一、方法讲解：
本项目分为三个部分：机器人周围一定范围内基于RRT的全局检测，
根据上一步检测的未知区域点执行sklearn.cluster.MeanShift聚类，获取聚类中心；
根据聚类中心计算各点增益，取最大增益点为目标，调用move_base规划路径和控制机器人行走。
二、各部分详解：
2.1 基于RRT的全局检测：检测未知区域点并发布
以机器人为中心，激光采样范围为半径的正方形区域内，采用RRT算法计算未知区域点：如果RRT计算的某点在要计算的地图范围内，并且该点在地图内的状态为空闲区域点，则将该点加入RRT树；如果该点在地图的状态为未知状态区域，则该点不加入RRT树，并将该点发布出去；
2.2 根据上一步检测的未知区域点执行sklearn.cluster.MeanShift聚类，获取聚类中心：
该部分订阅全局检测的未知区域点，并利用MeanShift算法获取聚类中心；
2.3 根据聚类中心计算各点增益，取最大增益点为目标，调用move_base规划路径和控制行走。
根据设定的信息半径，和上一步的聚类中心，结合聚类中心离机器人的距离，计算各个聚类中心的信息增益，然后取信息增益最大的点作为目标点，调用move_base来向该点移动；新的聚类中心和增益不停被计算，因此在运动过程中目标点可能会改变，或者因为移动地图中原来的目标点变为空闲区域，则新的目标点会被计算。
三、效果展示：
建图算法采用gmapping，激光角度220度.，激光范围14米。
蓝色线：全局RRT树；
绿色点：地图状态未知区域点
绿色线：move_base全局规划
紫色线：机器人移动轨迹。
例一：
例二、
仿真环境下：左下角、底部及右下角图建歪了。
仿真模型大小：70米*64米
