A*算法:
结合了Dijkstra算法和最佳优先搜索的特点。A*算法维护一个优先队列,通过一个估价函数来确定节点的优先级,这个估价函数通常是实际已花费的代价加上到目标的预估代价(启发函数)。
算法实现步骤
1.建立搜索区域:将地图划分为一个二维数组或网络,每个格子代表一个节点;
2.设置起始节点和目标节点: 确定起始节点和目标节点在搜索区域里的位置;
3.计算节点评估值: 每个节点都有评估值,评估值F(n)=G(n)+H(n),F(n)表示节点n的评价函数;G(n)表示从起点到该节点的实际移动代价,H(n)为启发函数,表示从节点到目标节点的估算成本;
4.扩展节点: 从起始节点开始,依次扩展其相邻的节点,并计算他们的评估值;
5.选择最优节点: 在扩展的节点中,选择评估值最小的节点作为下一个要扩展的节点;
6.重复4.5步骤: 直到找到目标节点或扩展完所有可能的节点;
7.回溯路径: 从目标节点开始,通过节点的父节点回溯,找到从起始到目标节点的最短路径。
一、启发函数
评估值F(n)=G(n)+H(n),其中,H(n)为启发函数,启发函数的改进对算法行为影响很大。启发函数作用是指引正确的扩展方向。H(n)体现了搜索的启发信息。
如果H(n)=0,那么只有G(n)实际上是有用的,这时,A星算法退化为Dijkstra算法。
启发函数H(n)一般为:
1.曼哈顿距离: h(n)=|xn-xgoal| + |yn-ygoal| h = np.abs(n1.x - n2.x) + np.abs(n1.y - n2.y)
2.欧几里得距离: h(n)= x 2 + y 2 \sqrt{x^2+y^2} x2+y2
3.对角线距离:
dx = np.abs(n1.x - n2.x)
dy = np.abs(n1.y - n2.y)
min_xy = min(dx,dy)
h = dx + dy + (math.sqrt(2) - 2) * min_xy
二、权重系数改进
f(n)=g(n)+w(n)*h(n)
对启发函数前的系数进行调整。
三、搜索领域
修改代码中的get_motion_model()模块;
四、贝塞尔曲线平滑处理
混合A*
算法只考虑了x和y两个维度,混合A*算法在此基础上引入了表示朝向的θ维度。
相比于A* 算法,混合A*引入了Reeds-Shepp曲线生成机制。该曲线由一系列直线和圆弧组成,生成的路径符合车辆的运动学约束,能够生成平滑的路径。
参考博客:
https://blog.csdn.net/weixin_52029211/article/details/123412402?spm=1001.2014.3001.5501
https://blog.csdn.net/weixin_52029211/article/details/123598667?spm=1001.2014.3001.5502
https://blog.csdn.net/weixin_52029211/article/details/123712811?spm=1001.2014.3001.5502
https://blog.csdn.net/weixin_52029211/article/details/123898439?spm=1001.2014.3001.5502