关注同名微信公众号“混沌无形”，阅读更多有趣好文！
原文链接：机器人图规划算法研究现状简述（包含原文PDF百度云下载链接）
图搜索算法的基本原理就是计算所有途径节点的路径的成本值，并选择成本值最低的一条作为结果。
-
主要优点：实时性较好，能够快速全局最优（次优）路径，能适应低维空间的动静态环境，分辨率完备（相较于基于采样的算法，图搜索算法接近于遍历算法）。
-
主要缺点：生成的路径连续性较差，并不适合直接应用于机器人运动，但图搜索算法在高维空间搜索性能不可靠，原因在于在二维空间中，图搜索算法是基于当前点向四周扩展，需要遍历计算四周扩展节点的累加成本，而在三维或更高维空间中，其四周扩展节点数量将迅速增加，这会增加每一次节点扩展时的计算成本，因此在高维空间的搜索性能会严重下降。
BUG类算法的基本原理就是遇到障碍物就沿着障碍物边缘运动，所以实际生成的路径曲线与障碍物边缘曲线形态有着密切关系，可以近似认为是障碍物边界向外缩放后的曲线。
-
主要优点：模型简洁，实时性好，由于主要策略是沿着障碍物边缘运动，所以有着较高的计算效率。
-
主要缺点：依赖于全局定位，抗干扰能力较弱，尤其是在复杂迷宫场景下，BUG算法要找出一条效率高的路径是非常有挑战的。
势场力类算法的基本原理就是构造合适的势场，通过合力驱动机器人运动，当场景中存在较多动态障碍物时，机器人的运动行为也将受到较大的影响。
-
主要优点：模型简洁，安全性极佳，实时性好，路径较平滑。由于计算模型较为简单，因此计算效率较高，能够保证实时性，同时机器人距离障碍物越近，则受到的排斥力越大，保证了安全性。
-
主要缺点：易受到障碍物冲击，存在振荡，当存在多个动态障碍物时，可能会迫使机器人朝着目标反方向运动，而在经过某些特殊场景时，机器人运动轨迹可能会产生震荡，并陷入局部最小值而停止运动。
总体而言，图规划算法已经能够在诸多场景下的规划生成一条无碰撞路径，比如A*算法就被作为ROS navigation stack中global planner的默认算法，随着诸多学者的改进升级，图规划算法的实时性和动态适应性逐渐提升，但多数算法仍存在路径质量差、未考虑动力学约束等问题，这些问题也导致相关算法不能直接应用于实际机器人运动场景。
精彩的理论论证过程见原文链接（含全文下载链接）
由于网页排版效果一般，所以笔者按照期刊论文版式为小伙伴们整理了原文PDF，方便收藏和回味。
原文链接：（包含原文PDF百度云下载链接）
CSDN下载链接：机器人图规划算法研究现状简述PDF如果喜欢的话，可以关注同名微信公众号“混沌无形”，阅读更多有趣好文！
扫一扫
476
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
