Digkstra和A*

1.全局路径规划算法

全局路径规划的任务是根据已知的全局地图先验信息，找到一条符合所设计指标的可行路径。常见的全局路径规划算法分为两种：
(1)基于搜索的算法
(2)基于采样的算法(不需要对环境进行建模)
基于采样的规划算法是一种不同于搜索算法的规划算法，大多数搜索的算法只能解决低维空间的路径规划问题，往往会导致高维空间的维度灾难。

2.Digkstra

是一种广度优先搜索算法，是经典的最短路径算法之一。它也是一种贪婪算法，其搜索方式是以起始点为中心，向外逐层扩展，在每一步都是寻求最优解，直到扩展到目标点。

3.A*算法

是以Digistra算法为基础，加入启发函数，是一种经典的启发式搜索算法，也是目前较为常用的一种路径规划算法。由于启发函数的加入，相比于Dijistra算法，减少了扩展点的数量，节省了大量搜索时间。但是随着搜索范围、搜索栅格数量的增加，其规划效率也会明显降低，所以A*算法的启发式函数的选择至关重要，启发函数越接近实际值，搜索速度越快。

代价函数由从初始节点到节点的实际代价，和从起始节点到目标节点的估计代价。
启发因子的构建影响着算法的整体效率以及最终是否能够搜索到最优路径，是该算法的关键。
启发因子越小，算法扩展的节点越多，准确性会有所提高；越大，则效率会提高。
常用距离：曼哈顿距离、欧几里得距离。

4.环境建模方法

(1)占据栅格图
通过将地面无人车周围环境离散化分成一系列大小相等的栅格，栅格大小一般由地面无人车车体大小来决定，每个栅格由相应的值表示，不同值代表此栅格是否被障碍物占据。
构建栅格图的方法简单，易于维护和更新。但是路径规划的好坏依赖于栅格图的分辨率。

栅格法建模：栅格的大小、栅格标识法、栅格信息编码

(2)几何地图
几何地图也被称为特征地图。与其它环境建模的方式相比，几何特征图注重对物体在空间坐标系上的定量描述，这使得环境特征的提取和通过参数化对环境的描述更加紧凑和直观，有助于位姿估计和物体识别。几何地图计算成本低，在局部区域可以达到很高的精度，单在全局和复杂华宁，计算复杂度急剧增加，难以保持准确的坐标信息。

（3）拓扑地图
通过图G(N,E)的形式表示地面无人车周围环境，其中N代表拓扑地图中所有的节点的集合，节点表示的是实际环境中特定的位置或区域，E代表的是连接各个节点之间的边的集合。与占据栅格图相比，构建拓扑地图花费更少的时间以及存储空间，且能够保证地图的库已知性。