weixin_43890711的博客

从RRT star到informed RRT star上篇博客中已经对RRT* 进行了介绍,可以知道RRT是一个渐进最优的基于采样的规划算法。但是RRT在提高了规划出来的路径的质量的同时，消耗的时间也大大增长。因此在保证规划出来的路径的质量的同时，缩短搜索时间是一个探索的方向，也就是想办法在同样长的时间内，得到尽可能好的规划结果。informed RRT*就是向这个方向探索的一种。根据高中数学知识可以知道，在椭圆上的点到椭圆两焦点的距离之和相同，椭圆外的点的距离到两焦点的距离之和大于椭圆上的点到两焦点的

RRT算法是一个典型的基于采样的高效率的算法，但是上篇文章的分析中提到了，RRT的规划的结果通常不最优，这里虽然说的是通常不最优，实际上可以说是非常不优。因此在RRT的基础上，有很多改进版本，RRT_star就是针对RRT的规划结果不最优的局限性提出的。RRT*原论文RRT_star的伪代码如下，来源链接在原始RRT的基础上，RRT_star主要有两点改进:为新节点选择代价最小的父节点重布线通俗点来说，就是为新扩展出来的节点选择一个最好的爸爸，使得新节点的代价最小，然后，在一定范围内选择合适

机器人的规划问题的本质，是在已知或者部分已知环境的情况下，规划一条从起点到终点的无碰撞的路径。规划算法种类有很多，比如基于图的搜索算法、人工势场法、基于采样的规划方法等。今天主要介绍的就是一种典型的基于采样的规划方法：随机快速搜索树（RRT）。RRT是一种在完全已知的环境中通过采样扩展搜索的算法，相比较于基于图的搜索算法，最主要的优点就是快，因此在多自由度机器人的规划问题中发挥着较大的作用，比如机械臂的规划算法基本都是以RRT为基础的。但同时他也有比较明显的缺点，比如通常不最优、规划的路径非常不平滑等。但

本来想好啊后研究一下hybrid A star算法，然后自己写一写记录一下，先搜了搜发现有一些博客文章写的已经很不错了，这里就不再重复性的写一遍了。看的主要是Path Planning in Unstructured Environments: A Real-time Hybrid A Implementation for Fast and Deterministic Path Generation for the KTH Research Concept Vehicle这篇文章，毕竟先是在githu