路径规划之PRM&RRT类算法分析

  关注同名微信公众号“混沌无形”，阅读更多有趣好文！

原文链接：机器人空间采样算法研究现状简述（包含原文PDF百度云下载链接）

从上述章节分析可以，这四类空间采样算法各有各的特点，但总体而言，PRM类和RRT类算法思路很接近，CVM类和DWA类算法思路很接近，主要区别是在部分细节处理方面。所以，主要分为下面两类算法进行分析： 

PRM&RRT类 

PRM&RRT类算法的核心思想就是在搜索空间中随机采样，并通过图或树的方式连接这些采样点，去掉不满足约束的连线，最后基于图或树的搜索算法生成最优路径。 

• 主要优点：在高维空间下搜索效率高，概率完备且渐进最优，也就是说采样点越密集，搜索的路径越短。 

• 主要缺点：生成的路径连续性较差（基本上是折线段），在动态环境下收敛性差（需要时刻检查已经生成的图或树是否与障碍物有交集），内存消耗较大（采样点越多），狭窄区域通过性较差（如图 3.1所示）。

图 3.1 RRT通过狭窄区域（图片来源：https://www.youtube.com/watch?v=Ob3BIJkQJEw）

 

从上述分析可知，PRM&RRT类算法是在状态空间中采样，搜索最合适的路径，进而导出机器人在运动空间的运动参数；而CVM&DWA类算法是在运动空间中采样，生成机器人在状态空间的轨迹，进而选择最合适的轨迹，轨迹规划的目的之一就是找到一条运动空间和轨迹空间间的连接通道，让机器人在运动空间和状态空间均满足自身和环境的约束。 

总体而言，空间采样算法已经能够在诸多场景下的规划生成一条无碰撞路径，比如DWA算法就被作为ROS navigation stack中local planner的默认算法，RRT算法主要应用于高维度空间的路径规划，如无人机、机械臂等领域。 

随着诸多学者的改进升级，空间采样算法的实时性、轨迹质量和动态适应性逐渐提升，但多数算法仍存在路径质量差、未考虑动力学约束等问题，这些问题也导致相关算法不能直接应用于实际机器人运动场景。

 精彩的理论论证过程见原文链接（含全文下载链接）

由于网页排版效果一般，所以笔者按照期刊论文版式为小伙伴们整理了原文PDF，方便收藏和回味。

原文链接：（包含原文PDF百度云下载链接）
CSDN下载链接：移动机器人路径规划之一空间采样算法

如果喜欢的话，可以关注我，阅读更多有趣好文！

微信公众号：混沌无形

知乎号：混沌无形

B站：混沌无形R