自动驾驶小白说 🏎️3.2.c RRT代码解析
type
status
slug
date
summary
tags
category
password
icon
放手一搏，还是要等到年华老去，心中充满遗憾，孤独的迈向黄泉？
—《盗梦空间》
🏰代码及环境配置：请参考0.2 环境配置和代码运行 | 动手学运动规划!
本节提供了RRT和RRT Star算法的代码测试.
两个算法运行的环境（地图和障碍物分布均相同），并通过函数实现（这一部分可根据自己需求进行修改）：
3.2.c.1 RRT算法实现
在
tests/sampling_based_planning/rrt.py 中给定start point和goal point，在上述构建的地图环境中进行测试，代码如下：get_random_node : 获取随机点get_nearest_node_index ：在已有 的node list中找到最近点steer ：按照一定的步长往前计算得到新节点check_if_outside_play_area：判断新节点是否出了地图check_collision ：判断是否节点和边有碰撞calc_dist_to_goal ：判断是否到终点了，即算法结束generate_final_course ：使用回溯的方式得到最终的路径测试结果如下，可以看到RRT算法可以找到一条从起点到终点的路径（但不是最优的）。
3.2.c.2 RRT Star算法实现
RRT Star的算法实现和RRT的算法实现大体相同，为了保证代码的独立性，将其定义在
tests/sampling_based_planning/rrt_star.py 中，并在上述构建的地图环境中进行测试，代码如下：除了与RRT算法中相同的函数，此处不再赘述，其他的函数定义如下：
new_node.cost ：每个节点定义了cost，此处用的是欧式距离choose_parent ：给新节点重新寻找父节点rewite ：随机树的重布线search_best_goal_node ：在当前的迭代情况下，找寻最优的目标节点测试结果如下，可以看到RRT Star算法得到的路径相比RRT算法得到的路径更优。
Loading...
