Seeing Before Flying: Active Perception Trajectory Planning in Unknown 3D Environments with Limited FOV
无人机在仅依靠水平相机的FOV的情况下到达障碍物的上方，为了效率最高，无人机会选择往上飞尽可能的到达高处，但会发现上方是障碍物，在尽可能感知完自身上方的障碍物后会找到旁边的可行区域，并到达目标位置。
图注：灰色方块表示障碍物; 紫色方块为观测到的障碍物;
绿色圆片为已知区域与未知区域的局部分界，红色箭头为指向已知空间的一侧;
紫色线为当前规划的轨迹，绿色段是主动感知段; 蓝色线为已执行的轨迹;
黑色线为FOV边界（一个四棱锥），红色数字是当前无人机的速度。
提出的方法对比FASTER
FASTER使用两条轨迹，即一条激进轨迹（认为未知空间都是安全的），一条备份轨迹（认为未知空间都是危险的），在激进轨迹末端还是没有观测到未知区域，则切换到备份轨迹，其在障碍物不密集且主要在水平方向运动时，可以满足需求：
然而，其在障碍物密集且只能垂直方向运动时，则表现很差。这是因为其只考虑了安全，没有考虑主动观测。在水平方向上，由于机器人会朝前进方向观测，因此总有机会看到前方，而在竖直方向上，缺乏主动观测会导致无人机难以看到未知区域，导致其在障碍物前面一直停留（最后由于优化不出来直接轨迹规划失败穿墙而过了）：
相较之下，所提出的方法可以对未知区域进行主动观测，因此可以在障碍物密集的情况下，在竖直方向上进行探索到达目标位置。注意，前述和后面的方法采用的是完全相同的前端，因此主动观测的行为都是后端优化的结果。
提出的方法对比SUPER
SUPER使用了类似FASTER的方法，即规划两条轨迹。其假设雷达作为传感器，在水平方向可以360度观测，因此大致在水平方向运动时，效果良好。
下面是两种方法的对比，上面的是SUPER，下面的是所提出的方法，两者的规划结果差不多：
然而，SUPER做出了假设，即无人机周围点云是稠密的，这个假设包含机器人的上下方，然而，大部分雷达的FOV是有限的，在无人机的上下方并没有点云，这就使得该假设不成立。在目标位于无人机的上方时，SUPER会误认为上方也是安全的，因此发生碰撞（注意无人机直接穿越了上方的障碍物，因为是可视化仿真，没有碰撞检测）：
相较之下，所提出的方法合理的限制了FOV的范围，因此可以避免与竖直方向上的不可见障碍物发生碰撞。
提出的方法对比悲观的探索策略
目前，主流的探索策略是悲观的，即认为未知区域都是危险的，因此会在未知区域的边界上进行探索。这一策略也被广泛的应用在轨迹优化中，即规划仅在已知区域上进行轨迹优化，终点设置在未知区域与已知区域的边界。这一方法可以有效地保证无人机的安全，但是会导致无人机在未知区域的边界上徘徊，且过多的刹停，严重影响运行效率。因此我们设计了一个管道环境用于测试，注意为了能看见无人机，管道壁被隐藏了，机器人被要求从底部到达管道顶部：
相较之下，所提出的方法趋向于主动观测，因此可以更快的观测未知区域，比探索策略的速度快30%以上。 可以从视频中看出，无人机会主动后退以获得更大的观测范围，同时避免与未知区域内的障碍物发生碰撞。