郑 维，张 涛，王洪斌，田亚静，王洪瑞

(1.燕山大学 电气工程学院，河北 秦皇岛 066004；2.国网石家庄市藁城区供电公司， 河北 石家庄 052160; 3.河北大学 电子信息工程学院，河北 保定 071000)

1 引 言

自主机器人的运动规划一直是热门的研究领域，其目的是为机器人在空间中规划出一条带有控制序列的运动轨迹，使机器人能够完成给定的运动行为。实现运动规划的方法主要有两类：基于图论的方法[1,2]和基于采样的方法。基于采样的规划方法避免了显式的构造构型空间，从而避免了“维度灾难”问题，首先从状态空间中随机抽取样本，然后检查样本的可行性，并选择接受或拒绝该样本。快速扩展随机树(rapidl expansion random tree,RRT)算法以其简单高效的算法流程以及概率完备性的特点，在基于采样的规划方法中有较大优势。

1998年，Lavalle S M[3]首先提出RRT算法;文献[4]严格地分析随机采样算法返回的解的代价随样本数量的增加的渐近行为；文献[5]针对动态环境，提出了一种基于采样算法的实时动态规划框架；文献[6]在RRT算法的基础上，提出了一种基于增量采样的运动规划算法，解决了集群环境下的近似最优运动规划问题；文献[7]结合方向相似性得多步扩展与贝塞尔曲线拟合生成初始解；文献[8]提出了基于“懒惰”的最优快速探索随机树算法，能够在静态和动态环境中使用更新的信息进行实时重新规划；文献[9]引入自适应引力场以获取采样点，加快算法得收敛速度；文献[10]提出了一种渐进优化的采样算法，得到初始路径后划定子区域进行重接线，从而得到最优路径；……