global_planner:

A*、Dijstra、prm、人工勢場、單元分解、快速搜尋樹（RRT）等

local_planner:

eband_local_planner、asr_ftc_local_planner、dwa_local_planner、teb_local_planner

傳統的人工勢場、單元分解法需要對空間的障礙物進行精確建模，那麼當環境障礙物多而複雜時，將導致規劃演算法計算量較大。

基於隨機取樣技術的PRM演算法可以有效解決“高維空間”和“複雜約束”中的路徑規劃問題。

1.簡介

PRM（Probabilistic Roadmap）是一種基於圖搜尋的方法，一共分為兩個步驟：學習階段，查詢階段

特點：將連續空間轉換成離散空間，在利用A*等搜尋演算法 在路線圖上尋找路徑，以提高搜尋效率。

這種方法能用相對少的隨機取樣點來找到一個解，對多數問題而言，相對少的樣本足以覆蓋大部分可行的空間，並且找到路徑的概率為1（隨著取樣數增加，P<找到一條路徑>指數的趨於1）。顯然，取樣點太少，或者分佈不合理時，PRM演算法是不完備的，但是隨著取樣點的增加，也可以到達完備。所以PRM是概率完備且不最優的。

用隨機路徑圖（PRM）演算法尋找給定地圖中兩點之間的路徑，PRM進行路徑的步驟：

1.學習階段：

在給定圖的自由空間裡隨機撒點（自定義個數），構建一個路徑網格圖。

a>構造步驟

b>擴張步驟

2.查詢階段

查詢從一個起點到一個終點的路徑。

a>區域性路徑規劃

b>距離計算

c>碰撞檢測

2、詳細解析

2.1PRM學習階段

PRM學習階段包含兩部分內容：

構造步驟

該步驟構造一個無向圖的路徑網格R=（N，E），其中N代表隨機點集，E代表所有可能的兩點中間的路徑集。

論文中給出的虛擬碼是：略

文字說明

步驟1~2:初始化兩個集合，其中N：隨機點集，E：路徑集。

 步驟5~8：對每一個新的節點c，我們從當前N中選擇一系列的相鄰n，並且使用local planner進行路徑規劃

步驟9~10：將可行駛的路徑的邊界（c，n）加入到E集合中，不可行的路徑去掉。

圖說明略，參照參考文章

除了基於圖搜尋的方法，還有另外一大類基於樹狀結構的搜尋演算法，其中最著名的就是快速擴充套件隨機樹法（Randomly Exploring Randomized Trees，RRT）了。RRT演算法是從起始點開始向外拓展一個樹狀結構，而樹狀結構的拓展方向是通過在規劃空間內隨機採點確定的。與PRM類似，該方法是概率完備且不最優的。

雖然基於取樣的規劃演算法速度很快，但他們也有缺點，那就是由隨機取樣引入的隨機性。利用RRT和PRM演算法進行運動規劃，使用者無法對規劃結果進行預判，每次規劃的結果都不一樣，缺乏可重複性。與解析演算法的確定結果不同，隨機方法對同一個規劃問題的表現可能時好時壞，連續出現完全相同的規劃結果的概率很低。要判斷演算法對於某一規劃問題的效果，往往需要多次反覆的試驗。基於隨機取樣的運動規劃方法無法預測下一次規劃是否能夠成功，更無法預測下一次的路徑或者軌跡的引數。