An Efficient Sampling-based Method for Online Informative Path Planning in Unknown Environments

Abstract

new RRT*- inspired online informative path planning algorithm，continuously expands a single tree of candidate trajectories and rewires nodes to maintain the tree and refine intermediate
propose a novel TSDF-based 3D reconstruction gain and cost-utility formulation

Introduction

传统的基于采样的在线informative path plan，通常是把采样的轨迹存储到树中，但是只会执行第一步，这样有两个弊端

• 树的其他部分都被丢弃了，因为只有最好的branch 是被执行的，这样的话会造成计算量特别大；
• 由于倾向于选择局部最优情况，会导致路径非最优，或者陷入到dead-end中；
  为了解决这两个问题，采用的方法是:根据节点的用途重新布线，这样未执行的节点及其子树将保持活动状态。 结合自适应更新策略，可以遍历不断增长的树并对其进行维护