基于采样的路径规划算法——RRT

最新推荐文章于 2025-10-14 20:42:22 发布
原创 最新推荐文章于 2025-10-14 20:42:22 发布 · 7k 阅读 · 58 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#运动规划 #移动机器热 #RRT #路径规划

本文深入探讨了基于采样的路径规划算法RRT*，对比了传统A*算法，介绍了RRT算法的基础及其改进过程，详细解析了RRT*算法如何在优化路径的同时调整图结构，以实现路径的最优搜索。

基于采样的路径规划算法——RRT*

插播：代码已经放到github上面了，实现了A和RRT算法并在ROS下完成了可视化显示。https://github.com/linyicheng1/motionPlan
​ 在上一篇博客中简介了基于搜索的路径规划算法A*的原理，这篇博客则会从另外一个角度去解决路径规划的问题。首先我们要从RRT算法说起，然后再探讨其优势和缺点然后给出一些改进的方法并介绍RRT*的改进之处。

​ 以RRT为代表的路径规划算法基于以下的思路：一个一个的栅格去找非常的费劲，若能找到一些点构成图代表这个地图，在这个图上再去搜索路径则会十分的快速。

在这里插入图片描述

​ 如图所示，可以看到仅仅用很少的几个点构成的图就能代表这个地图信息，从而找到一条路径。可以极大的降低搜索复杂度从而降低运行时间。这种方法最早被提出来称为概率路图 （Probabilistic Road Map ），可以很容易的想到这种搜索路径的方法分为两个部分：

学习阶段

  • 随机在地图中生成一些点

  • 去掉在障碍物中的点

  • 将临近的点连接起来，并把经过障碍物的连线去掉

  • 将所有的点和边生成一个图结构

    过程可以从这个动图中看出

    img
最低0.47元/天 解锁文章
基于采样的路径规划算法(PRM,RRT)
秃头队长
03-19 2476
总结课程《深蓝学院移动机器人路径规划》 1.概率路图 Probabilistic Road Map 分为学习阶段，查询阶段。 通过采样的方式代替整个2D栅格图，通过一个图结构简化地图。 学习阶段：用一定的采样方式撒点，把落在障碍物中的点剔除，完成采样。 采样后通过线段连接采样点，连接时需要考虑距离限制以及障碍物限制。 查询阶段：构建完成一张图后，可以通过D或者A*去查找路径。 概率完备，高效。 2.RRT(Rapidly-exploring Random Tree) 相对于PRM，更针对的去寻找从起.
环境感知与规划专题（九）——基于采样的路径规划算法（一）
遥远的乌托邦
06-01 2134
前言  在环境感知与规划专题（一）——A*算法入门一文中阐述了广泛应用于机器人路径搜索问题的求解算法——A*，它是一种基于图搜索的路径规划算法。而主流的路径规划算法分为基于图搜索的路径规划算法与基于采样的路径规划算法。  本文将阐述一种基于采样的路径规划算法——快速搜索随机树（RRT）。 快速搜索随机树（RRT）  快速搜索随机树（RRT）算法从起始点开始，在地图上进行随机采样（如Monte Carlo Sample）,或者说随机撒点，进而，根据采样点信息，结合障碍物检测等约束条件，构建一颗搜索树，直到树的
RRT与RRT*：路径规划算法详解
最新发布
weixin_65198494的博客
10-14 2046
RRT和RRT是两种基于采样的路径规划算法。RRT通过随机采样快速探索空间，构建树状路径网络，适合快速找到可行路径但不保证最优。RRT在RRT基础上增加了邻域搜索和路径重连优化步骤，通过动态调整节点连接关系，逐步优化路径使其趋近最优解。两种算法都适用于高维复杂环境，RRT侧重快速性，RRT*在保证可行性的同时追求最优性，计算量相对更大。相关优化策略包括目标偏置采样和自适应邻域半径等。
环境感知与规划专题（十）——基于采样的路径规划算法（二）
遥远的乌托邦
06-01 2192
前言  上一篇介绍了快速搜索随机树（RRT）算法的原理，这是一种基于采样的路径规划算法，在地图尺寸较大时，其效率将显著的优于基于图搜索的路径规划算法（如A*）。  然而，RRT也有其局限性，如： 狭窄通道情况下的搜索效率急剧下降 搜索得到的路径不是全局最优的  本篇将针对RRT算法应用时出现的几个问题展开讨论，并阐述几种RRT算法的改进型。 快速获取搜索树中的相邻节点  RRT算法中有一个重要的环节——获取搜索树种距离采样点最近的节点：  该算法的效率直接影响了RRT算法的搜索效率，因此，本篇
基于采样的路径规划方法
陈建驱的博客
08-19 4102
与基于图搜索的方法相比，基于采样的路径规划算法不需要显式构建整个配置空间和边界。 0.概念 Complete Planner（完备规划器） Probabilistic Complete Planner（概率完备的规划器） Resolution Complete Planner（解完备规划器） 1.概率路图(PRM) PRM是一个以图结构为基础的路径规划算法，该算法分为两个阶段：学习阶段和查询阶段。PRM首先在地图中撒一些点，然后将这些点连接成为一个图，最后在图...
路径规划算法——基于采样
space_dandy的博客
03-05 3749
基于采样的路径规划算法 1.快速搜索随机树 快速搜索随机树（RRT）算法从起始点开始，在地图上进行随机采样，然后根据采样点信息，结合障碍物检测等约束条件，构建一棵搜索书，直到树的枝叶延伸至目标点或者达到预设的采样次数为止 ...
路径搜索算法——RRT算法
swaggytiger的博客
07-10 2506
RRT算法是一种基于随机采样的路径规划方法，通过随机生成点并逐步扩展树结构来探索空间。其核心思想是从起点出发，每次随机采样一个点并找到树中最近节点，向该方向扩展新节点，进行碰撞检测后加入树结构。算法具有随机性、增量式扩展和概率完备性特点，特别适合处理复杂环境和高维空间问题。关键步骤包括初始化树结构、随机采样、寻找最近节点、生成新节点、碰撞检测和目标检查。当找到目标后回溯生成路径。伪代码展示了从起点随机扩展至目标的逻辑过程，最终输出可行路径。
路径搜索算法——RRT*算法
swaggytiger的博客
07-10 2730
RRT算法是RRT算法的优化版本，通过引入路径优化机制实现渐进最优性。该算法在高维空间和复杂环境中表现优异，主要步骤包括随机采样、树扩展和邻近节点重新连接。相比RRT，RRT能够不断优化路径质量，但计算复杂度更高。Python实现展示了其核心逻辑：随机采样扩展树节点，检查碰撞，选择最优父节点，并通过重新连接优化路径。算法适用于机器人导航等场景，但需平衡计算效率与路径质量。
自动驾驶路径规划——基于概率采样的路径规划算法（RRT、RRT*）
热门推荐
sinat_52032317的博客
10-09 2万+
RRT与其他算法进行对比RRT 经历长时间发展，取得了大量的研究成果。然而，优化后的路径与最优路径仍有一定差距。主要原因在于改进的 RRT*算法需要不断调整步长以提高路径精度，生成最优路径所消耗的内存资源及计算时间呈指数增长，不适于实际应用的机器人系统。此外，环境中的不规则障碍物区域采样、机器人的传感器精度、路面的凹凸性等因素也会影响路径质量。
融合A*优化算法的RRT路径规划仿真与全局路径规划分析——从原理到实现步骤
05-11
适合人群：对路径规划算法感兴趣的科研人员、工程师和技术爱好者。 使用场景及目标：适用于无人驾驶、机器人探索等领域，旨在提供高效、精确的路径规划解决方案。 阅读建议：读者可以通过阅读本文详细了解RRT算法的...
RRT--基于采样的路径规划算法
qq_58249029的博客
07-22 358
基于采样的路径规划更适用于高维度场景。基于随机采样的运动规划算法的基本思路是：通过对状态空间均匀随机采样来构建一个连通图，当初始、目标状态都在图中或者都可以连接到图中时，则问题得以解决。基于随机采样的算法不需要对状态空间自由区域进行显式建模，由碰撞检测来验证轨迹的可行性即可。
【自动驾驶】基于采样的路径规划算法——RRT*（含python实现 | c++实现）
weixin_42301220的博客
06-14 8042
RRT*算法是一种渐近最优算法，属于RRT算法的优化。 渐近最优的意思是随着迭代次数的增加，得出的路径是越来越优化的，因此要想得出相对满意的优化路径，需要一定的运算时间。 算法流程与RRT算法流程基本相同，不同之处主要在于两个地方： - 首先，重新为$x_{new}$选择父节点。 - 不同于RRT中直接选择$x_{nearest}$作为$x_{new}$的父节点，我们需要重新为$x_{new}$选择父节点，使得$x_{new}$到起点的cost能够最小。至于cost的定义，可以是路径的长度。
3 基于采样的路径规划 —— RRT算法
qq_42731062的博客
08-14 1608
RRT代码
基于采样的路径规划
Mr.π的博客
03-15 1799
1、PRM，这是一个图结构。首先在空间内随机撒一些点，然后清除障碍物内的点，然后把其他的点相互较近的连起来。 2、 ...
【自动驾驶】基于采样的路径规划算法——PRM（含python实现）
weixin_42301220的博客
06-14 6350
概率路图算法是一种典型的基于采样的路径规划方法。它主要分为两个阶段：学习阶段， 查询阶段。 应用PRM算法进行路径规划时，首先在将连续空间转换成离散空间后，在离散空间中采样一个无碰撞的点（随机撒点，剔除落在障碍物上的点），以该点为中心，在一定的半径范围内搜索其邻域点，并将其连接形成路径，随后进行碰撞检测，若无碰撞，则保留该路径。 当空间中所有采样点均完成上述步骤后，再应用**图搜索算法**搜索出可行路径。......
基于采样的路径规划算法RRT和代码实现
weixin_44924725的博客
03-22 3022
本文主要介绍快速扩展随机数算法RRT以及改进的RRT*算法，同时讲解在ROS中实现RRT算法。在正文之前，在前言中讲一个需要知道的概念。规划的完备性：能够在指定的时间内规划出一条正确的路径；概率的完备性：如果能行走通的路径存在，规划器一定能够基于随机采样算法找到它；解决方案完备性：如果能行走通的路径存在，规划器一定能够基于确定性采样方法找到它；提示：以下是本篇文章正文内容，下面案例可供参考。
Motion Plan之基于采样的路径规划算法笔记
liangwqi的博客
11-24 1512
本文介绍了“基于采样的路径规划常用算法”，介绍的算法有很多种，但其实都是围绕PRM图搜索、RRT树搜索做的优化、组合的变种。 Sample base plan：这是一种基于样本的规划方法，它通过生成大量的样本点来寻找最优解。这种方法的优点是可以处理高维度和复杂的问题，因为它不需要对整个问题空间进行详细的搜索。然而，这种方法的缺点是可能会产生次优的解决方案，因为它并不总是能找到全局最优解⁴。此外，如果样本点的生成和选择方法不合适，可能会导致效率低下⁵。
基于采样的路径规划算法总结
Azahaxia的博客
04-18 7846
基于采样的路径规划算法总结 路径规划算法大致可以分为两类，一类是基于搜索的规划，另一类就是本文将要涉及的基于采样的规划。一般而言，基于搜索的规划（如A*）通常是运行在栅格地图上的。当栅格的分辨率越高时，算法搜索的路径就会越优。 还有一类算法是基于采样的，主要就是RRT和它的变种算法。这类算法的核心在于随机采样，从父节点开始，随机在地图上生成子节点，连接父子节点并进行碰撞检测，若无碰撞，就扩展该子节点。就这样，不断地随机扩展样本点，直到生成一条连接起点和终点的路径。如下图所示，RRT算法的扩展图与盘根错节的树
Apollo学习笔记（24）基于采样的路径规划算法
qq_24649627的博客
10-29 1963
之前的文章都是基于搜索的路径算法，这两天在又学习了一下基于采样的路径规划算法，这里做一下记录，最后会奉上大神的链接 基于采样的路径规划算法大致可以分为综合查询方法和单一查询方法两种。 前者首先构建路线图，先通过采样和碰撞检测建立完整的无向图，以得到构型空间的完整连接属性，再通过图搜索即可得到可行的路径。 后者则从特定的初始构型出发局部建立路线图，在构型空间中延伸树型数据结构，最终使它们相连。 其中，综合查询方法的代表性的方法就是概率路线图（Probabilistic Roadmap，PRM），单一查.
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值