系列文章目录
提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
TODO:写完再整理
文章目录
- 系列文章目录
- 前言
- Kinodynamic A*算法
- 1、前端kinodynamic A*算法动力学路径搜索的功能
- 2、步骤一：进行实时采样,离散的获得一些轨迹点（节点point_set，即创建open_list）以及起始点的速度与加速度
- 3、步骤二：设置算法搜索参数setParam()
- 4、步骤三：整体的搜索过程search()--包括进行节点扩张-剪枝
- 5、步骤四：获取规划得到的路径点getKinoTraj（）
- 6、关键函数分析【重点】
- （1）计算启发代价值H estimateHeuristic（）
- （2）计算当前节点的真实的代价G值
- （3）计算一条直达曲线computeShotTraj（）
- （4）节点扩张、节点剪枝流程
- 7、总结
- 8、参考资料
- 6.Kinodynamic RRT*算法
- （1）Kinodynamic-RRT*的目的
- （2）Kinodynamic-RRT*基本思路
- （3）Kinodynamic-RRT*伪代码
- （4）参考资料
前言
认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！本文先对Kinodynamic A*算法做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章
Kinodynamic A算法是一种结合了动力学约束的A搜索算法，旨在为自主运动的无人机或机器人提供高效的路径规划。深入分析Kinodynamic A*算法，需要从其核心原理、算法流程以及实现细节三个维度展开讨论。通过这种深度剖析，能够全面地理解该算法的精妙之处及其在实际应用中的关键作用。具体分析如下：
-
核心原理
- 融合动力学约束：Kinodynamic A算法最显著的特点是将机器人或无人机的运动学和动力学约束融入到传统的A搜索算法中[1]。这些约束包括速度、加速度以及力的模量边界等，确保规划出的路径不仅避开障碍物，还符合运动的实际物理限制。
- 启发函数的设计：算法利用Pontryagin’s minimum principle计算启发函数，从而预估从当前状态到目标状态的最优轨迹[1]。这一设
)
