actionlib 服务器的 actionlib 客户端）。

关于 global 与 local detector： 当检测到一个边界点时，local detector 会 reset，并且会基于机器人当前的位置重新生长。这带来两个好处： 1、检测边界点更快。因为机器人总是会向着边界点移动，而如果RRT树从机器人当前的位置开始，那么它到达未知区域的概率更高。 2、机器人可能会miss掉一些地图上边角的小的边界点，而为了解决这个问题，就通过global detector。但随着地图的变大，global detector会越来越慢（或者说，随着树的变大，exploration会变慢），为此需要local detector

关于assigner，其基于以下几个要素来分配机器人导航的目标点： 1、Navigation cost 2、Information gain

参考：