标题：MR-TopoMap: Multi-Robot Exploration Based on Topological Map in Communication Restricted Environment
1、研究背景：
拓扑图由一组表示特定区域的顶点组成，所涉及的边连接顶点以指示连通性，由于其传输的数据量很少，在通信受限的条件下具有吸引力。然而对环境抽象表示的拓扑图无法引导机器人避障和探索。因此本文提出了一种新的拓扑图形式，并利用它来构建一个多机器人探索系统。
2、基于创建的拓扑图的探索策略，将探索效率提高35%∼47%。
3、研究方法：
本文提出的基于拓扑图的多机器人探索框架如下图1所示：
图1 基于拓扑图的多机器人探索框架图
拓扑图的构建依赖于视觉观察信息，来决定机器人是否移动到未探索区域，而机器人从前后两个方向观察会产生完全不同的视图。因此本文在模拟和真实实验中分别使用四个90°视场角（FOV）和三个120°视场角（FOV）的RGB摄像头，从而捕捉360°的全景视图。
拓扑图的构建流程如下图2所示，全景相机拍下全景图V，利用图像检索技术，从提取的全景图特征中计算位置描述符。将视图V的描述符与机器人本地拓扑图中所有顶点的描述符做内积，内积越大越有可能是从相同区域拍摄。如果不匹配，表明机器人未到过此区域，则构建新顶点，将此区域的视觉信息存入新顶点。SLAM模块使用Cartographer包建立占用栅格地图，机器人裁剪新顶点周围栅格地图并检测边界，把边界到新顶点的所有方向都存入新顶点中，作为机器人探索引导。同时如果有新创建的顶点和边，则将其发送给其他机器人。
图2 拓扑图构建流程图
图3 地图融合算法
基于拓扑图的探索策略分为地图融合前和地图融合后：
在地图融合之前，即机器人单独探索时。每次到达新地点前（添加新的顶点前），机器人计算现有顶点的中心c。一旦到达新的地点（建立新的顶点）并检测到边界时。先计算每个边界聚类的中心，然后计算顶点中心c到每个边界聚类中心之间的距离，选取距离最远的边界聚类中心点处作为机器人探索地点，贪婪的快速到达未探索区域。
在地图融合之后，每个机器人根据其他机器人各自的所有顶点，计算所有机器人的顶点中心。利用所有机器人顶点中心来计算每个机器人获得收益最高的未探索方向，并作为下一个探索方向，目的是将机器人调度到远离其他机器人顶点中心的方向。
论文实验部分：本文设置了两个模拟地图和实体机器人，分别在模拟环境和真实平台验证。在同一环境分别与基于RRT的方法和基于APF方法（MMPF）对比，并采用探索用时和运行总轨迹长度两个指标。
首先，论文进行阈值的讨论，相关实验表明阈值降低到0.65，探索任务将失败；阈值设置为1，地图合并将失败。因此本文将阈值th设置为0.75。
其次，由于论文方法是利用未探索方向进行探索引导，不进行地图传输和全局地图构建，因此本文在测试中单独做了后台地图融合程序，用于验证全局地图覆盖率。对比实验是在相同的覆盖率下测试了勘探时间和轨迹长度，小环境为99%地图覆盖率，大环境为95%地图覆盖率。测试结果如下图7所示，对比基于RRT的方法和基于APF方法（MMPF），本文的拓扑图方法有效提升了探索效率。
本文提出的在通信受限环境中，基于新的拓扑图形式的多机器人探索系统。提出的机器人在环境中移动时构建拓扑图，以及基于创建的拓扑图的探索策略。每个机器人都存储了用于避障和引导探索的局部栅格图，而不是在它们之间共享。考虑到探索任务，机器人选择正确方向的能力取决于另一个机器人的位置和未探索的区域。
