基于matlab的RRT算法路径规划（附带案例源码）

文章中的所有案例均为博主手动复现，用于记录博主学习路径规划的过程，如有不妥，欢迎在评论区交流

1 标准RRT

1.1 算法原理

RRT算法是基于随机采样的一种路径规划算法，如上图所示。首先在规划空间中生成随机采样点Xrand，然后遍历先有的路径节点，搜寻与Xrand距离最近的节点，然后按照步长Step生成新节点Xnew，如果节点Xnew与其父节点连线与障碍物发生碰撞则去掉，否则将Xnew加入总路径节点中，重复此步骤，知道Xnew与Xgoal的距离小于阈值D，算法收敛，成功搜寻到无障碍路径。

1.2 演示

RRT

2 GBRRT

2.1 算法原理

标准RRT在规划空间中随机搜索，没有方向性，在此基础上引入目标偏向p：
当rand（）>=p时，采样点为随机点；当rand（）<p时，取目标点Xgoal作为随机点。提高了算法的搜索导向性，但在复杂环境中容易陷入局部最小值

2.2 算法演示

GBRRT

3 RRT-STAR

3.1 算法原理

算法在标准RRT的基础上引入了重选父节点和重新布线策略，具有渐进最优性，成功搜寻到路径后算法不会停止，随着不断迭代，理论上能够搜寻到最优路径。本案例设置为搜寻到路径后就停止继续搜索。

3.2 算法演示

RRT-STAR

4 RRT-CONNECT

4.1 算法原理

标准RRT算法只有一棵随机树单向搜索，搜索效率较慢，在此基础上引入两棵随机树双向搜索，一定程度上能够提升搜索效率。（还有三棵树的方法），但是一定程度上增加了路径的冗余度、长度

4.2 算法演示

RRT-CONNECT

5 RRT-STAR-CONNECT

5.1 算法原理

将RRT-STAR与RRT-CONNECT算法进行结合，具有两者的有点

5.2 算法演示

RRT-STAR_CONNECT

6 PQ-RRT

6.1 算法原理

（1）在标准RRT算法上引入了目标偏置p
（2）在RRT-STAR算法基础上，扩大了重选父节点、重新布线的范围，扩大为范围内父节点、包括父节点再往上的若干代父节点

6.2 算法演示

QRRT

7 代码

代码包含上述例子的所有代码，下载即可使用
链接：https://pan.baidu.com/s/1uKkTmaqrZwXrs5P8OMWKRQ?pwd=SSLL
提取码：SSLL

如果觉得有帮助，请大家点一下点赞和收藏，谢谢大家！如果点赞收藏多的话，后续会给出其他改进RRT算法代码，以及三维RRT代码