基于采样的路径规划

Probablistic Road Map

RPM: 概率道路图
在地图中撒点，将点连接起来。构建成图结构，构成简易的地图

• Learning Phase:
  • 随机撒点
  • 删除落在障碍物中的点
  • 将点连接起来：连接最近的点，有障碍无的线不要。
• Query Phase
  • 搜索从起点到终点的路径。（A*, Dijikstra）

优缺点：

• 优点：
  • 概率完备的
• 缺点：
  • 两点边界值问题（机器人动力学）
  • 先学习，在查询。其实可以边学习，边查询。边生成图，边查询路径

提高效率：

• Lazy collosion-checking.
  • 连接点，不考虑障碍物，只考虑距离准则
  • 进行路径搜索时，路径有障碍物是，在删除该路径和点

Rapidly-exploring random Tree

在空间中随机撒点，得到X_rand。

找到树上离X_rand最近的点

X_near朝X_rand移动stepsize距离，得到X_new

连接X_new和X_near形成边
如果该边无冲突，则将该边和点加入到树中

优缺点：

• 着眼于从起点到终点搜索路径

优化

Kd-tree
改进找到nearst节点。

Narrow path problem

采样点落到narrow path的概率比较小。很难突破到另一边
解决方法：

• Bidirectional RRT
• 改变采样方法（narrow path RRT）

RRT*