运动规划概述

前端路径搜索

不希望花费太多的算力和代价，因此通常把高维问题降成低维问题，先找到一条粗劣可行的低维解。

• 基于搜索的路径规划 图搜索问题 Dijkstra and A* 、 Jump Point Search跳点算法
• 基于随机采样的路径规划 PRM RRT RRT* ，RRT本身不具备渐近最优性
• 适应动力学要求的路径规划 考虑移动机器人简单的动力学模型，State Lattice Search 代价高，Hybrid A* 一个网格维护一个状态，当发现一个更好的状态将取代原来的状态。Kinodynamic RRT*
  
  RRT在包含窄缝的环境下很难找到最优路径，informed RRT 添加一个椭圆采样范围快速找到最优路径。

后端轨迹生成

利用路径搜索产生的低维解，通过一些优化方法，生成一个精确、可行的轨迹，要求高阶连续、光滑、安全等。

• minimum snap轨迹 微分平坦性质，优化表达形式，closed-form闭式解，已知环境信息。
• 软优化（约束）、硬优化（约束），软约束一般用于局部的轨迹规划

MPD & MPC

马尔可夫决策过程、模型预测控制

地图表示

• 存储地图信息的数据结构 Occupancy grid map,环境密集切分，结构化特征，直接的坐标索引查询。八叉树Octo-map 稀疏结构化。Voxel hashing 哈希表的存储形式。Point cloud map点云地图。TSDF map 截断符号距离场，障碍物外的值表示到障碍物的距离且为＋，障碍物内部的值为 - 。ESDF map 欧式符号距离场，FIESTA.
• 地图信息融合

多智能体路径规划MAPF