基于RRT算法的算法，用于通过从起点和终点同时生长两个快速探索的随机树来搜索状态空间（Matlab代码实现）
欢迎来到本博客❤️❤️
博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
本文目录如下：
目录
⛳️赠与读者
1 概述
一、引言
二、基本原理
三、算法特性
四、算法优化
五、应用领域
六、结论
2 运行结果
3 参考文献
4 Matlab代码实现
⛳️赠与读者
做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......
1 概述
基于RRT（Rapidly-exploring Random Trees，快速探索随机树）算法的算法，通过从起点和终点同时生长两个快速探索的随机树来搜索状态空间，这种方法被称为BiRRT（Bidirectional RRT）算法。以下是对该算法的研究文档概述：
一、引言
BiRRT算法是RRT算法的一种变体，旨在通过同时从起点和终点构建两棵随机树来加速状态空间的搜索过程。这种方法特别适用于高维空间和复杂约束环境中的路径规划问题，如机器人导航、自动驾驶等领域。
二、基本原理
BiRRT算法的基本原理如下：
- 初始化：分别以起点和终点为根节点，初始化两棵随机树。
- 随机采样：在两棵树的生长过程中，分别进行随机采样，生成新的采样点。
- 寻找最近节点：在每棵树中，找到距离当前采样点最近的已有节点。
- 扩展树：从找到的最近节点向采样点方向扩展一定的步长，形成新的节点，并将其加入到对应的树中。
- 碰撞检测：对于新扩展的节点和路径，进行碰撞检测。如果新节点或路径与障碍物发生碰撞，则放弃该次扩展，并重新进行随机采样。
- 迭代扩展：重复上述随机采样、寻找最近节点、扩展树和碰撞检测的过程，直到两棵树相遇或达到预设的迭代次数。
三、算法特性
BiRRT算法具有以下几个显著特性：
- 高效性：通过同时从起点和终点构建两棵随机树，可以显著加快搜索速度，提高路径规划的效率。
- 灵活性：BiRRT算法可以通过调整随机采样的概率、扩展步长等参数来适应不同的应用需求和环境约束。
- 适用性：该算法特别适用于高维空间和复杂约束环境中的路径规划问题，如多自由度机器人在复杂环境中的导航。
四、算法优化
为了进一步提高BiRRT算法的性能，研究者们提出了多种优化方法，如：
- 目标偏置采样：在随机采样阶段引入一定概率选择目标点作为采样点，以便更快地朝向目标点搜索路径。
- 路径优化技术：如逆向寻优、三次B样条曲线优化等，用于改善BiRRT算法生成的路径质量，使其更接近最优路径。
- 启发式搜索：结合启发式信息来指导随机树的生长方向，以进一步提高搜索效率。
五、应用领域
BiRRT算法在多个领域得到了广泛应用，包括但不限于：
- 机器人导航：在复杂环境中为机器人规划出安全的导航路径。
- 自动驾驶：为自动驾驶车辆规划出避障和最优路径。
- 航空航天：在航空航天任务中为飞行器规划出最优飞行路径。
- 动画和游戏：为角色或物体规划出自然的动作路径。
六、结论
BiRRT算法是一种高效、灵活且适用于高维空间和复杂约束环境的路径规划算法。通过同时从起点和终点构建两棵随机树来加速搜索过程，该算法在多个领域展现出了广泛的应用前景。随着研究者们对算法的不断优化和改进，相信BiRRT算法将在未来发挥更大的作用。
2 运行结果
部分代码：
function displayTree(cur_it,treesMax)
global rrt plothandles;
validtrees=0;
colours=['b','k','c','m','y','g'];
for t=1:size(rrt,2)
if rrt(t).valid
validtrees=validtrees+1;
for i=2:size(rrt(t).parent,1)
try delete(plothandles(t).lines(i));end
plothandles(t).lines(i)=plot([rrt(t).cords(rrt(t).parent(i),1),rrt(t).cords(i,1)],...
[rrt(t).cords(rrt(t).parent(i),2),rrt(t).cords(i,2)],colours(mod(t,size(colours,2))+1)); %,'Color',[t/(treesMax*3) t/(treesMax*1) t/(treesMax*2)]); %[t/size(rrt,2),t/size(rrt,2),t/size(rrt,2)]);
end
else
for i=2:size(rrt(t).parent,1); try delete(plothandles(t).lines(i));end; end
try delete(plothandles(t).points); end
end
end
title(['RRT-connect (Step: ', num2str(cur_it), '), No. of active trees = ',num2str(validtrees)]);
drawnow;
3 参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)
[1] Liu L , Wang X , Yang X ,et al.Path planning techniques for mobile robots: Review and prospect[J].Expert Syst. Appl. 2023, 227:120254.DOI:10.1016/j.eswa.2023.120254.
[2]曹园山,成月,郑鹏,等.基于多约束的改进RRT*算法三维全局路径规划研究[J].舰船科学技术, 2024, 46(8):14-18.
[3]胡兵,向凤红,毛剑琳.基于改进RRT算法的AGV路径规划研究[J].软件导刊, 2018, 17(3):4.
[4]徐达,王兆阳,李华,等.基于改进RRT算法的弹药装填机器人路径规划[J].兵工自动化, 2023, 42(11):93-96.
4 Matlab代码实现
资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取
