路径规划算法大体上能够被划分成两类，其中一类是经由搜索得出结果进而开展的规划，而另外一类则是在本篇文章里面即将被叙说的基于采样的规划。
通常来讲，像Astar这样基于搜索进行规划的方式，一般是在栅格地图上运行的 ，当栅格的分辨率变得越大的时候 ，算法所搜索出的路径就会越发优化。
存在另外一类算法，其是基于采样的，重点是RRT以及它的那些变种算法。这一类算法的关键核心处于随机采样方面，从父节点起始，随机于地图之上生成子节点，将父子节点连接起来并开展碰撞检测，要是不存在碰撞情况，便对该子节点进行扩展。
以此方式，持续地随机去进行样本点的扩展操作，一直到成功生成一条能够连接起点以及终点的路径为止。像下面所展示的图形那样，RRT算法所形成的扩展图跟那种盘根错节的树枝极为相像。
我们在此处简要地探讨两种算法之间的区别，并配置Python与matplotlib环境，以此来对路径规划算法展开研究。
搜索路径规划算法
这一大类算法，常见于移动机器人软件，是在occupAncy grid的格纹版图上开展计划，该版图可被单纯理解为二值地图的像素矩阵，此算法以深入择优寻径算法、广度择优寻径算法、Dijkstra（迪杰斯特拉）算法为始祖，而A Star算法更为常见，它是在Dijkstra算法基础上，以减小运算量为目的加入的一种启发式代价。
相较近期的theta Star算子，它是在A Star算子的基础之上，加入了line-of-sight优化，因而，计划起来的路线，并不完全依赖于单独的栅格图形，如图所示。
完备的运算，其最大优点在于，在对解的信息捕获能力这方面是全然的，然而，随之而形成的最大弊端就是，运算复杂性极大。
这些缺陷，在二维的小尺寸栅格地图之上，并不显得突出，然而在大尺寸方面，特别是于多维度规模问题之中，像机器臂、蛇形机器人的规划问题，将会形成极大的计算代价，如此一来，便径直推动了第二大类算法的诞生。
抽样路径规划算法
计算通常是在grid地图实现最小栅格分辨率的计划，且并不直观，不过它能通过在版图上随意撒下特定密度的粒子，被抽象定义为现实版图上的辅助计划。
于是乎，PRM算法以及它的那些变种，是从原本的版图之上起始撒点的，并且借助抽取roadmap，在如此这般的一种拓扑版图当中去展开计划。
RRT它以及其具备的更为先进的变体RRT - connect，是在版图的每一个区域均可开始进行撒点操作，并采用迭代生长树的方式，旨在以连结起止点作为目的，最终在所连结版图上面成功实现计划，就如同图所展示的那样。
一方面，这种基于采样的计算，其速率相对较快，另一方面，所产生的路径损失，可将其认知为时间来看，相较于那些较完备的计算而言比较高，此外，还会出现“有解却求不出”这样的情形，也就是PRM中那种碰到Narrow space就会失败的情形。
这样的方式，通常会在更高维的城市规划等实际问题上广泛使用。
Python和matplotlib的配置与使用
此处我们运用Anacondda的Python编程环境，运用Visual Studio Code软件来开展开发。
Anaconda是一个应用包，它是专门为方便借助Python开展数据挖掘研究制作的，它涵盖了在各类数据挖掘研究所涉及的领域里会用到的Python库，并且它自身带有专门用于处理软件环境中依赖问题的conda包系统。
主要优点在于达成了外包管理以及环境管理的各类功能，并且能够相当轻易地就行控制，针对多版本Python共存的状况、转换的过程，还有各种第三方包使用方面的问题。
Anaconda借助工具/命令conda，达成对package以及environment的管控，其中往昔涵盖了python与配套开发工具，情况如图所示。
Anaconda自行携带人工智能周遭环境，在此处我们所会用到的numpy矩阵运算环境，pandas剖析环境，matplotlib数据搞可视化环境等等将会自行安装，并不需要借助手动去进行配置。
Visual Studio，一款称作风靡全球的强大轻量级程序编写器，它由微软公司精心研发而出，秉持免费、开放以及能力强劲的特性，被命名为Visual Studio Code简称为VSCode。
它对基本上所有主要程序语言的语法高光度予以支持，支持智能编码补满，支持自设定热键，支持括号匹配，支持编码片段，支持编码对比 Diff，支持 GIT 等功能 ，同时还支援插件扩展功能，并且依据个人网站发展或者云端使用发展进行了调整。
这软件具备跨平台特性，对Win、Mac以及Linux予以支持，其启动界面呈现如所展示的那样。
VS Code编程环境有着项目视图以及调试工具，能够使我们更高效地开展代码分析跟验证，VS Code会自行检测我们系统当下环境来进行加载选择。
为了方便后续展开开发工作，我把数据可视化这一部分写成了类库的模式，在后续进行算法验证的过程当中，只需要输入数据然后调用就行，类库程序呈现如图所示。
属于Plotting类的图表可视化部分，其主要起到让添加坐标点得以进行显示的作用，它是以queue队列的数据样式予以存储的，情形如图所示。
移动机器人在有障碍物的周围环境里，会依据相应评价准则，去寻求一条从初始状态到目标状态之间的无碰路线，这就是路线规划算法的基本概念所要表达的内容。路径规划算法还有一种划分方式，它能够被分为全局路径规划以及局部路径规划。
基于环境全局的信息，存在着全局路径规划，这其中涵盖了机器人于当前状况下无法检测到的全部信号，全局规划将环境信息放置到一幅图里，并且借助这张图寻觅可能的路线。
因其一般需要消耗诸般大量运算时间，故而不适用于高速多变之动态环境，再者因其全局路径规画务必预先掌控全局环境信息，亦不适用于未知环境下的规画任务。
仅考虑机器人瞬时环境信号的局部路径计算系统，致使计算数量降低，效率显著提升。然而，有时局部路径规划算法并不能使机器人径直抵达目的地点，所以导致计算全局不收敛。
对于移动机器人来讲，要同时考虑非完全的微分约束，这样的路径规划问题，是处在这个领域里的难点之处。
这不完整的微分约束呈现出对机器人系统运动速度的影响态势，而且该约束存在着无法进行积分的状况，所以没办法将这些束缚转变为得以简化的几何束缚。
依托随机采集的路径规划办法，特别是快速随机搜索树办法，能够把各类约束融入算法自身当中，故而能够极为有效地化解存在非完整微分约束的路径规划难题。
在往深入钻研自身依靠自己规划的课题以前，要先构建起相对而言较为完备的依靠自己规划体系，接着再将这个体系当作指引，针对自身依靠自己规划的各类具体课题予以钻研。
本节打算针对，独立人工智能机器人的，思考方法、行动方式、任务行动等特征，去形成，与之相适应的自主性体育运动规划系统。
按照人工智能机器人的数量，种类以及规模，将自主性运动计划划分成两种规划系统，一种是单一人工智能机器人的运动计划，另一种是多人工智能机器人协同的运动计划。
所阐述的文章着重关联了以下几个平常会出现的运动规划算法，分别是图搜索法，RRT算法，人工势场法，BUG算法等，并且针对部分方法自身存在的问题也开展了一些改进方面的研究。
此次设计方案着重在算法的验证方面，先是展开对相关文献的查阅，接着依据所查阅的相关文献资料去确定此次设计实验的算法，随后对算法的实现过程予以推导，最终借助代码达成数据可视化分析以此来完成本文的工作，如图所示。
此次设计，先针对图搜索算法，进行理论的分析与阐述，再针对RRT及RTT改进算法，予以理论的分析和说明，接着针对BUG算法，开展理论的剖析与阐释，随后针对人工势场法，进行理论的研讨和讲述，通过Python编程，加上Matplotlib数据可视化的形式，来对路径搜索算法，进行可视化的呈现和剖析。
此项研究工作主要是针对ROS机器人系统展开仿真实验得出的成果，ROS技术也就是 robot operating system，下文简称为“ROS”，它是一个在人工智能领域广泛运用的开放多元操作系统。
它给出了控制系统所需的所有特性，像硬件抽象性，系统底层的操控，针对常用功能的运用，进程的数据传送，以及包处理等等。
它具备这样的功能，此功能里有用于检索的部分，也有用于翻译的部分，还有用于汇编的部分，并且存在跨计算机执行代码所必需的工具，以及跨计算机执行代码所必需的库函数。
在ROS系统的环境状况下，能够借助Gazebo物理仿真以及Rviz三维数据可视化这样的方式，来针对该算法开展分析工作。在ROS里要达成自身的路径规划算法，需要运用以plugin的形式，而且还要继承nav_core::BaseGlobalPlanner接口，达成的效果就如同所展示的图片那样。
在Gazebo环境里搭建机器人模型这一仿真测试部分，把激光雷达数据、里程计数据、姿态数据借助仿真系统予以模拟，之后将传感器数据传递至navigation导航框架之中，以此达成路径规划以及自主导航功能。
《智能车辆轨迹跟踪控制及安全策略》
这个课程对预瞄跟踪控制的工作原理予以了介绍，对状态机的工作原理也进行了介绍，而且搭建起了Simulink - Carsim联仿平台，借助实例针对基于单点预瞄的PID控制做了讲解，针对恒定横摆控制也做了讲解，还针对Stateflow模型的搭建过程做了讲解。
（扫描二维码查看课程详情）
