【路径规划学习】学习路线及概况

一、区分路径规划和轨迹规划

简单来说，路径规划是不包含时间和运动状态，轨迹规划是包含时间和运动状态。两者是机器人运动控制的前后衔接环节（先路径规划，后轨迹规划）

• 路径规划：是从起点到目标点的空间无碰撞路径（仅需满足位置约束，不涉及时间或运动状态）
• 轨迹规划：是在路径规划的基础上，生成包含时间、速度、加速度的运动指令（需满足机器人动力学约束，如硬件加速度上限）

    

   所以我们一般提到的RRT，人工势场法等都是路径规划算法。

二、区分全局规划和局部规划

路径规划算法可以分为全局规划算法和局部规划算法，他俩的核心区别就一点：是否实时获取障碍物信息并实时规划。

• 全局规划：是提前知道全部的静态地图信息，然后直接规划出一条起点到终点的路径，之后机器人就啥也不管一股脑按照这条规划好的路径从起点走到终点，如果中途碰到动态障碍物撞过来他也不管。所以全局规划适用于静态、已知环境
• 局部规划：机器人依赖传感器实时获取局部的动态信息（也就是机器人周围小范围内的障碍物信息），然后实时的规划出下一步该怎么走，看上去比全局规划更智能一点。所以局部规划适用于动态、未知环境。

2.1 全局规划算法

                                                                      全局规划算法汇总表

    

三、核心主流算法介绍

3.1 RRT

下面按照RRT改进的思路进行罗列

3.1.1 路径优化与渐进最优性

  

3.1.2 探索效率提升

      

3.1.3 动态环境适应性

3.1.4 运动学 / 动力学约束处理

3.1.5 参数自适应与采样优化

  

3.1.6  RRT与其他算法融合

  

3.2 APF人工势场以下是经典的人工势场法（APF）改进方法汇总，表格中包含改进方向、核心思想、关键公式（LaTeX 格式）及解决的核心问题，覆盖了针对 APF 传统缺陷（局部极小值、目标不可达、障碍物振荡、动态环境适应性差等）的主流优化方案：

3.2.1 局部极小值与目标不可达问题解决方案

 

 3.2.2 动态环境适应性改进

     

 3.2.3 路径平滑与运动约束处理

    

 3.2.4 混合算法与协同控制

  

 3.2.5 参数自适应与智能优化

  

 3.3 DS动态系统调制方法

DS（动态系统）调制是一种基于动态系统的反应式调制控制策略，通过构建连续的矩阵值调制函数重塑全局动态系统的流场，以实现机器人在含非凸障碍环境中的导航，且需满足不可穿透性、收敛性、实时性等准则。其优点是能处理复杂非凸障碍、支持实时控制（如 1kHz 控制环速率）且具备不可穿透性与收敛性的理论保证

3.4 强化学习

下面是强化学习的改进算法

  

 以下是专门针对路径规划核心缺点（如稀疏奖励、局部最优、动态冲突等）进行针对性改进的强化学习（RL）算法

   

四、OMPL规划库

OMPL（Open Motion Planning Library ，开源运动规划库）是机器人运动规划领域的核心开源工具库，由斯坦福大学等机构主导开发，专注于提供高效、灵活的运动规划算法实现，广泛应用于移动机器人、机械臂、无人机、自动驾驶等领域。它的核心定位是 “算法库” 而非 “完整解决方案”—— 不直接包含机器人建模或可视化功能，而是通过模块化设计，方便开发者集成到具体的机器人系统中。

Planner Developer Tools（PDT规划器开发工具）官方网站：https://robotic-esp.com/code/pdt/

OMPL官方网站：https://ompl.kavrakilab.org/

 

复制拷贝的文档为：原文链接：https://blog.csdn.net/bulletstart/article/details/151651877