论文阅读笔记：Distributed multi-robot coordination in area exploration

感知与建图：机器人在这一阶段通过自身感知信息，与其他机器人交流获取信息，并广播新获得的地图信息。同一个子网下的机器人获取新的信息后更新自身的local map，并查找frontier cells。
竞标：通过判断当前时间与最佳竞标开始时间判断是否存在快要被关闭的竞标会话，如果是，则会等待下一次竞标而非参与当前竞标，否则将地图的更新发送给其他子网成员。

bid calculation

竞标的值由三个因子组成： $I_i,D_i,\lambda_i$ ，其意义分别如下：

$I_i$ ：机器人移动到该目标点所能探测的未知区域的面积，其中不包括已经或者将要被其他机器人探测的未知区域的面积。它表征的是机器人移动到该目标殿所能获取的“独有”信息的量。
$D_i$ ：机器人与目标点之间的距离。
$\lambda_i$ ：Nearness Measure。
最终投标的值： $B=max_i (g_i)$

竞标（略）

通信延迟（略）

地图同步

不同子网中的地图是不一致的，当两个这样的子网融合为一个网络时，需要将它们彼此不同的地图也进行融合，而融合过程中涉及的传输信息量是一个重要的考虑因素。传统的方式是将整张地图进行交换。但是这种方式的弊端是传输的信息量过大。一个理想方式在传输过程中只交换差异的地方，但事实上子网之间并不知道彼此之间的差异。为此，作者在论文中提出采用raw map table来记录各自地图的更新量。

Scheme for map storage and map update tracking

每个机器人需要维持三种数据结构：（1）raw map table，用于记录每个机器人所发现的地图信息；（2）local map，机器人本地所构建的地图。（3）last-sequence-number table，用于记录机器人 $R_i$ 所知道的各个机器人的最新更新步序号。如下图所示：
论文阅读笔记：Distributed multi-robot coordination in area exploration

其中：

$\Delta M_{pq} = \{{\cup}(x,y,Value)\}$ ：机器人 $R_p$ 在第 $q$ 步获取到的地图信息。

地图同步算法

处于不同子网中的机器人 $R_i,R_j$ 相互发送last-sequence-number table
$R_i$ 基于 $R_j$ 的last-sequence-number table，计算差异信息，并将之发送给 $R_j$ 。同理， $R_j$ 也要进行上述过程。差异信息计算公式如下： $\Delta M_{i \to j}=\cup_{p=1}^{n} \Delta M_p(j_p,i_p]$ 、 $\Delta M_{j \to i} = \cup_{p=1}^{n}\Delta M_p(i_p,j_p]$
更新last-sequence-number table: $R_k = max(i_k,j_k)$
广播更新信息

$\Delta M_i(p,q] = \cup_{j=p+1}^{q} \Delta M_{i,j}$ ，表示的是机器人 $R_i$ 在 $p$ 步和第 $q$ 步所发现的地图信息。

$\cup_{p=1}^{n} \Delta M_p(j_p,i_p]$ 表示的是机器人 $R_i$ 和机器人 $R_j$ 所知道的关于所有机器人所知道的地图信息差异的总合。

参考文献

[1]: Sheng W, Yang Q, Tan J, et al. Distributed multi-robot coordination in area exploration[J]. Robotics and Autonomous Systems, 2006, 54(12): 945-955.

Distributed multi-robot coordination in area exploration

摘要（略）

简介（略）

多机器人探索模型

环境和机器人模型

Measure Nearness

分布式竞标算法

sensing and mapping