/NMQDVRxMT4HiusZ4t7fuzGHbKWUvuKEpJRMEi8pIEqm+0W0F6suH9iH315Hk9yBAUcgVJ3kEixMQDbeu/qv+DDvD8OukKe58qPUtTfVMvRc/LwZp8jSt50nB1TBGPLNHE6TSjJzI5kaNQZMZmVmUWL32T+1Rrt5xXiPDw4VqwaVOMtKclS03hBBAiAQBzNxFYD2/wCH/

+Qamt51YQ2hqVR6/j5h9alEJS2ildziykDRPaaBfENUofwKZvQfjS6q500U3+uNYjhbLUhPi1zypNyhTCBYXEFLsT1m3TFQfXf7hHUv7pl5WXO6jKDjixL6x+ufZlEpNjY5dsqfbjNaqkD8dSq1Kr9Rrt91KNCqDKpkSkXDcMyLR5curPUuFAeq1RVJztfW1ddUNqq0NJU2SlCW2yiEk3CiolwiR

基于matlab的采樣的運動規劃算法-RRT(Rapidly-exploring Random Trees)，3D和2D,原始的RRT算法中將搜索的起點位置作為根節點，然后通過隨機采樣增加葉子節點的方式，生成一個隨機擴展樹，當隨機樹的葉子節點進入目標區域，就得到了從起點位置到目標位置的路徑。程序已調通，可直接運行。

參考文獻 [1] D. González, J. Pérez, V. Milanés and F.

參考文獻 [1] D. González, J. Pérez, V. Milanés and F.

D* Lite算法 D* Lite算法是以LPA*為基礎，是Maxim Likhachev和Sven Koenig于2002年基于LPA*，結合A*算法思想，提出一種增量啟發式算法，適用于在未知環境中的導航以及路徑規劃，廣泛用于目前各種移動機器人和自主車輛載具，例如“機遇號”和“勇氣號”火星車測試的原型導航系統。

Taheri等［15］基于RRT算法提出了模糊貪婪快速探索隨機樹算法，減少了節點的數量，降低了算法的計算復雜度；宋曉琳等［16］利用高斯分布函數結合期望路徑模型，在RRT算法中引入啟發式搜索機制尋找合適的避障路徑，最后用B樣條曲線插值的方法進行光滑化處理，解決了RRT算法規劃的路徑不平滑的問題；杜明博等［17］在RRT算法基礎上結合了環境約束和車輛自身的約束，實現了復雜的低速環境的路徑規劃。

針對復雜環境動態變化的問題，傳統A*算法難以應用，因此一些學者在A*算法的基礎上進行改進，典型的改進算法有D*算法。Ganapathy等[45]提出Enhanced D* Lite算法，解決了穿越尖角障礙物產生的不安全路徑問題。Stentz[46]提出分批次局部更新航跡代價圖的D*算法，有效解決避障問題。常見的基于啟發式典型算法的避障算法的適用場景與優缺點如表2所示。

為了解決曲率問題，Rufli和Siegwart（2010）通過在4D配置空間（包括2D位置、航向和轉向角）上定義一個2D輸入集U（航向和轉向角被離散化），構造了一個輸入和狀態格。網格跨越24個方向，這些節點通過三次多項式曲線連接起來，并且具有自我變形的能力，以適應給定參考路徑的彎曲和狹窄道路結構。

2.2 采樣法 針對搜索類算法在多維狀態空間下容易出現“維數災難”的問題，可采取基于采樣的方法，例如快速擴展隨機樹(Rapidly-exploring Random Tree,RRT)[28]及其改進算法RRT*[29]以實現漸近最優。