机器人SLAM路径规划总结（1）

1）路径规划算法：
【1】基于采样的算法（PRM）
【2】基于节点的算法（A star ,D star,theta star）–grid map
【3】基于数学模型的算法（PNLP）
【4】生物启发式算法（cnn,bp,ACA）：需要增强实时性！！！
【5】多融合算法（多数据融合，多算法融合）

2）典型算法讲解
1.A*算法
https://blog.csdn.net/autonavi2012/article/details/80923431（参照这个博客已经很清楚了）
步骤a)
给每个节点赋值
F=G + H
G：从初始点到指定待查节点的距离；
H：从待查节点到目标节点的距离；（有多种距离量度）
把每个带检查节点放到openlist()当中
步骤b)
把openlist中最小的F值的节点，从openlist中删除，放到closelist当中；
再以closelist的当前节点作为父节点，往openlist中添加待查节点
步骤c)
结束条件：目标节点在openlist中首次出现，通过回溯，得到路径
优点：路径最短
缺点：「1」空间增长为指数级别，很难往高维空间扩展；「2」路径不过平滑，被网格化控制
2.人工势场法（局部路径规划的算法）（APF）
https://blog.csdn.net/junshen1314/article/details/50472410
优点：路径规划的比较平滑（柔性机械臂）
缺点：目标太远，引力太大，障碍物太近，到不了目标点，容易陷入局部最优解
3.快速搜索树(RRT)
https://www.cnblogs.com/21207-iHome/p/7210543.html
优点：可以往高维空间扩展，复杂度较低
缺点：基本无bias的RRT会在空间随机扩展；输出的路径非最优路径而且不平滑
改善：对路径平滑处理，加入A star的启发函数

研究方向：
1.轨迹优化：轨迹插值，多项式插值等
2.未知环境的路径规划（exploring）
3.动态环境下的路径规划
4.三维路径规划