ERCP修改过程

20220402

1. Introduction 需要写一节 Experiments. Introduction 是整个的故事。
2. The Markov clustering algorithm abstracts the graph as a non-negative probability matrix
   -> The Markov clustering algorithm implements the graph with a non-negative probability matrix
   -> The Markov clustering algorithm represents the graph as a non-negative probability matrix
   models image as a graph/matrix
3. ERCP algorithm -> The proposed algorithm, Our algorithm, The new algorithm
4. describe the specific implementation
   -> describe the concrete implementation
   -> describe the implementation
5. In subsection 2.1, we know that the path planning problem can be defined as a 5-triple in Eq. (1).
   The 5-triple is used as an input to the ERCP. In addition, an integer p is used as input to the Markov clustering.
   -> 5-tuple
   -> The inputs include the 5-tuple specified in Eq. (1), and an integer p for the Markov clustering.
6. The function ConvertToGraph()
   -> ConvertToGraph()
7. ERCP has the property of probabilistic completeness. It implies that Eq. (13) is established.
   ->
   ERCP has the property of probabilistic completeness, i.e.,
8. (13) 前的句号

20220401

1. ERCP: Speedup Path Planning through Clustering and Pre-searching
   ->
   ERCP: Speedup Path Planning through Clustering and Pre-searching for Complex Environments

2. However, it is exceedingly difficult to strike a well-balanced between path quality and search efficiency.
   ->
   However, it is inefficient when handling environments with complex obstacles.

effective 是指效果好，efficient 是指效率高
实验里面，有 2 个简单图和 10 个复杂图.

一篇论文的适用范围窄一些，反而容易中. 一个经典问题能够提升某些情况的质量就很好了，而且你这里还是复杂情况.

3. speedy
   -> 口语。在学术论文中没见到。linggle.com
   efficient

4. In the pre-search phase,
   -> 保持一致性
   In the pre-searching phase,

5. We measured the performance of ERCP in different complex environments, comparing it with three state-of-the-art algorithms.
   -> 这一句是实验的介绍，所以不用 We 开头
   Experiments were conducted on twelve maps with different levels of obstacle complexity.

6. Experimental results reveal that ERCP can achieve a convincing balance between search efficiency and path quality.
   -> 故事已经改变了
   Results reveal that in complex environments, ERCP is more efficient than the three state-of-the-art algorithms with little sacrifice in path length.

20220211

1. Introduction 里面，用 In this paper 分界，前面是相关工作，后面是自己的工作。
2. 论文的组织结构是专门的一段。
3. Algorithm Motivation 可以写，但不要写这么长。直接把 RRT* 的痛点列举出来，比如说有三点。这是提出问题的过程。
   提出问题、分析问题、解决问题。
   提出问题、给出方案、对照问题分析方案.
4. 先提出算法，再逐条分析其优点。特别是针对前面提出的几个痛点，你的解决方案是什么？
5. 要有骨头，再有肉。算法、图、表、数学式子是骨头，文字描述是肉。
6. 条理性，相当于程序设计里面的函数。每一段、每一点的第一句就是主题句，只看它就够了。后面的句子只是为它提供更多的支撑。
7. 一般来说，只需要分析自己算法的复杂度。
8. 引理。
9. Figure 1 presents a running example. 放在句首。
10. We use the Markov clustering algorithm 不是 running example 的一部分。
    Figure 2© depicts the map after clustering. 只表示程序运行的中间、最终结果。
    Running example 有几个子图: (a) original map; (b) after clustering; © after pre-searching; (d) final path.
    展示从输出到输出的全过程。
11. 为什么写 running example
    a) 有可能直接的数据量太大，有些东西不好展示（例如实际的数据是 1000*1000, 但 running example 使用 100 * 100）；
    b) 并不是所有数据集都需要展示中间结果，多数只需要最终结果。
12. 算法的描述一般是 how to process, running example 是 what are the middle results?
13. 实验描述：优势是明显的、重要的，劣势是为优势付出的代价。

20220118

1. 结构方面
   如果有 Preliminaries, 就把 Related works 放在 Experiments 之后. 这样更快地切入自己的方案.
2. 参考文献 20 篇太少了
3. 已有工作的介绍仅限于文字，及少量的式子。一般不要用图，绝对不要用算法。必须突出自己的算法。别人的工作要 minimize, 只要是引用了他们的文献就表示尊重了。
4. Figure 3 与 4 展示同样的效果，只是用了不同的图。这样是冗余的。每个 Figure 必须有自己表达的独特的意义。
5. 能不能把 RRT 或者其它算法进行对比？一般来说，至少需要三种对比算法，这样图或表就有4列。可以是经典的或最新的。
6. 两个复杂的图，各画一个 Figure, 需要解释两个图各自的特点，以及不同算法在处理它们时的困难。特别要分析我们的方法为什么有优势（强行解释）？
7. Property 1. The ERCP algorithm is probabilistic complete.
   Proof.
8. 以 Algorithm, 数学式子, running example 为主线，进行文字的介绍。段首: Algorithm 1 dipicts the xxx algorithm. In Step 1,
9. 分小节:
   4.1 Algorithm description (以算法伪代码为核心)
   4.2 Algorithm analysis (以理论分析为核心, property)
   4.3 An running exmaple (以图为核心)

20220113

论文总览
2. 不要用祈使句，用主谓宾.
3. 自己的技术写成三个小点，体现工作量.
4. 投稿期刊是哪类? 机器学习还是自动化?
4.1 机器学习要做大量的实验进行统计比较. 多个数据集, 平均值、方差. 随机生成 100个地图.
4.2 自动化用比较多的实例来说明 (现有风格).
5. 比较算法一般是三种以上
RRT, RRT*
6. 子图太小
7. 如何体现自己的工作
7.1 自己做的是一个框架性的东西, 只是把已有的技术塞进去了. 重视的搭配.
Fan Min, Shi‑Ming Zhang, Davide Ciucci, Min Wang. Three‑way active learning through clustering selection.
紧密还是松散耦合? 如果是前者, 就应该把耦合部分 (接口) 写清楚.
如果是后者, 就应该在各个部分都要进行一定的优化.
7.2 自己做的是一个具体的东西, 只是把已有框架的某一部分进行替换.
7.3 Running example 可以放在方法一节.
Fan Min, Qi-He Liu, Chun-Lan Fang, Rough sets approach to symbolic value partition, International Journal of Approximate Reasoning 49 (3) (2008) 689–700.
8. 伪代码扩充

20211221

1. 路径长度计算
   路径实际上不是曲线，而是由一段一段的线段组成，因此不用积分计算，直接对最终路径循环计算相邻路径的距离（这里使用的是欧氏距离）。
   $\sigma :[0,1]\to {\chi }_{free},\sigma (0)=x_{init},\sigma (1)=x_{goal}$
   可以修改为$\sigma :[x_0,x_1,\dots ,x_n],\sigma [0]=x_{init},\sigma [n]=x_{goal}$.
2. ${\chi }_{goal}$
   ${\chi }_{goal}$是以$x_{goal}$为中心，$r$为半径的一个无障碍物圆形区域。在RRT*的代码中，到达终点的条件不是最新的抽样点抽样到$x_{goal}$，而是抽样点到达${\chi }_{goal}$就视为终止。这就是${\chi }_{goal}$的作用。

20211103

1. 聚类后，使用RRT*在区域间进行拓展，寻找最优路径。

20211102

1. 一个地图做实验，聚类后随机选择起点终点，检验效果。
2. 这个把大地图减低粒度，加快了搜索时间。然后在大块块里面在再进行一个路径规划，如果点数较多，就再进行聚类。
3. 对于不可行的路径，进行剪枝。对于路径长度过长的，进行剪枝。

20211101

1. 将地图上的障碍物聚类成若干部分，即把大区域划分为小区域。
2. 对大区域使用相关算法找可行路径，然后对小区域找可行路径。

20211026

分治，找到大致可行的区域，然后在这大区域里面找出可行的路径。
比如从划分区域，构成100个节点的大区域，然后找到通路。然后在可行的大区域之间找出可行的路径，再次划分为100个节点。

20210920

rrt 多棵树随机生长，然后根据最短路径
多线程计算图
多个蚂蚁同时搜索，提升搜索效率
无论啥搜索，都可以用dijkatra算法，一下走天下，相对来说，计算机搜索效率提升很大，计算不是难事
rrt 广度深度 结合
仿生算法速度慢