Exploration is a fundamental problem in robotics that requires robots to navigate through unknown environments to autonomously gather information about their surroundings while executing collision-free paths. In this project, we propose a method for producing smooth paths during the exploration process in indoor environments using UAVs to improve battery efficiency and enhance the quality of pose estimation. The developed framework is built by merging two approaches that represent the state of the art in the field of autonomous exploration with UAVs. The overall exploration logic is given by GLocal, a paper that introduces a hybrid, i.e. both sampling-based and frontier-based, framework that is able to cope with the issue of odometry drift when exploring indoor environments due to the absence of absolute localization, e.g. through GNSS. The second approach is FUEL, which introduces a frontier-based exploration methodology which computes the ’drones path as an optimized non-uniform B-Spline. The framework described in this thesis borrows the optimized B-Spline trajectory generation from FUEL and implements it in GLocal. To do this, the original cost function defined by GLocal for each exploration viewpoint was modified and the resulting samples were used to select the initial control points of the B-Spline. Furthermore, we extended the underlying state machine governing the entire algorithm and we revisited the original re-planning logic. The presented system is evaluated in various simulated environments, showcasing the advantages and disadvantages of this method. These evaluations demonstrate its improved state estimation performance and absolute observed volume, albeit at the expense of longer traveled trajectories in big and complex environments. / Utforskning är ett grundläggande problem inom robotteknik som kräver att robotar navigerar genom okända miljöer för att autonomt samla in information om sin omgivning samtidigt som de utför kollisionsfria banor. I det här projektet föreslår vi en metod för att producera jämna banor under utforskningsprocessen i inomhusmiljöer med hjälp av UAV:er för att förbättra batterieffektiviteten och förbättra kvaliteten på posestimeringen. Det utvecklade ramverket bygger på en sammanslagning av två metoder som representerar den senaste tekniken inom autonom utforskning med UAV:er. Den övergripande utforskningslogiken ges av GLocal, en artikel som introducerar en hybrid, i.e. både samplingsbaserad och gränsbaserad, ram som kan hantera problemet med odometridrift vid utforskning av inomhusmiljöer på grund av frånvaron av absolut lokalisering, e.g. genom GNSS. Den andra metoden är FUEL, som introducerar en gränsbaserad utforskningsmetod som beräknar drönarens bana som en optimerad icke-uniform B-Spline. Ramverket som beskrivs i denna avhandling lånar den optimerade B-Spline-banegenereringen från FUEL och implementerar den i GLocal. För att göra detta modifierades den ursprungliga kostnadsfunktionen som definierades av GLocal för varje utforskningspunkt och de resulterande samplen användes för att välja de initiala kontrollpunkterna för B-Spline. Dessutom utökade vi den underliggande tillståndsmaskinen som styr hela algoritmen och vi reviderade den ursprungliga logiken för omplanering. Det presenterade systemet utvärderas i olika simulerade miljöer, vilket visar fördelarna och nackdelarna med denna metod. Dessa utvärderingar visar på förbättrad prestanda för tillståndsuppskattning och absolut observerad volym, om än på bekostnad av längre färdvägar i stora och komplexa miljöer.