优化过后的基于采样的路径规划算法（RRT Star）

---

Original RRT的一些缺陷

• 所得到的的路径并不是最短/最优
• 由线段连接成的路径不光滑，不太适合机器人去执行，如下图所示。
  

---

RRT Star

是针对性地去解决RRT当中路径不是最优的情况

伪代码

RRT Star大体上与RRT是一致的

1. 采样得到空间中的点X_rand。
2. 通过在X_rand周围进行搜索，找到其最近的领域节点X_near，搜索过程中可以用KT-Tree进行加速。
3. 通过X_near往X_rand移动一定距离，可以得到一个新的点X_new。
4. 此时就与RRT当中有些不同了，在RRT当中，找到X_new之后是与X_near直接相连的，但是在RRT*当中，找到了X_new之后，就会在X_new之间找到一个范围，在这个范围内，画一个以R为半径的圆，继续搜索其他的点， 如下图所示，找到了X_new，X1，X2这三个节点。
   
   伪代码中的NearC就代表了找附近节点的这么个过程，在RRT当中，找到X_new后，其父节点就是X_near，但在这就不同了，这时把三个节点都通过直线连接起来，下一步做一个操作，就是当前的终点是X_new，从X1，X2，X_near都可以到达X_new，现在就看这三个点中的哪个点到这个最初的大红色起点的Cost是最小的。（动态规划思想）。
   显然是从X_near到达红色起点路径最短。
   
   这时候X_near就被选为X_new的父节点。

综上，就完成了一次ChooseParent，AddNodEdge的过程。

---

rewire()

RRT Star更为突出的特色，就是结尾处的这个rewire()函数，帮助其修改连接过程，使得路径更优化。
举个例子：

在图中，X1到起始节点有两条路径可以选择，一条是红色的一条是蓝色的，当选红色的路径时，X1的父节点是X_near；当选蓝色的路径时，X1的父节点是X_new。通过计算两条路的Cost可知，红色的Cost<蓝色的Cost，此时就不进行Rewire操作，继续保持原有的红色路径行进。

在图中，X2到起始节点有两条路径可以选择，一条是红色的一条是蓝色的，当选红色的路径时，X2的父节点是X1；当选蓝色的路径时，X2的父节点是X_new。通过计算两条路的Cost可知，红色的Cost>蓝色的Cost，此时就进行Rewire操作，更改X2的父节点为X_new，走蓝色的路径，如下图所示。

rewire过程不断迭代，从而使得路径不断优化。
RRT Star在找到一条路径的时候并不会停止，而是会继续进行寻找，直到找到最优的路径为止。
这也是为什么RRT Star可以找到最优化路径的原因。

---

Kinodynamic-RRT*

之前说过了未优化的RRT，由线段连接成的路径不光滑，在运动学上是接受的，但是现实当中不太适合机器人去执行，之前的RRT也没解决这个问题，有的研究者就提出了Kinodynamic-RRT来解决这个问题。

Kinodynamic

之前的步骤与RRT Star都是一样，最主要的是如何连接X_near与X_new，在RRT以及RRT Star当中，直接用直线进行连接；而Kinodynamic是找符合机器人约束的曲线作为路径，下图是两algorithm的效果图。


上图左边，RRT* 类的算法，找到了X_new，下意识的进行直线连接，但是直线穿过了障碍物，只能舍去，但是运用了Kinodynamic-RRT* ，就会有一条平滑的路径，绕过了障碍物。
Kinodynamic-RRT* 演示
Kinodynamic-RRT* 相关资料

---

Anytime-RRT*

当通过树找到了路径，机器人就会沿着树往前走，当机器人往前走的过程中，这个树还是实时的在构建，实时的在更新，在寻找路径，做了一个实时更新的过程。

Anytime-RRT Star的要义就是，将自己的起始点进行实时更新，最初的起始点就是起始点，每走一步起始点就变成了当前点。

相比于之前的RRT，就是先规划出一条，很死板，固定死了，Anytime-RRT* 能更好的去适应环境变化大的情况。

Anytime-RRT* 相关资料

---

其他的Sampling-Based Algorithm

Informed RRT*

前面也说了，RRT是在一个Space当中均匀的进行撒点，然后不断优化路径，但是这样工作量很大，而且浪费也高，这下研究者就提出了Informed RRT Star，将采样的范围限定成了椭圆。只需要在有用的区域进行撒点。

以路径的常数来作为椭圆方程中的常数，这就是为什么椭圆越来越扁的原因。
这样采样的范围就会快速收缩，越来越快得到最优的路径。
Informed RRT* 相关资料

Cross-Entropy motion planning

轨迹生成后，就在各个节点周围进行采样，每个圈都是一个高斯采样，不断进行路径优化，就会得到后面的几条路径。
CEMP流程

---

Conclusion

除此之外，还有很多Advanced Sampling Based Algorithm，欢迎评论区交流。