常见算法的理解与比较

市场常见调度算法的一些理解

RRT

传统的路径规划算法有人工势场法、模糊规则法、遗传算法、神经网络、模拟退火算法、蚁群优化算法等。但这些方法都需要在一个确定的空间内对障碍物进行建模，计算复杂度与机器人自由度呈指数关系，不适合解决多自由度机器人在复杂环境中的规划。

基于快速扩展随机树（RRT / rapidly exploring random tree）的路径规划算法，通过对状态空间中的采样点进行碰撞检测，避免了对空间的建模，能够有效地解决高维空间和复杂约束的路径规划问题。该方法的特点是能够快速有效地搜索高维空间，通过状态空间的随机采样点，把搜索导向空白区域，从而寻找到一条从起始点到目标点的规划路径，适合解决多自由度机器人在复杂环境下和动态环境中的路径规划。与PRM类似，该方法是概率完备且不最优的。

RRT算法也有一些缺点，它是一种纯粹的随机搜索算法对环境类型不敏感，当C-空间中包含大量障碍物或狭窄通道约束时，算法的收敛速度慢，效率会大幅下降

 

DWA (局部避障的动态窗口算法)

(Dynamic Window Approach)，ROS中使用了DWA算法获得了很好的局部路径规划的效果 . 其大概思路是，机器人在获得目的信息后先规划出一条大概的路线，然后调用局部路径规划器，根据这条路线及costmap的信息，规划出机器人在局部是做出具体的策略。

其原理是在（v, w)速度在空间中 采样多种速度，并模拟这些速度在一定时间内的运动轨迹，再通过一个评价函数对这些轨迹打分，最优的速度被选出来后发给下位机。

[视频​示例]  http://v.youku.com/v_show/id_XMTg2NzY4MjY5Ng==.html 

 

A*（念做：A Star）

是一种很常用的路径查找和图形遍历算法，1968年斯坦福大学搞出来的，被认为是Dijkstar算法的一种扩展

Dijkstra算法用来寻找图形中节点之间的最短路径。

考虑这样一种场景，在一些情况下，图形中相邻节点之间的移动代价并不相等。例如，游戏中的一幅图，既有平地也有山脉，那么游戏中的角色在平地和山脉中移动的速度通常是不相等的。

 

A*算法通过下面这个函数来计算每个节点的优先级。

 

其中：

• f(n)是节点n的综合优先级。当我们选择下一个要遍历的节点时，我们总会选取综合优先级最高（值最小）的节点。

• g(n) 是节点n距离起点的代价。

• h(n)是节点n距离终点的预计代价，这也就是A*算法的启发函数。关于启发函数我们在下面详细讲解。

A*算法在运算过程中，每次从优先队列中选取f(n)值最小（优先级最高）的节点作为下一个待遍历的节点。

另外，A*算法使用两个集合来表示待遍历的节点，与已经遍历过的节点，这通常称之为open_set和close_set。

它有很多变种算法

1. ARA(anytime repairing A) 也称为 Anytime A*

2. D（dynamic A) 与A*不同的是，其具体代价在运行过程中可能发生变化

3. Field D*

Field D扩展了D和D* Lite，是一种基于插值（ interpolation-based ）的规划算法，它使用线性插值来有效地生成低成本路径，从而消除不必要的转向。

在给定线性插值假设的情况下，路径是最优的，并且在实践中非常有效。该算法目前被各种现场机器人系统使用。

参考

[参考链接​]  <https://segmentfault.com/a/1190000017839112> 

不用的应用场景对 T(n) = O(f(n)) 考虑程度不同，以上算法均能规划出准确的路径，根据场合和需要选择相应的算法。

 

以上算法皆仅仅是在理论和软件的基础上讨论，再往下一层就要谈到硬件，说到硬件不得不提的就是SLAM技术了

SLAM是“Simultaneous Localization And Mapping”的缩写，可译为同步定位与建图

这里包含的东西就多了 本身就包含前后端，里面又包含好几个块 一个是数学，一个是编程。入门比较困难。