本文作为Autonomous Exploration论文阅读系列的导言，主要介绍自主探索问题的基本概念与通行框架。在本系列后续文章中，将忽略共性内容，主要介绍每种方法的个性之处及主要贡献。一、 概述

机器人可通过导航系统自行完成点到点的移动，但其实现高度依赖全局地图。SLAM可以建立全局地图，但需通过手持、遥控、驾驶等方式，手工遍历整个环境。一旦撤掉操作人员，机器人的应用就会受限于导航与SLAM间这种“鸡与蛋”的因果困境。

自主探索（Autonomous Exploration）系统就为解决这类问题而生。借助探索算法，机器人可以自主遍历未知环境，建立完整的地图，全程无需人工的介入。从表现上看，自主探索系统其实是把 SLAM 手工遍历环境的过程自动化了，因此也被归入主动式 SLAM（Active-SLAM）的范畴。

一些能针对局部环境做出快速反应的规划器（如fast-planner）也能在未知环境中实现自主导航，但仍需手动给出目标点waypoints。二、 系统框架

一个完整的，能够直接指导机器人运行的自主探索系统包含三部分：

自主探索系统框架1. 目标确定

由系统主动给出，而非人为指定行进目标，是自主探索问题的核心环节。一般而言，环境建模与运动规划方案已被提前选定，对自主探索问题的研究就是对如何确定行进目标，即“下一步要往哪里走”的研究。

大多数的自主探索工作只关注（或主要关注）如何确定行进目标，而不过多研究如何进行运动规划，对环境建模的关注则更少。

2. 运动规划 运动规划（Motion Planning）区别于只给出可行道路的路径规划（Path Planning），它通过优化路径、将路径点与姿态/速度关联等方法，帮助机器人在复杂约束下正确、快速、平稳地执行路径。

许多研究者不仅设计确定目标的方法，还会设计相应的运动规划策略，将两者共同纳入一个探索系统进行研究。一个高效、稳定的自主探索系统，离不开与其目标确定方法、传感器特征、平台运动性能等相适应的运动规划方法。

3. 环境建模

环境建模即环境地图的构建。建模部分的运作则较为独立，与其他环节保持一种松耦合的关系：产出的地图信息作为目标确定、运动规划的依据；机器人的运动则又扩展了地图的覆盖面积。

该环节多依靠已有的 SLAM 系统完成，同一种探索方法经少量修改，可以与多种 SLAM 方案共同使用。也正因此，在评价一个探索系统的优劣时，一般不以建图精度作为衡量指标。

三、 实现策略

绝大多数现代的自主探索方案在确定行进目标时，都基于边界区域（Frontier Region）和最佳视角（NBV, Next Best View）的思想。

边界区域是自主探索问题中的常见概念，指地图中已知区域和位置区域相邻之处。1. 选取行进目标的典型流程

一个自主探索系统选取行进目标的典型流程包括：

(1) 搜索边界区域，并以区域上的点为备选视点（View Points）；

(2) 计算备选项的路程代价（Cost of Travel, 前往某点所需路程长度）、信息增益（Information Gain, 某点能观测到的未知区域大小）等指标；

(3) 通过上述指标，计算备选项的综合收益，从中选取综合收益最大的视点，作为机器人下一步的行进目标，力求让机器人经过最短的路程，获取最多的未知区域信息。

这里列举的是Frontier-based方案的选点流程。狭义上讲，NBV方案指那些完全不考虑寻找frontiers，而是在所有已知空间中产生viewpoints，再去比较综合收益的方法；Frontier-based方案则指那些寻找frontier再做比较的方法。而广义上来说，frontier也可以理解为一种NBV方法，只不过viewpoints直接在frontier region中产生。2. 自主探索方案间的区别

不同自主探索方案间的主要区别一般在于：

不同探索系统选取最佳视角的方法花样繁多。除了不同的综合收益计算方法外，还会引入角度差异、时间代价等衡量指标，有时也会对信息增益的计算方法进行重新设计。

除上述四点外，还有为提升系统鲁棒性及探索效率，减少计算开销所做的零散改动。

也有少数论文从不同的角度看待这一问题，如将探索过程看作一个部分可观察的马尔可夫决策过程（POMDP）来处理[Paper]，或使用深度学习赋予探索算法空间结构常识等[Paper]。

四、 总结

探索问题一直是SLAM领域一个不温不火的子方向。相关系统自上世纪九十年代发展至今，在多数场景下，已经能够较高质量的完成建图工作，同时形成了一套完整的技术范式。

当前，探索问题的研究内容、研究方法已经明显区别于建图、规划、定位这些传统任务。由于其在无人环境中的显著优势，以及社会对机器人更高自主性的期待，这一问题也将得到持续乃至更多的关注。

（下图所示为TARE planner的室内仿真环境探索过程。相关论文获得了RSS2021 Best Paper Award。）

在 Matterport环境中进行探索的TARE