有很多類運動規划算法，今天我們將關注這些類中的一個，
但值得一提的是其他類。組合方法通常包括將空閑空間分成幾部分
小件和第一次解決連接這些原子元素的運動計划問題。
他們非常直觀地找到最初的近似解決方案，但它們通常不適合大型環境。
接下來，潛在領域是反應方法。
每個障礙都將創造一種反重力場使車輛難以接近它。
例如，你可以想象使用這個想法圍繞行人或者自行車鼓勵你的計划算法找到遠離它們的軌跡。
大多數潛在領域方法的主要問題是他們有時候將我們推入本地MIMA，這可能會阻止我們找到解決方案。
最優控制包括試圖解決運動規划問題和控制拉生成算法。
使用車輛或起動配置和N配置的動態模型，我們想要生成一系列輸入。
例如，轉向角度和油門輸入會導致我們從頭到尾的配置優化相對於控制輸入的成本函數等
盡可能減少氣體消耗和相對於汽車的配置，例如與其他車輛保持距離。
有很多非常好的方法來做到這一點。其中大部分基於數值優化方法。
但是，很難包含所有與之相關的約束條件，其他車輛以足夠好的方式使這些算法能夠快速工作。
最后，還有基於抽樣的方法，這是我們今天將重點關注的內容。
這些算法非常受歡迎，因為它們需要更容易計算空閑空間的定義。
基於采樣的方法使用探測的碰撞檢測模塊可用空間來查看配置是否發生碰撞。
與組合或最佳控制方法不同，它分析整個環境，
為了找到解決方案，不需要探索自由空間的所有部分。
Explored部分存儲在一個圖形結構中
可以使用像Dijkstra或A star這樣的圖形搜索算法進行搜索。
兩種主要的方法可以被識別為基於采樣：離散方法，這依賴於有限的一組配置和/或輸入，
就像疊加在我們配置空間頂部的網格一樣，以及依靠的概率方法連續配置空間的概率樣本。
可能的配置或狀態的集合那將被探索的潛力是無限的，這給這些方法的一些好的屬性
它們有時是完全概率的概率最優意義，他們會如果你允許他們足夠的計算時間，總會找到解決方案。
我們幾乎沒有抓到表面存在的所有不同種類的計划算法。
遠非我的想法來創建一個詳盡的列表，我強烈建議你查閱一些
這些算法以及更多關於它們如何工作的信息。
接下來，我將介紹混合A星算法。
但在此之前，我建議你重新看一下你之前看到的視頻
明星，然后回答一些關於它的一些屬性的問題。