路径规划：概述、分类及现有问题

雨辰0_0

已于 2024-09-13 00:45:25 修改

阅读量570

点赞数 5

分类专栏：路径规划文章标签：分类数据挖掘人工智能算法机器学习学习

于 2024-09-13 00:44:01 首次发布

本文链接：https://blog.csdn.net/huang1900237678/article/details/142188448

版权

路径规划专栏收录该内容

2 篇文章 0 订阅

订阅专栏

路径规划的概述

常用路径规划算法的分类

现有问题

三连三连三连，你的支持是我的动力！！！

希望这篇文章给你带来帮助！

路径规划的概述

路径规划（Path Planning）是计算从起点到目标点的一条或多条安全且有效的路径的过程，它在机器人导航、自动驾驶车辆、无人机飞行以及许多其他自动化系统中扮演着核心角色。

以下是路径规划的主要组成部分和步骤：
目标
        到达预定的目标位置。
避开所有障碍物。
最优化某些性能指标，如路径长度、时间、能耗、平滑度等。
主要步骤
        环境建模
          离散化：将环境划分为网格或图节点。
          连续化：使用数学函数或几何模型描述环境。
        障碍物检测
          使用传感器（如激光雷达、摄像头、超声波等）来感知环境中的障碍物。
        路径搜索
          图搜索算法：如Dijkstra算法、A*算法、D*算法等。
采样方法：如快速探索随机树（RRT）、RRT*、PRM（概率路线图）等。
        路径优化
使用数学优化技术来改进路径，使其更平滑、更短或更符合其他性能指标。
        路径跟踪
          控制机器人或车辆沿规划出的路径移动。

常用路径规划算法的分类

主要分为：基于搜索的路径规划算法和基于采样的路径规划算法。

基于搜索的路径规划算法：主要用于图的搜索，地图一般为栅格地图，规划过程是通过一个个的栅格节点不断的遍历搜索。一类在给定的环境模型的情况下，通过全局静态搜索算法寻找从起始点到目标点的有效路径。主要有最短路径保证性、鲁棒性、灵活性和路径明确性等优点。但也存在计算存储复杂、‘算法收敛性低和易陷入局部最优解等问题。其中根据一个个的搜索方法的不同，又可分为广度优先算法和深度优先算法(下篇我会具体论述)。主要有Dijkstra算法、A*算法、D*算法等算法。

基于采样的路径规划算法：一类用于在配置空间（C-space）中寻找无碰撞路径的方法，它们通过在配置空间中随机采样来构建路径。这类算法特别适用于高维配置空间或具有复杂障碍物的环境。其很大的优点便是算法迭代众多，可扩展性强。主要有适用于高维空间（由于基于采样，这些算法可以更容易地处理高维配置空间）无需全局信息（这些算法通常不需要全局的环境模型，只需局部的信息）等优点；存在不保证最优路径、路径曲折及鲁棒性低等问题。主要有快速探索随机树（RRT）、RRT*、PRM（概率路线图）等算法。

现有问题

存在三个大问题：计算存储复杂、算法收敛性低、局部最优解。

计算存储复杂：主要存在于3维空间下，三维空间可以想像成足够多的二维环境叠加而成。尤其在于基于搜索的路径规划算法会初始化出全局环境的信息，将其不断的遍历会是一个巨大的计算和存储难题。就像下图这样：

算法收敛性低：讲人话就是算法的生成速度太慢。而计算存储复杂便是一个主要原因。同时算法质量、地图大小等也会影响到收敛性。

局部最优解：这是目前众多算法存在的一个问题。在优化问题中，局部最优解指的是在某个局部区域内的最优解，它在该区域内是最佳的，但未必是整个搜索空间的最优解，也就是只完成局部的最优，但我们要的是全局最优。如下图，两障碍墙中间路径明明可以直着走过去，但由于在两障碍墙中间局部，路径对准绿色目标点搜索并未及时预见障碍物，陷入了局部最优化。这也是贪心算法的最易出现的问题。