prm

路径规划作为机器人完成各种任务的基础，一直是研究的热点。研究人员提出了许多规划方法如： 1. A* 2. Djstar 3. D* 4. 随机路标图（PRM）法 2. 人工势场法 2. 单元分解法 4. 快速搜索树（RRT）法等。 传统的人工势场、单元分解法需要对空间中的障碍物进行精确建模，当环境中的障碍物较为复杂时，将导致规划算法计算量较大。 基于 随机采样技术 的 PRM法 可以有效解决 “高维空间” 和 “复杂约束” 中的路径规划问题。 1. 简介 如上图所示， PRM(Probabilistic Roadmaps) 是一种基于图搜索的方法，一共分为两个步骤： 学习阶段 ， 查询阶段 它将连续空间转换成离散空间，再利用A*等搜索算法在路线图上寻找路径，以提高搜索效率。 这种方法能用相对少的随机采样点来找到一个解，对多数问题而言，相对少的样本足以覆盖大部分可行的空间，并且找到路径的概率为1（随着采样数增加，P（找到一条路径）指数的趋向于1）。显然，当采样点太少，或者分布不合理时，PRM算法是不完备的，但是随着采用点的增加，也可以达到完备。所以PRM是概率完备且不最优的。 用随机路径图（PRM）法寻找给定地图中两点之间的路径，PRM进行路径规划的步骤： 学习阶段： 在给定图的自由空间里随机 撒点 （自定义个数），构建一个 路径网络图 。 a）构造步骤 b）扩张步骤 查询阶段：