2.基于采样的路径规划：RRT

1.概率路线图（PRM）

概率路线图 Probabilistic Road Map（PRM），是一种图结构，将规划分为两个阶段：学习阶段和查询阶段

• 学习阶段：
  • 在空间中随机的洒一些采样点，然后删除落在障碍物空间内的采样点
  • 连接距离最近的采样点，然后将路径穿过障碍物的路径删除
• 查询阶段：
  • 地图简化为图搜索最短路径，可以使用A*或者Dijkstra

2.快速搜索随机树（RRT）

2.1 RRT

　　快速搜索随机树 Rapidly-exploring Random Tree（RRT），通过随机采样点并扩展树的方式找到一条路径

　　由于每次都需要对比所有点与随机点的距离找到谁最近，这里采用了KD-tree来解决大计算量的问题，这种方法利用计算机中的数据结构，在不考虑改进RRT本身的情况下增加算法速度Kd-tree，Kd-tree

2.2 Bi-RTT

　　与RTT思路相同，但一次随机采样点会让起始点和终止点同时生长一棵树，寻找一条可以使两棵树相连的路径

2.3 RRT*

　　RRT算法找到的路径不具有最优性，RRT*尝试解决最优性的问题。RRT*中，采样->寻找最近点->移动一段距离得到新的点这三步初始流程相同

• 查找X_new附近范围的点
• 计算这些附近的点，哪个从起始点到X_new距离最短
• 因为X_near距离X_new最短，所以我们将X_new的父节点设置为X_near
• 最后更新这附近的路径，因为X_new到X₂距离更短，所以修改X₂的父节点
• 对比：
  • RRT中X_new的父节点会直接标记为X₂，但RRT*中X_new的父节点会在一个范围内计算它到初始节点的距离择优
  • RRT*中有额外的rewire过程，它重新判断附近节点走哪条路径更优，修改父节点
  • RRT*找到路径后不会结束，而是一直迭代查找更优解直到循环结束

2.4 Kinodynamic-RRT*

考虑动力学的RRT*

2.5 Informed RTT*