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
