常见路径规划汇总 图解分析+ 优劣对比

基于搜索的规划

【 Breadth-First Searching (☁️ BFS) 】 vs. 【 Depth-First Searching (⚡ DFS) 】

• 【适用于无权图】☁️ BFS 可找到最短路径 (但空间复杂度高)；⚡ DFS 不一定可找到 (但可更快访问更多节点)
• 其中 ☁️ BFS 搜索过程图解如下：

---

【Dijkstra】 vs.【 Best-First Searching 】 vs. 【 💡 A* 】

• 这三个算法的主要区别在于选择 下一个节点 的依据不同
  • 且一般不能处理 负 权边，对于含有负数边的图，通常需要使用 Bellman-Ford 算法等
• 其中 💡 A* 搜索过程图解如下：

算法	选择下一个节点依据
Dijkstra	g(n)
Best-First Searching	h(n)
💡 A*	g(n) + h(n)

• A* 的常见拓展：关于加速，适应复杂、动态环境等方面

  拓展	拓展思路
  Bidirectional A*	同时从起点和目标进行双向搜索
  Anytime A*	可以在任何时候停止搜索并返回当前的最佳路径
  LRTA* (Learning Real-time A*)	逐步学习以改进其启发式函数
  RTAA* (Real-time Adaptive A*)	基于当前环境和情况进行局部调整和优化
  LPA* (Lifelong Planning A*)	在环境发生变化时，仅更新受到影响的部分

• 另外还有一大类是关于 A* 在动态环境下的 D* 的拓展

  拓展	拓展思路
  D* (Dynamic A*)	在环境发生变化时，仅更新受到影响的部分
  D* Lite	低复杂度简化版本
  Anytime D*	在搜索过程中允许逐步改进路径解

---

基于采样的规划

【RRT】能够快速处理复杂环境

• RRT 的常见拓展：

  拓展	拓展思路
  RRT-Connect	同时从起点和目标进行双向生成树
  Anytime RRT*	可以在任何时候停止搜索并返回当前的最佳路径
  Extended-RRT	在树的生长过程中使用更大的步长
  Dynamic-RRT	动态环境下的
  RRT*	能够找到最优路径
  Informed RRT*	结合了启发式信息，能够加速搜索过程；能够找到近似最优解
  Spline-RRT*	通过样条插值提高路径平滑