1.简介
机器人学的研究涵盖了广泛的研究方向。机器人定位、导航和路径规划的应用建立在一个完善的操作环境地图上。在大规模的未知环境中，基于人类引导的探索和地图构建非常繁琐。因此，机器人研究的一个关键问题是研究机器人如何高效可靠地探索未知环境并构建环境地图。机器人配备了距离传感器或视觉传感器，可以在不了解周围布局或障碍物布置的情况下进行系统探测。
最先进的探索方法旨在为单个机器人或一组机器人找到解决方案。在确保环境图的完整性的同时，在勘探任务中最为考虑策略的效率。在应用相同路径规划方法的前提下，适当的策略可以避免不必要的目标点产生的冗余运动，从而大大降低可穿越成本。
为了实现单个机器人的有效策略，本研究提出了一种基于增量缓存拓扑-网格混合映射（TGHM）的机器人自动搜索算法。该算法能够以较少的目标点和较低的时间消耗建立未知环境地图。几何规则用于在活动区域中生成候选目标点[1]。然后，根据周围的未知区域对每个候选目标点进行评估。满足评估标准的每个候选目标点将作为候选拓扑节点包含在拓扑图中。评估标准考虑了信息增益和运动成本。将选择具有最佳评估值的节点作为下一个目标点。拓扑图会随每个动作即时更新。通过使用拓扑-网格混合图，勘探策略组织良好，并自动适合勘探区域。 本研究的贡献分为以下几个方面：
提出了一种基于几何规则的方法来选择活动区域中的候选目标点。几何规则基于传感器信息。与基于前向仿真（FS）的方法相比，该方法可以生成更多的候选目标点，并且只考虑活动区域中的边界，以提高计算效率。
该算法采用TGHM为勘探策略提供全局规划。拓扑图记录所有过去的目标点和尚未访问的候选目标点。当移动机器人到达目标位置并开始下一轮探索时，根据拓扑图提供的运动代价评估每个候选目标点的准则值。此外，网格图提供的每个候选目标点周围的信息增益用于评估每个点的值。最后，选择具有最佳值的候选目标点作为下一个目标点。
通过仿真和实验验证了所提出的自主探索方法。结果表明，该方法可以有效地优化勘探效率。此外，拓扑图有助于防止移动机器人重复探索先前探索的区域，从而大大降低探索成本。在网格地图的帮助下，在最佳路径上执行导航。
本文组织如下：第2节综述了机器人探测的相关工作和前人的研究。第3节描述了该算法的框架。第4节介绍了通过扫描边界选择候选目标的方法。第5节提出了评估候选点的方法以及拓扑网格混合图的构建和更新。第6节为所提出的探索算法提供了详细的描述和示例。第7节讨论了在仿真和真实环境中进行的实验，以对照机器人自动探测中最先进的方法对TGHM的效率进行基准测试。第8节给出了结论并讨论了未来的工作。 2.相关工作
本节介绍了执行机器人探测所需的相关技术，并回顾了以前的工作。
2.1. 相关技术
同步定位和映射（SLAM）[2,三]是探索未知环境的常用技术。根据用于感知周围环境的传感器和观测信息的维数，SLAM可以分为二维或三维系统。2D-SLAM系统配备了激光雷达或声纳等距离传感器。随着移动平台上传的里程表数据，这些系统能够估计机器人位置，并使用概率算法建立表示结构和障碍物布置的2D地图。 地图质量对目标姿态选择和路径规划有很大影响。因此，必须选择适当的算法来构建地图。一种流行的方法是EKF SLAM，它应用扩展卡尔曼滤波器来解决非线性问题。然而，高斯噪声假设限制了其处理不确定性的性能[4]。卡尔托斯拉姆[5]基于图的优化在小环境中具有优势。Stachniss等人[6]研究了RBPF SLAM中的近视探索[7]通过将动作空间离散化为一组可能的航路点，并评估通过采样到达航路点时的近似预期信息增益。这项工作后来通过考虑SLAM解决方案的不确定性的替代措施进行了扩展[8,9]。这些方法考虑了新领域的探索和粒子过滤器一致性的维护[10]近似。 为了以较少的计算负载导航机器人，通常会根据已建立的环境地图生成2D栅格地图或占用栅格地图，用于机器人定位和导航[11]。作为一种度量表示，它是在定义的坐标中对环境的简化但全面的描述[12]。在勘探任务中，栅格地图为路径规划算法细化了可驱动区域，以生成最优路径。它由三种基本单元组成： 成本图[13]是占用网格的一种形式，是一种可配置的结构，它提供机器人导航所必需的信息。成本地图与机器人的尺寸、足迹、安全距离、方向等数据一起，可以为机器人提供一个简化但有效的地图，以规划最佳路径。 Dijkstra可以应用路径规划[14]，A*[15]、和D*算法[16]。Dijkstra的算法可以得到最短路径的最优解，但由于它遍历过多的节点，因此效率很低[17]。A*算法基于深度优先搜索，其计算成本显著低于Dijkstra算法。D*算法比其他两种算法更适合于动态网络。本文选择A*作为局部路径规划算法，而提出的TGHM算法负责勘探中的全局目标点选择。 2.2. 以前的勘探工作
完成机器人探索任务所需的设备如下所示[18]以下为： 移动机器人：它提供建立运动模型所需的里程表数据和机器人特性。
计算单元：它为运行算法提供资源。CPU、RAM、时钟频率和其他单元应考虑与算法的计算要求相匹配，以获得更好的性能。
传感器：它们提供来自环境的传感数据。LIDAT、SONAR、RGB-D和STEREO广泛应用于机器人研究。传感器的精度、频率、范围和其他特性会影响勘探和制图质量。
要探索未知环境，机器人必须具备根据特定策略决定导航位置的能力。一种常见的探索策略是在前沿获得候选目标点[19]然后根据效用函数对这些候选目标点进行评估，以选择最佳目标点[20]。边界检测的合理性和鲁棒性对该策略有很大影响。网格地图上的边界区域通常使用数字图像处理技术进行识别[21,22]。然而，随着勘探区域的扩大，网格地图上边界探测和路径规划的计算量将迅速增加。因此，移动机器人的探测效率将大大降低。此外，基于边界的方法总是选择最近的候选目标点，这将目标点选择的性能限制在一个约束区域内。 弗雷达[23]在前沿理论的前提下，提出了一种混合算法。该算法随机生成观察姿势，并将感知姿势指向未探索的环境。奥里奥罗[24]提出了一种搜索策略，即基于传感器的随机树。在该算法中，下一个勘探节点是当前节点周围随机选择的边界。Tae-Bum Kwon和Jae-Bok Song介绍了一种基于事物的拓扑探索策略[25]基于拓扑图节点在地图中的实时构建。机器人通过分析传感器数据来决定是否探测节点。 最近，提出了一种基于前向仿真（FS）的自主探索算法[26]。该方法首先应用序贯蒙特卡罗规划生成随机潜在路径，然后计算其奖励值。经过多次迭代后，选择奖励值最高的一个作为输出。可以选择路径上的几个点作为移动机器人的局部目标。FS算法实现了比效用函数更高的精度和更好的稳定性。然而，该算法非常耗时，特别是对于迭代计算，并且模拟路径的长度通常是有限的。这些缺点导致效率低下，尤其是在大型环境中。此外，FS算法缺乏全局策略，导致移动机器人在不同时间重复访问同一区域。 上述方法可以实现对未知环境的遍历。然而，在确定下一个探测点时，忽略了运动代价和路径优化。因此，勘探不是最佳的，也不是有效的。Ge等人[27,28,29,30]采用层次拓扑图表示全局环境信息，提高了机器人的探测效率。实现了同时进行路径规划和拓扑映射的环境探索算法。这些方法避免了基于网格图的边界检测问题，但它们在非边界区域生成了不必要的目标点计算。此外，移动机器人的导航是基于拓扑图的，因此移动机器人的路径规划不是最优路径，这增加了探索成本。 为了提高机器人探测的效率，提出的TGHM算法首先采用基于几何规则的方法来避免计算昂贵的潜在路径选择。然后通过增量更新的拓扑图很好地组织全局勘探策略，以生成每个勘探阶段的最佳目标点。将信息增益和运动代价作为目标点选择的标准，确保了探测覆盖率和探测效率之间的平衡。
要评估由探索算法建立的地图，最常见的方法是计算输出地图和地面真实地图之间的差异[31]。因此，构建的地图的完整性或覆盖率是勘探的主要指标[18]。为了提高效率，完成勘探任务的时间消耗被视为另一个指标[32]。此外，本文还将探测中的目标点数量和机器人的行进路径长度作为度量指标。 3.算法框架
如所示图1，提出的TGHM算法框架由两个层次组成： 更详细地说，按钮级应用GMapping算法来执行SLAM[33]。该层计算机器人的姿态，并基于测距仪和里程表数据创建占用栅格地图。对于每一轮自动探索，上层执行五个特定步骤来确定下一个目标点： 在活动勘探区内检测环境边界，并根据环境几何规则生成候选目标点。
这些新生成的候选目标点被添加到拓扑图中作为候选拓扑节点。
不满足要求的候选拓扑节点将被删除。
基于信息增益和运动成本对每个候选拓扑节点进行评估和排序。
将选择值最高的候选拓扑节点作为下一个目标点，该节点将变为拓扑节点。
确定下一个目标点后，运动控制模块负责规划路径并将机器人移向该路径。
以下是本研究中使用的术语的相应定义。
4.候选目标点生成的几何规则
根据环境边界生成候选目标点。传感器扫描范围内的区域可视为活动勘探区域。活动区域的环境边界在本工程中包括两种类型，如所示图2.R（右）指示机器人和传感器的位置。传感器射线用虚线箭头表示。根据传感器数据识别的环境边界标记为实线。 Frontier类型I处于传感器的最高范围。边界类型I的识别规则如下：哪里表示来自的连续测量信号到和是测量极限。方程（1）表明，在传感器测量极限处产生I型边界。n个必须足够大，以确保移动机器人能够安全通过边境。因此，n个可以根据以下公式计算哪里,是距离测量信号，分别表示连续测量信号的右端和左端。是两个信号的角度(,)机器人的。是机器人的最大直径。之间的关系和n个可以表示为.是信号的分辨率。是一个安全距离。尤其是，大于0且小于.如果大于，则方程（2）肯定满足。 边界类型II英寸图2b是根据具有较大差异的相邻信号识别的，如下公式所示：哪里是方向之间的角度和机器人的方向。此外，基于边界类型II生成的候选目标点必须由机器人安全到达，如下所示：哪里,表示来自的连续距离信号到、和是候选目标点和机器人当前位置之间的欧氏距离。 候选目标点在边界前沿的中心生成，边界与候选目标点之间的距离为一，其中一安全距离略大于机器人的最大半径。
5.拓扑-网格混合图（TGHM）
在网格地图中，如所示图3，根据相关工作定义，每个网格可以分为三类之一： 开放网格：无障碍物。
已占用网格：此网格中的障碍。
未知网格：此网格中没有机器人的信息。
TGHM是所提算法的核心，其用途如下：
拓扑节点可以表示为其中，Parents和Children分别是拓扑节点的父节点和子节点。候选拓扑节点只有一个父节点，定义为其中Pose是机器人在此节点处的姿势，如果被选为下一个目标点。是在该位置探索的效用函数的值。效用函数定义如下：哪里是一个正常数，并且是目标节点之间的拓扑距离和当前节点。信息增益可以根据未知网格的数量计算，表示为.具有最大值的候选拓扑节点被选为下一个目标点。 常量用于权衡运动成本与预期信息增益。一个小的意味着该动作“便宜”，并优先考虑信息获取。什么时候？运动成本太高已选中。因此在填写细节之前，引导机器人快速探索环境。相比之下引导机器人在环境中前进的同时不断地填写细节。
5.1. 评估网格图上的候选拓扑节点
基于FastSLAM的探索[34]通常使用占用栅格地图来显示环境。构建占用网格图后，网格可以分为三类，即占用网格、开放网格和未知网格，如所示图3a.阴影网格表示未知网格，空白网格表示开放网格，网格阴影网格表示候选拓扑节点。圆形虚线表示大致的遍历范围。 候选拓扑节点的信息增益可以用周围未知网格的数量表示。为了计算未知网格的数量，在呼吸第一次遍历的基础上遍历网格。表示的遍历网格数N个受遍历范围的大小限制。网格遍历范围的大小应根据实际情况确定。要计算N个，将穿越区域定义为具有传感器测量距离半径的圆形区域。的价值N个可以限制如下：哪里是栅格地图分辨率。占用的网格不会被遍历。 当障碍物退出穿越范围时，其形状可能会发生扭曲，如所示图3b、 c.黑色网格表示阻挡导线的障碍物；因此，无法到达的区域将不计入信息增益。 5.2. 建立和更新拓扑图
每个不满足要求的候选拓扑节点都将从拓扑图中删除。要求是在遍历每个候选目标点时，记录的未知网格数()必须大于固定值(). 计算如下公式所示，其中k表示候选目标点的序列号： 固定值根据地图的质量要求进行调整。当质量要求较高时，固定值较小。高质量意味着在勘探完成时，网格地图上未知网格的数量较低。
图4显示了候选拓扑节点的建立。空白区域和阴影区域分别是自由区域和未知区域。R是机器人的当前位置。在图4a、 由几何规则生成的三个候选目标点用1、2和3表示，这些点作为候选拓扑节点包含在拓扑图中。该线是拓扑图的连接线。然后，开始更新拓扑图。圆形虚线表示遍历范围。信息增益，通过公式（10）计算，通过公式（9）计算出冗余候选拓扑节点。假设点1不合格，并且由于的值较低而被删除，仅第2点和第3点的信息增益高于作为候选拓扑节点插入到拓扑图中，如中所示图4b。 当探索开始一段时间后，可以生成一个小的拓扑图，如所示图5。已访问的每个目标点将用作拓扑节点（I、II、III）。这些节点由粗实线连接。候选拓扑节点由细实线连接。 当访问一个目标点时，将更新每个候选拓扑节点的信息增益。如果，则会排除相应的候选拓扑节点。在这种全局规划的指导下，移动机器人可以快速确定下一个未知区域，从而大大减少重复探索，提高效率。当没有找到候选拓扑节点时，探索就结束了。
6.基于TGHM算法的探索
图6给出了所提出的搜索算法的模块结构。功能模块由圆角矩形框表示。SLAM-G映射[33]是激光SLAM算法的模块化应用。GMapping ROS[35]节点包含坐标变换、机器人姿态优化和网格地图更新。其中，坐标转换涉及里程表、传感器和机器人坐标系统。TGHM节点从传感器、每个坐标和网格图接收数据。在传感器扫描的基础上，生成候选目标点，并将其转换为候选拓扑节点。根据网格和拓扑图评估候选拓扑节点，以选择最佳目标点。速度控制命令是通过Move_base输出的[36]将移动机器人引导至目标点。 算法1描述了该算法的整个过程。| 算法1：TGHM勘探算法 |
| 输入：激光数据X（X）由激光雷达生成；里程表数据O（运行）由移动机器人生成； |
| 过程： |
| 1: | 初始化拓扑节点集T型吨具有原点位置P（P）0:T型0 ={P（P）0}; |
| 2: | 初始化网格映射M（M）根据X（X）和O（运行）和拓扑图T型根据T型0; |
| 三： | 初始化候选目标点集C类0，候选拓扑节点集N个0:C类0,N个0 =∅； |
| 4: | 初始化吨作为勘探的整数：吨=1； |
| 5: | 重复 |
| 6: | 更新C类吨几何规则生成候选目标点； |
| 7: | 如果C类吨 ≠∅ |
| 8: | 更新N个吨筛选出的候选目标点满足C类吨:N个吨=Nt−1 （C）吨; |
| 9: | 根据等式（10）和（11）过滤候选拓扑节点：
N个t吨=N个吨\{否吨}不合格的; |
| 10: | 其他的 |
| 11: | N个吨=N吨−1; |
| 12: | 如果结束 |
| 13: | 如果N个吨≠ ∅ |
| 14: | 从中选择值最高的节点N个吨通过方程式（9）作为下一个目标点P（P）吨; |
| 第15页： | 其他的 |
| 16: | 探险结束：返回M（M）和T型; |
| 17: | 如果结束 |
| 18: | 激励机器人朝向P（P）吨和更新M（M）根据X（X）吨和O（运行）吨; |
| 19: | 转弯P（P）吨到拓扑节点并更新T型吨相应地：T型吨=T吨−1∪ {P（P）吨},N个吨=N个吨\{P（P）吨}; |
| 20: | 更新拓扑图T型具有T型吨; |
| 21: | 吨=吨+ 1; |
| 22: | 直到调用返回 |
| 输出：已建立的地图M（M）和拓扑图T型; |
本节的以下部分讨论了所提出的TGHM算法的两个主要部分，并通过示例实验说明了详细的过程。
6.1. 提取候选目标点
为了验证基于几何规则生成候选目标点的有效性，示例实验如所示图7.R（右）是机器人的姿势。中的红线图7a和红色边界图7b分别是激光射线和激光扫描的边界。左侧设置了几个障碍物。一次激光扫描生成两个候选目标点，如绿色点（I、II）所示图7b.点I和点II分别是边界类型I和II的点。区域III中没有候选目标点，因为该区域不可通过，且该方向的激光测距距离不满足等式（5）和（6）。因此，根据等式（10）和（11）进行过滤后，将点I和点II作为候选拓扑节点馈送至TGHM算法。 6.2. 构建和更新拓扑图
为了验证TGHM算法的有效性，本研究设计了一个代表性实验来演示基于TGHM的探索过程。如所示图8，环境大小为。访问的拓扑节点由红色的边连接，构成拓扑图的探索部分。蓝色的边连接有价值的候选拓扑节点，这些候选拓扑节点用前几轮生成的数字标记，绿色的边在活动区域内围绕机器人所在的当前拓扑节点生成。图中的黑色对象表示机器人及其位置，红色箭头表示中选定的下一个目标点的位置和方向图8II、 （三）。 在图8一、 机器人位于X位置，进行了两轮探索。节点（1、2、4和8）是由前几轮生成的，如果几何体规则没有生成新的候选目标点，则后面将达到该值。当前生成四个候选拓扑节点（3、5、6和7），并选择根据方程式（9）计算出的值最高的候选拓扑节点作为下一个目标点。在图8二、 一旦机器人到达与（I）中的节点（7）对应的位置Y，所有候选拓扑节点都会更新。（II）中没有生成新的候选节点，并且由于候选拓扑节点（5、6和8）的信息增益相对较低，因此将其删除。暂时保留节点（1、2、3和4）。然后，TGHM算法选择效用值最高的节点（3）作为下一个目标点。随后，从拓扑图中删除节点（4），并选择节点（2）作为下一个点。如所示图8三、 机器人到达与节点（2）相对应的位置Z，并生成一个新的候选目标节点（9）。节点（9）被选为下一个目标点。一旦机器人到达节点（9），节点（1）就会因其更新值低而被删除。图8IV在完成探索后显示TGHM，机器人到达与节点（9）对应的位置E。当没有生成候选拓扑节点并且访问了所有更新的拓扑节点时，TGHM算法暂停机器人的操作并宣布探索结束。 7.模拟和实验
进行了以下仿真和实验，以验证所提算法（TGHM）在探索中的优势。模拟激光数据在（−135°，135°）范围内运行。激光极限为5.0 m，扫描间隔为0.375°。激光的样本数为720个。真实世界的实验是在带有激光雷达传感器的移动机器人上进行的。
7.1. 仿真
通过一系列仿真验证了TGHM算法在勘探效率方面的优势。模拟地图是地图，如所示图9在模拟中使用了三种算法，即TGHM、FS[26]和天真[19]。三种算法的每个实验都模拟了10次，以确保再现性。 模拟机器人可以现场转动，并通过应用线速度和角速度进行控制。最大线速度为1 m/s，最大角速度为1 rad/s。机器人配备了最大范围为5.0 m的激光测距仪，扫描范围为−135°至135°。
图9显示了三种算法获得的轨迹。方块是在移动过程中生成的目标点。对于天真算法，目标点以1 Hz的频率生成。机器人移动到目标点，无论是否已到达最后一个点。因此，许多目标点未被访问，如所示图9a.输入图9b、 FS算法每次计算花费的时间相对较长，这限制了模拟规划器的距离。与前两种算法相比，TGHM算法计算的目标点最少，如所示图9c、 其花费的时间最少，如所示图9d.对于建立的地图的质量，所有三种算法都在仿真中实现了高覆盖率，如所示图9e.行驶路径长度数据也绘制在图9f、 这表明所提出的TGHM算法能够在较短的路径内完成探测。 表1显示了模拟实验的基准测试结果，其中第1列到第10列表示每个算法的10个模拟结果。由于这三种算法都能够建立完整的环境地图，因此时间消耗、目标点数量、地图覆盖率和行进路径长度是主要指标。时间消耗直接反映了探索算法的效率以及与计算量和机器人移动平均速度以及行走路径长度相关的目标点数量。一旦建立了环境地图，地图对地面真实情况的覆盖率将影响机器人的导航性能。 结果来自表1结果表明，TGHM算法的时间开销和目标点的平均数量是测试算法中最低的。基准算法的覆盖率很接近。主要原因来自以下几个方面： 候选目标点的生成基于环境几何规则。可以快速获得有价值的候选目标点，避免了迭代计算。因此，每一轮勘探的时间消耗大大减少。
增量缓存TGHM用于为整个勘探任务提供全局规划。每一轮都会更新拓扑图，并且只保留环境地图覆盖所需的有价值的节点。
与其他两种算法相比，TGHM算法的目标点数最少。因此，减少了所有目标点所携带的时间消耗，大大提高了勘探效率。
对于所提出的TGHM算法，行走路径长度相对较低，因为目标点数量较少，在地图覆盖率略有差异的情况下，机器人的运动规划更好，平均速度更高，冗余运动更少。
图10显示了基于TGHM算法的机器人自主探索过程。细红线连接访问的拓扑节点。每个候选拓扑节点都通过边连接到其父拓扑节点，红色表示访问的节点，蓝色表示未访问的节点。如前面在等式（10）中提到的，保留拓扑节点的要求是每个候选拓扑节点的信息增益必须大于固定值。黑色箭头指示当前目标节点的位置和方向。图10I、 II显示了当移动机器人倾向于从节点O移动到点A时，经过几轮探索后的机器人和地图。在相应地更新网格和拓扑图后，添加拓扑节点A，并删除其他信息增益不合格的候选拓扑节点。一旦机器人到达节点A的位置，下一轮就开始了，新的拓扑节点B被选为下一个目标点。在图10三、 移动机器人从A点移动到B点，并且没有生成任何新的具有足够信息增益的候选拓扑节点，这表明该活动区域得到了很好的探索。考虑到拓扑路径代价和信息增益，选择候选拓扑点C作为下一个目标点。图10IV显示了自动勘探的最终效果。拓扑图有助于后续导航。 7.2. 实验
实验在Turtlebot II机器人平台上进行[37]配备URG-04LX-UG01[38]激光扫描仪（LIDAR），如所示图11激光扫描仪的扫描范围为240°，角分辨率为0.352°，可检测范围为20至5600 mm，分辨率为1 mm。其测量精度在0.06至1米范围内为+/-30毫米，在1至4米范围内是检测距离的3%。扫描仪连接到计算单元，并水平安装在Turtlebot的顶部。 图12图为华东科技大学校舍。环境的大小为虚线区域是移动机器人的探索范围。移动机器人的任务是在没有人工操作的情况下构建导航地图。红色箭头指示的位置是机器人的起始位置。同样，使用三种算法（TGHM、FS和Naive）执行探索任务。 图13显示了使用三种算法的机器人轨迹。方形点表示勘探过程中由算法生成的目标点。在图13a、 当机器人在点S开始探索时，点P在第一轮中生成为候选拓扑节点。当移动机器人位于点O且算法未生成满足要求的候选拓扑节点时，点P成为附加候选拓扑节点的下一个目标点。当机器人到达P点时，勘探完成，拓扑图更新，如所示图13b。图13c显示了基于FS算法的机器人探测轨迹。结果与仿真结果相似，只是当FS算法在FS过程中没有生成目标点时，Naive算法被称为补充。从A点到B点，从B点到C点，由于FS算法没有生成目标点，因此在FS算法中调用了Naive算法。 图13d显示了基于Naive算法的勘探轨迹。天真算法无法探索整个环境地图，因此机器人的路径相对较短。图中的阴影表示Naive算法没有探索的部分。但考虑到生成的目标点和无法到达的点的无序性，时间消耗高达FS。 表2演示了真实世界的实验结果，其中第1列到第3列对应于每个算法的三个实验。如所示表2朴素算法只建立了部分环境地图，覆盖率为74.87%。提出的TGHM算法和基准FS算法在较小的差异下实现了较高的覆盖率。然而，在时间消耗和行程长度方面，TGHM算法显示出更高的效率。几何-规则候选生成方法和拓扑-网格混合映射生成的目标点数量较少，这导致机器人移动更加高效，探索更加省时。 7.3。讨论
在本节中，我们将讨论模拟和实验的结果。仿真和实验均表明，在保持已建立地图的高覆盖率的情况下，使用增量缓存拓扑-网格混合地图（TGHM）的该算法实现了更有效的探索。几何规则方法，如第4节，首先加速候选点的生成。然后，拓扑-网格混合映射过滤冗余候选点，并以最大信息增益的方式排列节点。拓扑图在每一轮探索中更新和删除宝贵的节点，以保持机器人的运动效率。 请注意，基准算法之间的行进路径长度差异小于探索时间差异。这是因为根据几何规则生成的目标点越少，机器人的运动速度越快，速度越快。
8.结论
本文提出了一种基于增量缓存TGHM的算法来解决机器人的自动探测问题。与映射效率较低的FS和Naive算法相比，本文提出的TGHM算法通过考虑信息增益和拓扑路径代价来选择目标点。因此，总勘探时间大大缩短。然后，移动机器人可以以更高的稳定性和效率探索环境。可以有效地遍历已建立的地图，并生成整个栅格地图。
通过仿真和实验，证明了该算法在探测效率方面的优势。未来的工作分为以下两个方面。首先，候选目标点的生成将从二维扩展到三维，这可以帮助移动机器人避免许多现实限制。其次，拓扑图将进一步优化。例如，可以将两个近拓扑节点合并为一个。将使用更复杂的结构来表示拓扑图，其中可以形成循环。
