基于采样的路径规划算法(PRM,RRT)

总结课程《深蓝学院移动机器人路径规划》

1.概率路图 Probabilistic Road Map

分为学习阶段，查询阶段。
通过采样的方式代替整个2D栅格图，通过一个图结构简化地图。

学习阶段：用一定的采样方式撒点，把落在障碍物中的点剔除，完成采样。
采样后通过线段连接采样点，连接时需要考虑距离限制以及障碍物限制。
查询阶段：构建完成一张图后，可以通过D或者A*去查找路径。

概率完备，高效。

2.RRT(Rapidly-exploring Random Tree)

相对于PRM，更针对的去寻找从起点到终点的路径，但是其并不是一条最佳的路径，也不高效。

3.RRT*

1.选择一条从起始点到$X_{new}$最短(代价最小)的路径。
2.剪枝：如果其他节点从$X_{new}$节点到达起始点更短的话，则需要被修改。(例如$X_2$父节点修改为$X_{new}$)

4.Kinodynamic-RRT*

用曲线代替直线连接点$X_{near}-X_{new}$。此时原本被舍弃的线段，可能因为变成曲线而不会经过障碍物。

5.Anytime-RRT*

在机器人运动的过程中，RRT*在不断更新，即起始点不断更新为机器人当前位置点。
能够更好的适应变化的环境。

6.Informed RRT*

把采样的过程限制在一个椭圆中，该椭圆由已经产生的路径决定。

以起始点、终止点作为椭圆的焦点，以生成轨迹的长度作为椭圆上点到达俩焦点的距离之和(常数)。

7.Cross-entropy motion planning

在路径点附近多高斯采样，生成多条轨迹，通过求均值可得到新的多高斯采样，生成新的路径。