一、概述
1、算法概述
基于快速扩展随机树（RRT / rapidly exploring random tree）的路径规划算法，通过对状态空间中的采样点进行碰撞检测，避免了对空间的建模，能够有效地解决高维空间和复杂约束的路径规划问题。
特点是能够快速有效地搜索高维空间，通过状态空间的随机采样点，把搜索导向空白区域，从而寻找到一条从起始点到目标点的规划路径。
适合解决多自由度机器人在复杂环境下和动态环境中的路径规划。与PRM类似，该方法是概率完备且不最优的。只要路径存在，且规划的时间足够长，就一定能确保找到一条路径解。
2、一些概念
概率完备性: 是指如果在起始点和目标点间有路径解存在，只要规划或搜索的时间足够长，就一定能确保找到一条路径解；
最优性：是指规划得到的路径在某个评价指标上是最优的（评价指标一般为路径的长度）；
渐进最优性：是指经过有限次规划迭代后得到的路径是接近最优的次优路径，且每次迭代后都与最优路径更加接近，是一个逐渐收敛的过程；
一些路径规划算法分类：
参考链接：https://blog.csdn.net/songyunli1111/article/details/78384096
二、算法原理及流程
1、算法原理
以一个初始点作为根节点，通过随机采样增加叶子节点的方式，生成一个随机扩展树，当随机树中的叶子节点包含了目标点或进入了目标区域，便可以在随机树中找到一条由从初始点到目标点的路径
伪代码如下：
图片来源深蓝课件：深蓝学院：移动机器人运动规划
流程理解：
1、在配置空间中采样。
2、择RRT树中最接近Xrand的节点.
3、从Xnear上在Xrand方向移动一个增量距离。
4、碰撞检测，知道包含目标点。
三、代码实现
c++代码实现：https://blog.csdn.net/weixin_44558122/article/details/114893436
python代码实现：https://blog.csdn.net/feriman/article/details/113828617
参考文献
[1] Siciliano B, Oussama K. Springer Handbook of Robotics[M]. 2007.
参考链接
RRT*算法图解
https://www.cnblogs.com/21207-iHome/p/7210543.html
RRT*python代码:
https://blog.csdn.net/feriman/article/details/113835452
来源于网络和参考链接整理，侵权联系删~