左上角到右下角的路径 oj_【机器人路径规划】快速扩展随机树(RRT)算法

内容无关：最近的课题内容和机器人运动规划方法有关，我把学习的内容整理成为工具箱上传到了我的github仓库，稍后将会发一篇说明介绍使用方法。

XM522706601/robotics_tutorial_for_zhihu​github.com

---

上一篇文章 小明工坊：【基础知识】机器人运动规划原理与实现（一）——概率路线图(PRM)方法 我们讲到了机器人运动规划中一个比较重要的方法——概率路线图（PRM）方法，并通过编程进行了演示和分析，下面简单回顾如下：

• 机器人运动规划的基本任务为从开始位置运动到目标位置
• 主要难点有二：躲避障碍物（全局约束）和满足自身运动性能（微分约束）
• 抽样规划是解决全局约束问题的重要方法
• 抽样规划算法分为综合查询方法和单一查询方法
• 综合查询方法的代表为概率路线图算法(PRM)，单一查询方法的代表为快速扩展随机树算法(RRT)

本章我们同样用一个例子来讲解快速扩展随机树算法(RRT)算法。

其实RRT算法与PRM算法十分类似，都是通过抽样来在已知的地图上建立无向图，进而通过搜索方法寻找相对最优的路径。不同点在于，PRM算法在一开始就通过抽样在地图上构建出完整的无向图，再进行图搜索；而RRT算法则是从某个点出发一边搜索，一边抽样并建图。

与PRM算法相同，RRT算法也是概率完备的：只要路径存在，且规划的时间足够长，就一定能确保找到一条路径解。注意“且规划的时间足够长”这一前提条件，说明了如果规划器的参数设置不合理（如搜索次数限