V-rep学习笔记：机器人路径规划

Motion Planning Library

V-REP 从3.3.0开始，使用运动规划库OMPL作为插件，通过调用API的方式代替以前的方法进行运动规划(The old path/motion planning functionality is still functional for backward compatibility and available, but it is recommended not to use it anymore)，这样更具灵活性。

运动规划就是在给定的位置Start与位置Goal之间为机器人找到一条符合约束条件的路径。具体的案例可以是为移动机器人规划出到达指定地点的最短距离，或者是为机械臂规划出一条无碰撞的运动轨迹，从而实现物体抓取等。目前运动规划的研究取得长足进展，栅格法、 路标法、 人工势场法等全局或局部规划算法被相继提出。随着研究的深入，基本的运动规划问题不断扩展，空间的维度也随之增加。但基于确定性空间的精确解法是以巨大的存储空间和计算量为代价的，仅仅在低维空间或者特殊条件下才可能存在精确的解法。在高维空间面前，运动规划的解析算法面临极大的困难。

Motion planning task from Start to Goal while avoiding obstacles and joint limits

传统方法的问题在于，始终无法避免在一个确定性空间内对障碍物进行确定的建模和描述，而这对于复杂环境和高维空间很难做到。基于采样的运动规划方法在这一点与传统方法有本质的不同，它仅仅通过对位形空间或状态空间中的采样点进行碰撞检测来获取障碍物信息，并在此基础上进行运动规划。采样规划方法避免了对空间的建模，即对障碍空间和自由空间进行描述的复杂的前期计算，这使它完全能够处理高维空间和复杂系统的运动规划问题。OMPL是一个运动规划的C++开源库，其包含了很多运动规划领域的前沿算法，总体来说OMPL主要是一个采样规划的算法库(OMPL specializes in sampling-based motion planning)

基于采样的运动规划

运动规划算法通常有两个评价指标：

完备性Complete：利用该算法，