RRT路径规划进阶：基于障碍密度的自适应采样改进 RRT 算法（Python完整代码+动画）

一、💡 项目简介

RRT (快速随机树）是一种在高维处理中常见的路径规划算法，实用性高。本文基于经典 RRT 算法，提出了一种基于 障碍物密度感知和树展尺调节的自适应采样 方案，提升路径规划成功率和效率。

---

二、🔧 算法原理分析

功能	描述
自适应采样	根据树展尺和当前节点与目标点距离条件，调节采样半径和目标偏移概率
障碍密度感知	判断周围障碍物数量，强化逻辑
动态步长	障碍物密集区减少步长，避免快速挑战复杂路径

---

三、🦜 核心类解析

【Environment】环境类

• 展示区域和障碍物，使用 shapely 判断碰撞

• 支持多边形和圆形

【RRT】

• get_adaptive_sample：根据树展尺+障碍密度 条件同时调节采样半径和 goal bias

• calculate_obstacle_density：定量半径内的 intersect 障碍物数

• steer：根据障碍密度调整动态步长

• plan：实际路径规划逻辑

---

四、📊 性能验证

总进行 80 次路径规划，得到数据统计：

成功率: 93.75%
平均路径长度: 1120.54
平均迭代次数: 198.12
平均计算时间: 0.54s

分析：

• 成功率高：合理证明自适应采样效果显著

• 路径长度 & 迭代次数合理

• 速度快，适合实时场景

---

五、🎨 动画可视化

增加 matplotlib.animation 代码，每次拼接新节点时动画展示 RRT 树扩展，配合 gif 导出：

QQ录屏20250423212611

import matplotlib.animation as animation

fig, ax = plt.subplots()
env.plot(ax)

lines = []
for node in rrt.tree:
    if node.parent:
        lines.append([[node.x, node.parent.x], [node.y, node.parent.y]])

line_objs = [ax.plot([], [], 'k-')[0] for _ in lines]

def update(i):
    if i < len(lines):
        line_objs[i].set_data(lines[i][0], lines[i][1])
    return line_objs

ani = animation.FuncAnimation(fig, update, frames=len(lines), interval=10, blit=True)
ani.save("rrt_path.gif", writer="pillow")

---

六、🔍 展望与总结

• 算法改进的思路简洁而高效