1 基于采樣的路徑規(guī)劃方法

路徑搜索常用方式之一是基于網(wǎng)格的的方法（grid-based method），如A*算法，但基于網(wǎng)格的方法復雜度較高，與求解空間的維度相關，且得到的路徑比較僵硬，對于車輛或移動機器人來說都不是很友好。

另外一種路徑規(guī)劃是基于采樣的方法（sampling method），包括以下模塊：

• 隨機或確定性選擇函數(shù)，在采樣空間確定點
• 采樣評估函數(shù)，來選擇合適采樣點
• 距離函數(shù)，確定待擴展點與當前之間的距離

這些模塊可以構(gòu)建出圖或樹結(jié)構(gòu)來探索可行域內(nèi)的可行軌跡。采樣方法不是以最優(yōu)為目的，只能得到近似最優(yōu)解，好處是在解空間內(nèi)探索效率較高，能快速得到滿足要求的可行解

典型的基于采樣的方法包括RRTs（Rapidly Exploring Random Trees）和PRMs（Probabilistic roadmaps），RRT更適合為單體軌跡規(guī)劃提供有效的軌跡，PRM更適合為多體軌跡規(guī)劃提供路線圖（roadmap graph）

2 RRT過程

RRT算法是基于給定的初始狀態(tài)$X_{start}$和目標狀態(tài)$X_{goal}$探索出無碰撞的路徑。RRT適用于靜態(tài)和動態(tài)約束的環(huán)境，軌跡點的拓展可以滿足特定的運動學約束。RRT生成單樹的一般過程如下所示。

3 RRT一些細節(jié)

• RRT算法本質(zhì)上是一種隨機采樣方法，從起始點開始向空間發(fā)散式探索，直至新探索點到達目標狀態(tài)集合
• RRT探索過程是以最近點到隨機采樣點的方向來運動一小步長，即為搜索樹生成的過程
• RRT探索過程比較重要的是距離公式，一般用歐氏距離，關鍵參數(shù)是探索步長，步長過小，迭代探索效率低，太大可能無法繞過障礙
• RRT隨機采樣過程可以是均勻采樣，也可以是有傾向性地重點采樣某些區(qū)域（如果有先驗支持的話）

4 RRT的變種算法

• 雙邊RRT：從初始狀態(tài)$X_{start}$和目標狀態(tài)$X_{goal}$各自分別生成搜索樹，直至兩棵樹“相遇”。好處是搜索效率大大提升，而且能夠到達目標狀態(tài)$X_{goal}$，難點是需要對于兩棵樹的“相遇”進行額外的局部優(yōu)化
• RRT*：傳統(tǒng)的RRT模型擴展點的時候是找尋搜索樹中距離最近的點，而這里的做法是考慮搜索樹中距離較近的多個點作為臨近點，而以初始狀態(tài)出發(fā)到達各個臨近點的距離為cost，選擇cost最小的臨近點來擴展。這樣做的好處是：可以盡可能讓找尋到的路徑更小。下圖左邊是RRT，右邊是RRT*
  

總結(jié)

以上是生活随笔為你收集整理的【自动驾驶决策规划】RRT算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。