运动规划算法之RRT如何学习？小鱼的开源推荐之RRT算法纯Python实现！

你们好，我是小鱼。今天又是周五了，祝你们周末愉快！上周末小鱼原本打算去称称体重，结果惧怕接受现实，最终尚未勇气上称，这周必定要再试一试。\

不说闲话，今天小鱼给你们讲一讲运动规划中的路径搜索算法之RRT(快速随机扩展树)，最后小鱼将带你们一次运行代码，直观感觉一下他们以前的区别。

1、为何要路径规划？

机器人要从位置A安全的无碰撞的移动到位置B,同时还须要在移动的过程当中保证运动轨迹的平滑、耗时最短等。这就是运动规划须要解决的事情。

不管是移动机器人仍是机械臂，都须要路径规划来帮助规划出一条合理的路径（总不能穿墙而过吧），因此运动规划的重要性就不言而喻了。

有的同窗使用过move_base，其实它就是集成了运动规划和轨迹规划功能的功能包，负责搜索路径并控制机器人进行路径的跟踪。

2、RRT算法是怎么回事？

快速扩展随机树算法是运动规划算法的一种，其主要用于路径搜索。

下图是小鱼跑的一个开源库中对rrt算法的搜索结果。左下角为起点，右上角为终点。

能够看到，经过不断的搜索，最终找到了一条从起点到终点之间的无碰撞路线（红色）。

RRT算法，将起点做为树的根节点，经过不断的随机采样，添加叶子节点，生成一个随机扩展树。当随机树中的叶子节点与目标点重合或接近到某个值之内，则搜索成功。

3、开源库推荐

因此今天推荐的开源库是：github.com/motion-plan…

git clone https://github.com/motion-planning/rrt-algorithms.git
复制代码

使用时须要安装两个依赖

pip install Rtreepip install Plotly
复制代码

如何使用

先定义一个n维搜索空间，并在搜索空间内插入n维度的障碍物，而后设置好起点和终点的位置以及随机树展开迭代次数和最大迭代次数。

X_dimensions = np.array([(0, 100), (0, 100)])  # 搜索空间# 障碍物Obstacles = np.array([(20, 20, 40, 40), (20, 60, 40, 80), (60, 20, 80, 40), (60, 60, 80, 80)])x_init = (0, 0)  # 起点位置x_goal = (100, 100)  # 终点位置Q = np.array([(8, 4)])  # 树的边长r = 20  # 与障碍物相交的最小边长max_samples = 1024  # 最大搜索次数prc = 0.1  # 判断是否搜索成功的阈值X = SearchSpace(X_dimensions, Obstacles)#  建立搜索空间# 建立RRT搜索对象并开始搜索rrt = RRT(X, Q, x_init, x_goal, max_samples, r, prc)path = rrt.rrt_search()
复制代码

运行

pyhton3 rrt_2d.py
复制代码

纯Python(3)实现，依赖也很简洁，运行代码后会生成一个网页并自动打开浏览器。

运行结果

4、优化

该开源库除了RRT算法，还有作了优化的rrt-connect、rrt*等算法实现。

rrt-connect算法是从起点和终点同时建树，速度会快不少，小鱼截个图给你们看看。

你们看了rrt算法和rrt-connect算法是否是像小鱼同样以为不够满意呢？

若是本身作的机器人像这样子走，确定会被老板炒鱿鱼的。缘由在于路径不是最优的，有的地方甚至来来回回折腾着。

因此接下来小鱼介绍另一种rrt*，该算法经过将以前搜索过的点加入了路径计算中来，随着叶子点增长，在找到目标点或者达到设定的最大循环次数以前，能够不断优化路径。

让咱们来看一下rrt*的运行结果：

5、最后

同时该开源库还给了三维空间的RRT算法使用样例，作机械臂运动规划的小伙伴能够多看一看。

若是有不清楚的或者错误的地方，欢迎联系小鱼~

自我介绍

我是小鱼，机器人领域资深玩家，现深圳某独脚兽机器人算法工程师一枚

初中学习编程，高中开始学习机器人，大学期间打机器人相关比赛实现月入2W+（国特）

目前在作公众号，输出机器人学习指南、论文注解、工做经验，欢迎你们关注小智，一块儿交流技术，学习机器人