首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >【启发式算法】RRT算法详细介绍(Python)

【启发式算法】RRT算法详细介绍(Python)

作者头像
不去幼儿园
发布2025-07-02 08:42:03
发布2025-07-02 08:42:03
33800
代码可运行
举报
文章被收录于专栏:强化学习专栏强化学习专栏
运行总次数:0
代码可运行

📢本篇文章是博主人工智能(AI)领域学习时,用于个人学习、研究或者欣赏使用,并基于博主对相关等领域的一些理解而记录的学习摘录和笔记,若有不当和侵权之处,指出后将会立即改正,还望谅解。文章分类在👉启发式算法专栏: 【启发式算法】(8)---《RRT算法详细介绍(Python)》

RRTRapidly-exploring Random Tree快速扩展随机树是一种采样式路径规划算法,广泛应用于机器人运动规划、自动驾驶、无人机路径设计等领域。它特别适用于高维空间中的路径规划问题。下面是对RRT算法的详细介绍:


一、RRT算法的核心思想

RRT的核心思想是通过在空间中随机采样点并逐步构建一棵树形结构(搜索树),来快速探索空间并找到从起点到终点的可行路径

RRT偏向于快速探索未被探索的空间区域,从而快速覆盖整个搜索空间。


二、基本流程

输入:
  • 起点 q_start
  • 终点 q_goal
  • 空间约束(如障碍物、边界等)
  • 最大迭代次数
N
N
  • 步长 Δq
步骤:
  1. 初始化一棵树 T,树的根节点为起点 q_start
  2. 对于每次迭代:
    • 随机采样一个点 q_rand(可以是完全随机,也可以有一定概率采样为 q_goal,称为“目标偏向”)。
    • 在树中找到距离 q_rand 最近的节点 q_nearest
    • q_nearestq_rand 移动一个固定步长 Δq,得到新的节点 q_new
    • 如果 q_new 不在障碍物中,则将其加入树中,并将其父节点设为 q_nearest
    • 如果 q_new 距离 q_goal 很近,可以认为找到了可行路径。
  3. 如果找到路径,沿父节点回溯得到路径;否则直到达到最大迭代次数。

三、RRT算法伪代码

代码语言:javascript
代码运行次数:0
运行
复制
def RRT(q_start, q_goal, N, Δq):
    T = Tree(q_start)
    for i in range(N):
        q_rand = random_sample()
        q_nearest = nearest_node(T, q_rand)
        q_new = steer(q_nearest, q_rand, Δq)
        if is_valid(q_nearest, q_new):
            T.add_node(q_new, parent=q_nearest)
            if distance(q_new, q_goal) < threshold:
                return extract_path(T, q_new)
    return failure

[Python] RRT算法实现

下面提供了一个简化版的 Python 实现示例,并配合图示说明RRT的执行过程。

项目代码我已经放入GitCode里面,可以通过下面链接跳转:🔥 【启发式算法】--- RRT算法 若是下面代码复现困难或者有问题,也欢迎评论区留言

代码语言:javascript
代码运行次数:0
运行
复制
"""《RRT算法》
    时间:2025.06.16
    作者:不去幼儿园
"""
import numpy as np
import matplotlib.pyplot as plt
import random

class Node:
    def __init__(self, x, y):
        self.x = x
        self.y = y
        self.parent = None

def distance(n1, n2):
    return np.hypot(n1.x - n2.x, n1.y - n2.y)

def get_random_node(goal_sample_rate, goal):
    if random.random() < goal_sample_rate:
        return Node(goal.x, goal.y)
    return Node(random.uniform(0, 100), random.uniform(0, 100))

def steer(from_node, to_node, extend_length=5.0):
    dist = distance(from_node, to_node)
    theta = np.arctan2(to_node.y - from_node.y, to_node.x - from_node.x)
    new_x = from_node.x + extend_length * np.cos(theta)
    new_y = from_node.y + extend_length * np.sin(theta)
    new_node = Node(new_x, new_y)
    new_node.parent = from_node
    return new_node

def is_collision(node):
    # 简化处理:假设无障碍物
    return False

def rrt(start, goal, max_iter=500, goal_sample_rate=0.05):
    nodes = [start]
    for _ in range(max_iter):
        rnd = get_random_node(goal_sample_rate, goal)
        nearest = min(nodes, key=lambda n: distance(n, rnd))
        new_node = steer(nearest, rnd)

        if not is_collision(new_node):
            nodes.append(new_node)
            if distance(new_node, goal) < 5.0:
                goal.parent = new_node
                nodes.append(goal)
                break
    return nodes

def draw_path(last_node):
    path = []
    node = last_node
    while node:
        path.append((node.x, node.y))
        node = node.parent
    path = path[::-1]
    plt.plot([x for x, y in path], [y for x, y in path], '-r')

def draw_tree(nodes):
    for node in nodes:
        if node.parent:
            plt.plot([node.x, node.parent.x], [node.y, node.parent.y], '-g')

start = Node(10, 10)
goal = Node(90, 90)

nodes = rrt(start, goal)
draw_tree(nodes)
draw_path(goal)
plt.plot(start.x, start.y, "bs", label="Start")
plt.plot(goal.x, goal.y, "gs", label="Goal")
plt.legend()
plt.grid(True)
plt.axis([0, 100, 0, 100])
plt.title("RRT Path Planning (No Obstacles)")
plt.show()

有博主给出了更好更完整的RRT算法,在下面的github库中:RRT算法


[Results] 运行结果

图示说明:

运行上面代码后会出现如下图所示效果:

  • 🌲 绿色的线表示RRT生成的搜索树结构。
  • 🔴 红色路径表示最终从起点到终点的规划路径。
  • 🔵 起点,🟢 终点。


[Notice] 注意事项

  • 每一步都从树中最近节点往随机点延伸。
  • 最终形成一条从起点连到终点的路径。
  • 可在is_collision()中添加障碍物检测逻辑以模拟真实环境。
代码语言:javascript
代码运行次数:0
运行
复制
​# 环境配置
Python                  3.11.5
torch                   2.1.0
torchvision             0.16.0
gym                     0.26.2

由于博文主要为了介绍相关算法的原理和应用的方法,缺乏对于实际效果的关注


四、RRT的特点

优点:
  • 非常适合高维空间的路径规划。
  • 易于实现。
  • 对复杂环境有良好的适应能力。
缺点:
  • 路径不最优,常常是“锯齿状”路径。
  • 随机性强,规划时间不稳定。
  • 在障碍物密集区域效果不佳。

五、改进版本:RRT*

RRT*(RRT Star)(下一篇文章介绍)是RRT的优化版本,加入了“路径优化”的机制:

  • 在每次加入新节点时,不仅连接最近点,还会尝试重新连接周围节点,以获得更短路径。
  • 理论上可以得到渐近最优解。

六、应用场景

  • 机器人路径规划
  • 无人机自主导航
  • 自动驾驶车辆的避障与路径生成
  • 多自由度机械臂的运动规划
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2025-06-16,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、RRT算法的核心思想
  • 二、基本流程
    • 输入:
    • 步骤:
  • 三、RRT算法伪代码
  • [Python] RRT算法实现
  • [Results] 运行结果
    • 图示说明:
  • [Notice] 注意事项
  • 四、RRT的特点
    • 优点:
    • 缺点:
  • 五、改进版本:RRT*
  • 六、应用场景
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档