车辆路径规划 | 路径规划算法

1986年，启发式方法提出了A*，其中包括将已知区域划分为单个单元，并计算每个单元达到目标的总成本。
人工势场（APF）方法起源于1986年，并假设障碍物周围存在排斥场，目标周围存在影响移动车辆的有吸引力的区域（例如AUV）。由于这些虚拟场的相互作用，合力是根据车辆的移动方式确定的。在这种方法中，不需要对环境和障碍物位置的先验知识。无论AUV移动环境中的障碍物是静态的还是动态的，以及它们是规则的还是不规则的形状，都可以使用它。该算法高效的关键条件是准确的障碍物检测。APF方法的优点是易于实现和低计算要求，这使得控制AUV并避免近乎实时的碰撞成为可能。尽管具有上述许多优点，但局部最小值或陷阱情况的可能性被认为是一个显着的缺点[7].在一定条件下，例如U形障碍物，当作用在AUV上的合力平衡时，算法将控制AUV在闭合无限回路中的运动而不达到目标。此外，AUV可能无法在紧密间隔的障碍物之间通过，或者由于来自对立障碍物的力场的交替影响而引起振荡。此外，AUV在绕过障碍物时往往会表现出不稳定的运动。为了解决局部最小值问题，APF与其他方法相结合，例如。在基于模拟的AUV研究中，提出了一种基于在局部最小值发生的地方引入虚拟障碍物的解决方案。避免陷阱情况的另一种方法是使用随机运动将AUV引出不利区域（随机势场）。尽管这种方法有局限性，但它用于 控制一群机器人 .基于模拟的研究也证明了控制多AUV编队的可能性及其在任务规划中的应用。在现实环境中，基于势场的方法被用于NPS ARIESAUV的实际实现。为了避免APF方法限制在实际实现中的负面影响，有必要使用基于启发式方法的全局路径规划器模块。
1998年推出名为快速探索随机树（RRT）的运动规划算法是一种基于采样的方法。空间中的任何节点都是从初始点随机确定的。然后，