上一篇提到，機器人軌跡規划中我們可以在 Configuration Space 中運行A* 或者 DJ 算法。無論A* 還是DJ 算法，都必須針對鄰域進行搜索，如果2自由度則有4鄰域，2自由度則有8鄰域。如果是工業上常用的6自由度機器人，那么就有2^6鄰域。。。。。。顯然，對於軌跡規划這種串行算法而言，這么高維度的搜索空間是不合適的.......於是就有了犧牲精度，魯棒性，但是效率較高的基於采樣的軌跡規划算法。PRM(probabilistic road map)。使用PRM生成稀疏的路徑圖，再利用A*算法在路徑圖中進行軌跡規划，則可以顯著提高效率。
1、生成永久map的PRM算法
PRM算法的偽代碼如下：
其中Dist function 是計算Configuration Space中，點與點之間距離的函數。Local Planner 是檢查點與點連線是否在Configuration Space 中經過非自由區域的函數。
此算法的本質是蒙特卡洛算法。所以原本很容易在GPU上實現並行化。最大的困難還是處於非自由區域檢查部分...
綠色的點為隨機采樣點。
2、在空間中生成一次性路徑的 RRT 算法
很多時候，我們並不需要生成一整個可以反復使用的map ,我們更需要在空間中尋找到一條可以移動的路徑。比如，無人汽車從A到B ，我們只需要生成一次路徑即可，回頭時障礙物可能已經發生變化。這時候我們使用RRT算法。
其root 為起點與終點，只要最后兩棵樹可以合並，那么則找到了起點到終點的路徑