106、RRT与RRT星运动规划：采样规划算法在机械臂与移动机器人中的应用

106、RRT与RRT星运动规划：采样规划算法在机械臂与移动机器人中的应用从一次机械臂抓取失败说起上周调试一台六轴协作臂，任务很简单——从桌面抓取一个矿泉水瓶。但奇怪的是，机械臂每次运动到中途就报“路径规划失败”，偶尔成功一次，轨迹还歪歪扭扭，像喝醉了酒。查了半天，问题出在规划器上：默认的PRM算法在狭窄通道场景下采样效率极低，一万个采样点都找不到一条可行路径。换用RRT之后，几百毫秒就出解了。这件事让我决定把RRT和RRT*的实战经验好好整理一下，毕竟采样规划算法在机械臂和移动机器人里太常用了，但真正用好的同学不多。RRT到底在干什么RRT（Rapidly-exploring Random Tree）的核心思想特别朴素——从起点开始，随机撒点，把新点连接到树上，不断向外扩张。你可以把它想象成一颗随机生长的藤蔓，往四面八方试探性地延伸。每次生长都朝着随机方向，所以它能很快探索整个空间，尤其是那些狭窄通道，反而比均匀采样更容易钻进去。代码实现上，RRT的核心就三步：采样、找最近节点、扩展新节点。采样就是随机生成一个目标点，找最近节点是在现有树上搜索距离最近的点，扩展则是从最近节点朝采样点方向走一小步。这三步循环执行，直到新节点到达终点附近。defrrt_plan