【启发式算法】RRT算法详细介绍（Python）

原创已于 2025-06-16 20:25:22 修改 · 2.7k 阅读

74 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #启发式算法 #python #人工智能

于 2025-06-16 20:23:11 首次发布

启发式算法专栏收录该内容

10 篇文章

订阅专栏

📢本篇文章是博主人工智能（AI）领域学习时，用于个人学习、研究或者欣赏使用，并基于博主对相关等领域的一些理解而记录的学习摘录和笔记，若有不当和侵权之处，指出后将会立即改正，还望谅解。文章分类在👉启发式算法专栏：

【启发式算法】（8）---《RRT算法详细介绍（Python）》

【启发式算法】RRT算法详细介绍（Python）

RRT（Rapidly-exploring Random Tree）快速扩展随机树是一种采样式路径规划算法，广泛应用于机器人运动规划、自动驾驶、无人机路径设计等领域。它特别适用于高维空间中的路径规划问题。下面是对RRT算法的详细介绍：

一、RRT算法的核心思想

RRT的核心思想是通过在空间中随机采样点并逐步构建一棵树形结构（搜索树），来快速探索空间并找到从起点到终点的可行路径。

RRT偏向于快速探索未被探索的空间区域，从而快速覆盖整个搜索空间。

二、基本流程

输入：

起点 q_start
终点 q_goal
空间约束（如障碍物、边界等）
最大迭代次数
步长 Δq

步骤：

初始化一棵树 T，树的根节点为起点 q_start。
对于每次迭代：
- 随机采样一个点 q_rand（可以是完全随机，也可以有一定概率采样为 q_goal，称为“目标偏向”）。
- 在树中找到距离 q_rand 最近的节点 q_nearest。
- 从 q_nearest 向 q_rand 移动一个固定步长 Δq，得到新的节点 q_new。
- 如果 q_new 不在障碍物中，则将其加入树中，并将其父节点设为 q_nearest。
- 如果 q_new 距离 q_goal 很近，可以认为找到了可行路径。
如果找到路径，沿父节点回溯得到路径；否则直到达到最大迭代次数。

三、RRT算法伪代码

def RRT(q_start, q_goal, N, Δq):
    T = Tree(q_start)
    for i in range(N):
        q_rand = random_sample()
        q_nearest = nearest_node(T, q_rand)
        q_new = steer(q_nearest, q_rand, Δq)
        if is_valid(q_nearest, q_new):
            T.add_node(q_new, parent=q_nearest)
            if distance(q_new, q_goal) < threshold:
                return extract_path(T, q_new)
    return failure

[Python] RRT算法实现

下面提供了一个简化版的 Python 实现示例，并配合图示说明RRT的执行过程。

项目代码我已经放入GitCode里面，可以通过下面链接跳转：🔥

【启发式算法】--- RRT算法

若是下面代码复现困难或者有问题，也欢迎评论区留言。

"""《RRT算法》
    时间：2025.06.16
    作者：不去幼儿园
"""
import numpy as np
import matplotlib.pyplot as plt
import random

class Node:
    def __init__(self, x, y):
        self.x = x
        self.y = y
        self.parent = None

def distance(n1, n2):
    return np.hypot(n1.x - n2.x, n1.y - n2.y)

def get_random_node(goal_sample_rate, goal):
    if random.random() < goal_sample_rate:
        return Node(goal.x, goal.y)
    return Node(random.uniform(0, 100), random.uniform(0, 100))

def steer(from_node, to_node, extend_length=5.0):
    dist = distance(from_node, to_node)
    theta = np.arctan2(to_node.y - from_node.y, to_node.x - from_node.x)
    new_x = from_node.x + extend_length * np.cos(theta)
    new_y = from_node.y + extend_length * np.sin(theta)
    new_node = Node(new_x, new_y)
    new_node.parent = from_node
    return new_node

def is_collision(node):
    # 简化处理：假设无障碍物
    return False

def rrt(start, goal, max_iter=500, goal_sample_rate=0.05):
    nodes = [start]
    for _ in range(max_iter):
        rnd = get_random_node(goal_sample_rate, goal)
        nearest = min(nodes, key=lambda n: distance(n, rnd))
        new_node = steer(nearest, rnd)

        if not is_collision(new_node):
            nodes.append(new_node)
            if distance(new_node, goal) < 5.0:
                goal.parent = new_node
                nodes.append(goal)
                break
    return nodes

def draw_path(last_node):
    path = []
    node = last_node
    while node:
        path.append((node.x, node.y))
        node = node.parent
    path = path[::-1]
    plt.plot([x for x, y in path], [y for x, y in path], '-r')

def draw_tree(nodes):
    for node in nodes:
        if node.parent:
            plt.plot([node.x, node.parent.x], [node.y, node.parent.y], '-g')

start = Node(10, 10)
goal = Node(90, 90)

nodes = rrt(start, goal)
draw_tree(nodes)
draw_path(goal)
plt.plot(start.x, start.y, "bs", label="Start")
plt.plot(goal.x, goal.y, "gs", label="Goal")
plt.legend()
plt.grid(True)
plt.axis([0, 100, 0, 100])
plt.title("RRT Path Planning (No Obstacles)")
plt.show()

有博主给出了更好更完整的RRT算法，在下面的github库中：RRT算法

[Results] 运行结果

图示说明：

运行上面代码后会出现如下图所示效果：

🌲 绿色的线表示RRT生成的搜索树结构。
🔴 红色路径表示最终从起点到终点的规划路径。
🔵 起点，🟢 终点。

[Notice] 注意事项

每一步都从树中最近节点往随机点延伸。
最终形成一条从起点连到终点的路径。
可在is_collision()中添加障碍物检测逻辑以模拟真实环境。

# 环境配置
Python                  3.11.5
torch                   2.1.0
torchvision             0.16.0
gym                     0.26.2

由于博文主要为了介绍相关算法的原理和应用的方法，缺乏对于实际效果的关注

四、RRT的特点

优点：

非常适合高维空间的路径规划。
易于实现。
对复杂环境有良好的适应能力。

缺点：

路径不最优，常常是“锯齿状”路径。
随机性强，规划时间不稳定。
在障碍物密集区域效果不佳。

五、改进版本：RRT*

RRT*（RRT Star）（下一篇文章介绍）是RRT的优化版本，加入了“路径优化”的机制：

在每次加入新节点时，不仅连接最近点，还会尝试重新连接周围节点，以获得更短路径。
理论上可以得到渐近最优解。

六、应用场景

机器人路径规划
无人机自主导航
自动驾驶车辆的避障与路径生成
多自由度机械臂的运动规划

更多启发式算法文章，请前往：【启发式算法】专栏

博客都是给自己看的笔记，如有误导深表抱歉。文章若有不当和不正确之处，还望理解与指出。由于部分文字、图片等来源于互联网，无法核实真实出处，如涉及相关争议，请联系博主删除。如有错误、疑问和侵权，欢迎评论留言联系作者，或者添加VX：Rainbook_2，联系作者。✨