机器人路径规划其三四 LPA* D* Lite导读
上节说到,A*算法可以看作Dijkstra的扩展,然而,这两种算法均为静态路径规划算法,无法解决动态规划问题,在实际的移动机器人工况中,如果存在需要建图导航的情况,动态规划算法就显得很重要。这节的LPA*和D* Lite算法就是同为基于搜索的动态规划算法,它们可以在规划时发现环境改变后,不需要重新规划路径,前者更新g-value和rhs后,再得出最终的路径,后者则是选用的从目标点规划的方法,D* Lite是结合LPA*和Dynamic SWSF-FP算法而来的,可以看作是LPA*的优化,比LPA*有更好的效果。
由于LPA*较为复杂,搜索方向与A*相同,从起点开始,但是纳入优先队列的不再是最小cost的点,而是一种被定义为non-consistent的点,排序的原则Key也不相同,迭代完成后是从目标点回溯直到到达起始点或者无有效路径,这里省去步骤,详情可参考维基百科:
https://en.wikipedia.org/wiki/Lifelong_Planning_A*
D* Lite没有专门的百科页面,详情可查看论文:
Koenig, S.; Likhachev, M. (2005), "Fast Replanning for Navigation in Unknown Terrain", Transactions on Robotics, 21 (3): 354–363, CiteSeerX 10.1.1.65.5979, doi:10.1109/tro.2004.838026
关于这些算法的应用,已经有开源的轨迹规划库:https://ompl.kavrakilab.org/classompl_1_1LPAstarOnGraph.html,但是好像没找到D* lite,不知道为啥?可能是实用性不如其它?Github上到是有一些。
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· AI与.NET技术实操系列(二):开始使用ML.NET
· 记一次.NET内存居高不下排查解决与启示
· 探究高空视频全景AR技术的实现原理
· 理解Rust引用及其生命周期标识(上)
· 浏览器原生「磁吸」效果!Anchor Positioning 锚点定位神器解析
· DeepSeek 开源周回顾「GitHub 热点速览」
· 物流快递公司核心技术能力-地址解析分单基础技术分享
· .NET 10首个预览版发布:重大改进与新特性概览!
· AI与.NET技术实操系列(二):开始使用ML.NET
· 单线程的Redis速度为什么快?