Explore Locally, Plan Globally: A Path Planning Framework forAutonomous Robotic Exploration 论文笔记-CSDN博客

尽管本文文章的标题是局部探索和全局探索的框架，但本文仍然提出的是一种机器人环境探索方法，此方法与Alexis老师之前的论文有很多相似之处，探索的框架仍然是采用了Local Planner和Global Planner，但与之前的graph-based的探索方法相比，局部规划器不再采用RRG的形式，而是采用了RRT*算法进行采样空间（两者本质上都是一种图），进一步节省了遍历时间和路径代价，并且在best path的选取上添加了安全评分机制（距离障碍物越远越好），本文还对graph-based那篇论文中的一些概念做了新的解释。本文所提算法的优缺点：

优点：1、采用了RRT*算法作为Local Planner的采样算法，通过RRT*的父节点重选和重布线机制，可以同时做到减少边的数量和减少路径代价。2、把节点与障碍物的距离作为一个安全评分项加入到选取best path中，避免了UAV在复杂地下环境与障碍物发生碰撞。3、继承了graph-based的优点。

缺点：1、不能解决随机采样算法的通病，难以通过狭小细窄的入口。2、探索后期，全局图的规模巨大，需要耗费很大的计算资源去判断去往哪个frontier和寻找通向frontier的路径。

二、系统概述

以上是整个探索过程的流程图（与之前的graph-based的架构差不多，可以看这里），LP（Local Planner）负责在以机器人为中心的一个体积空间DL内生成RRT（本文没有对树的过程作过多解释，不过应该和graph-based方法一样，有一个最大边数和节点数的限制，一旦超过了数量停止结束），然后一个信息增益的评价函数和聚类算法，得到一组good path。然后利用安全评分机制对这一组good path进行评分，选出评分最高的作为best path。这是LP的一个iteration。GP（Global planner）仍然采用全局图（global graph）的形式，并且在LP工作时，全局图也一直在生长，主要负责归巢和选取剩余frontier。因此，在LP的iteration后面会做一个续航检测，如果电量足够，就执行这个best path，反之归巢（Go home）。

三、算法概述

本文提出的探索算法其核心仍然是两个planner（即：GP和LP）（PS：当今探索算法的框架貌似都是这样，分为局部和全局）

3.1 局部规划（Local planner）

LP的作用：通过RRT*算法生成RRT，通过RRT来计算出机器人当前要去的目标点以及最佳路径。

算法伪代码如下：

（与graph-based中的LP大致相同，此处请各位读者查看我之前的文章看一下，本文仅介绍不同的地方）

1：获取当前机器人的位置作为RRT的根节点（PS：本文中，位置坐标均已configuration表示）

2：通过BuildLocalTree函数在一个有限的空间内生成局部RRT

3：生成好的局部树有多个末端节点，找出所有由根节点到末端的路径

4-11：对所有的path计算探索信息增益，取最大值的path作为good path（增益函数与graph-based相同）

12：利用cluster算法得到一组与good path相似的good paths

13：利用safety score的方法，从一组good paths路径中筛选出评分最高的作为best path。

（以上为local graph的一个迭代过程，也就是说这个过程每到达一次目标点就会迭代一次，直至exploration结束）

关于RRT*算法，网上有很多介绍，与RRT生长过程大致相同，比RRT算法增加了重新选择父节点和重布线，比RRT进一步缩短了路径长度，具体关于RRT*的介绍，读者可以看看这篇文章。

至于为什么抛弃原来的Local graph，个人认为原因应该是graph是一种类似于网状的结构，我们可以从graph上找出很多路径，最终我们要选择最短的一条路径，那么其他的路径就是冗余的，会耗费宝贵的计算资源，而RRT*在生长时会根据路径长度不断调整自己的边（重选父节点和重布线），因此它在长树的规程中就已经把冗余的边剪掉了，节省了计算资源。