rrt运动规划算法流程图_自动驾驶运动规划-Hybird A*算法

下面的视频展示了DARPA Urban Challenge(DARPA 2007)中Stanford Racing Team的无人车Junior使用的运动规划(Motion Planning)算法Hybird A*在增量构建的迷宫场景、阻断的道路场景和停车场狭窄停车位场景的实际表现。

无人车Hybird A*算法表现https://www.zhihu.com/video/1242878670462967808

在迷宫场景中，可以看到随着车辆的运动，周围在不断的做增量构建,这也就意味着，迷宫中的障碍物是通过车端的传感器实时感知结果得到的。车辆只能看到它周围的环境，随着车辆的持续运动，周围的环境被增量式的构建出来。车辆根据增量构建的场景，实时的调整自身的运动规划策略。

视频中黄色的小短线是Hybird A*搜索树，可以看到该算法在不同位置、不同转向角度的情况下都可以实时的为车辆规划出可行的运动路径。

在道路阻断导致车辆无法继续前行的场景下，Hybird A*算法可以规划出掉头曲线，从而避开阻塞的道路，从其它道路继续前进。

最后是一个在停车场进入狭窄停车位的场景，可以看到Hybird A*算法可以规划出复杂的运动路线，使得车辆先前进，再后退，再一次性的进入到狭窄的空车位中。

既然是A*算法，Hybird A*算法具有A*算法的基本特征，即通过当前状态到目标状态的代价(Cost)预估，引导车辆更快的收敛到目标状态。

1、搜索空间离散化

传统的开放空间(Open Space)中的A*路径搜索的算法，一般将空间划分为小网格，使用网格中心作为A*路径规划的节点，在这些节点中寻求一条规避障碍物的路径。求解的路径只保证连通性，不保证车辆实际可行。

Hybird A*算法同时考虑空间连通性和车辆朝向，将二维平面空间和角度同时进行二维离散化。论文《Practical Search Techniques i