具体参考:

里面的参数系列:

Planning algorithm settings:规划算法相关的一些参数，比如说如何评价随机采样生成的轨迹的优劣，使用这个公式: k=a*i+b;还有指明迭代次数num_kernels,以及采样的粒子数，每一个粒子携带一条轨迹，既然涉及到粒子，重采样相关的参数resample_thresh自然也是少不了。

需要重点说明的是这个采样模型，使用的是Gaussian kernels。一开始的时候，"trajectories are sampled from a uniform distribution（均匀分布）",然后" iterations from Gaussian kernel centred(集中在) at the previous evaluated trajectories(预先评判的轨迹)"。

轨迹采样过程是通过定义Gaussian kernel的standard deviations;至于这个Gaussian kernel模型，其主要组成参数：(linear velocity线速度:std_vel),(angular velocity角速度:std_ang),(a final rotation at the end of the trajectory轨迹末端的最后的旋转角度:std_fr)".

在每一次迭代过程中，Gaussian kernel used to modify each trajectory samples from three indepent Gaussian distributions(三个独立的高斯分布)。

Planning settings and constrains:这里面有两个重要参数，其中allow_unknow_targets,控制着在不是free spaces的地方，planner是否去产生exploration tasks。将这个参数设置为false,会让整个探索变得更加保守，只会在已知free的地方去设置exploration goals。另一个参数是default_ctrl_duration,含义是每个control action的持续时间。这也决定了planner考虑的轨迹的持续时间。

Simulated laser scanner parameters:模拟激光的相关参数。因为要对observations进行采样,通过激光传感器来做。

注意这句话:"The node samples observations via raytracing with a simulated laser range finder assuming a map hypothesis consistent with the current costmaps."

以及"These observation samples are applied to evaluate the trajectories."采样出的observation，是用于评判生成轨迹的质量的。

既然是与激光有关，那就是一些常见的参数了，激光的最小incidence angle与最大incidence angle，两束激光射线之间的角度间隔，激光可测量到的最大距离，以及因为激光传感器有测量误差，我们假定两个概率:

laser_p_false_pos:probability of false positive (假阳性)reading for the laser(free cell observed as occupied：空闲的栅格被视作占据的)；

laser_p_false_neg:probability of false negative（假阴性） reading for the laser(occupied cell observed as free:占据的栅格被视作空闲的)；

3.什么时候调用frontier_exploration包，强化学习算法失效时，就回调经典包

至于何时调用frontier_exploration包，README.md解释，如果这个ase_exploration检测到机器人被困或者产生的局部轨迹不是很具有信息性(heuristic)，那么就会调用经典的frontier-based exploration 去选择下一个探索目标，"and afterwards again resumes planning via forward simulation of local trajectories."

4.如何调用经典包:frontier_exploration

至于怎么调用这个frontier_exploration包，这里ase_exploration包是通过引用frontier_exploration包srv文件夹下的GetNextFrontier.srv,UpdateBoundaryPolygon.srv这两个服务。

而这个frontier_exploration包，除了plugin插件用于rviz显示，重要的就是costmap了。乍一看这个包，最吸引人的应该是src目录下的frontier_search.cpp里，这里主要还是搜索算法在起作用，可以在里面看到队列这些常见的数据结构。附带链接:Frontier-based exploration介绍

5.References

i)frontier_exploration包对应源码:有坑，需要自己填。其实也就是melodic版本下没有ase_exploration需要调用frontier_exploration的两个service对应的srv文件：GetNextFrontier.srv,UpdateBoundaryPolygon.srv。可以到indigo版本下把srv文件拷贝下来，添加到melodic版本里，另外对应CMakeLists.txt文件是需要修改的。

ii)frontier_exploration包对应的论文:“A Frontier-Based Approach for Autonomous Exploration”.

iii)ase_exploration包对应的源码:https://github.com/laurimi/ase_exploration

iiii)ase_exploration包对应的源码的readme.md截图：

iiiii)ase_exploration包对应的论文:"Planning for robotic exploration based on forward simulation".

iiiiii)关于ase_exploration包的相关中文介绍：

"ase_exploration"----一种开源的主动SLAM系统介绍_辜鸿铭的博客-CSDN博客_主动slam​blog.csdn.net/qq_24893115/article/details/78335136?spm=1001.2014.3001.5501

6.总结

这个包综合性很强，首先gmapping建图，使用其本质--占据栅格地图构建，

然后用到了move_base包，使用其costmap--通俗就是图层，

最后用到了强化学习的本质--多个观察observations，评价函数，设置奖励，输出动作，或者输出目标。(强化学习一个示例，我的毕设作品:)

PS：ase_exploration包真是入行slam领域1年的slamer的提升的好助手！赞赞b(￣▽￣)d