A*算法与D*算法 原理及个人解读

A算法与D算法

1. A* (Informed Search)

1.1

Evaluation Function: f(n)=g(n)+h(n)
operating cost function: g(n)
Heuristic fucntion: h(n)
（相较于Dijkstra 算法 增加了启发式函数 来确定最优路径）
可用启发式函数：曼哈顿距离 欧式距离 对角距离

流程图如下图所示：

Open list： 存储扩展的节点
close list: 存储已经搜索过的节点

1.2 A*算法运行中需要注意的问题

• 从root开始， 圆圈内表示该节点启发式函数数值，连线上表示代价函数数值
• 每一个节点的启发式函数是独立的，不与之前节点启发式函数大小相关
• 途中节点的代价函数数值总是由root 出发的代价函数总和
• 每一步搜索时将open list中f(n)最小的节点添加到close list 中，要注意close list中要带上f(n)值进行存储，以便于最终到达goal时判断最优路径
• close list中出现goal节点即为停止搜索flag

1.3 A* replanner (用于未知地图情况)

• 流程右半部分为正常A* 流程， 从ROOT出发在已知地图中进行搜索，判断是否到达GOAL
• 如果没有到达GOAL，则判断是否与一直地图存在差异
• 若与已知地图存在差异，则更新地图，并使用更新后地图继续搜索
• 若与已知地图没有差异，说明没有动态障碍物产生，继续按照原地图搜索
• 知道到达GOAL停止

2. D*算法 （Stentz 1994）

2.1 介绍

• 又称动态A搜索 (Dynamic A Search)
• 过程中节点间代价函数会发生改变 (replanning online)
• 等价于A* replanner
• 使用Dijkstra 进行初始规划，并通过接受实时数据来加快规划速度，针对部分地图区域来实现动态避障
• 比A* replanner 更高效 (大范围复杂环境扩展中)
• 用于在第一次逆向搜索获得最优路径并记录节点间关系后，处理动态问题
• h：到GOAL代价 k:该点最小的h
• 使用k原因：k用于open list排序，说明此节点之前为最优节点，可在此节点周围进行搜索，加快重新规划的速度

2.2 步骤

• 初始阶段，所有节点均为NEW（代表第一次遍历到），h和k值均为到GOAL的距离
• 从GOAL出发，将GOAL添加到open list中，且它的h=0 k=0 (k值为队列中优先度)
• 将GOAL pop出open list，扩展到GOAL的相邻节点，因为此时节点均为NEW，所以k=h=到GOAL的距离，将相邻节点推入open list中
• 不停寻找相邻节点，迭代，推入推出open list
• !!!若此时遇到节点处为障碍物，此节点h值很高，因为为NEW，所以k=h=high value
• 当root被扩展后，则搜索结束
• 根据h的梯度确定最优路径 （方向指向临间节点中k值最小的节点）
• ！！当计划路径上某点被阻碍，因为是反向指针，可以定位到被堵节点的上一节点（D*速度快的原因）
• 障碍物节点h升高，RISE态，需搜索使得该点的h降低，回复lower state
• 将该障碍点和临间节点加入open list中，进行搜索，如果无法使该点转为lower态，说明临间通过节点无法成功绕开障碍物，则将该影响扩散
• 该点的子节点受到影响，h变大，并进行判断
• 若 k_old<h(x): 该节点x处于raise状态，如果在x周围找到一个临间节点，使得h.y+c（x,y）更小，那就修改x的父节点，重置其h的值（父节点h+节点间距离）。
• 若k_old=h(x): 该节点x处于lower的状态，并没有受到障碍影响，或者还在第一遍遍历的阶段。