3. Motion planning algorithm select

3. Motion planning algorithm selection
Many algorithms are available for generating collision-free
paths in the Configuration Space (C-space) [25]. C-space is the set
of all possible configurations of a robot. A configuration is simply
a point in this abstract C-space. The configuration of a robot system
is the complete specification of the position of every point in that
system. Once the motion planning problem has been formulated
in the C-space, it becomes equivalent to finding the connected sequence
of collision-free configurations running from the initial
obtain solutions to path-planning problems in a continuous
C-space. Sampling-based algorithms are capable of dealing
with robots with many degrees of freedom (DoFs) and with
many different constraints. Such algorithms do not attempt
to explicitly construct the boundaries of the C-space obstacles
or to represent cells of the free space. Instead, they rely
on a procedure that can decide whether a given configuration
of the robot is in collision with the obstacle or not.
Efficient collision detection procedures ease the implementation
of sampling-based algorithms and increase the range
of their applicability. PRM (Probabilistic Roadmap Planner)
and RRT (Rapidly-exploring Random Trees) are representative
algorithms of continuous space planning.
Comparisons have been done among the Grid A⁄, Visibility
Graph, PRM, and RRT [7] in terms of completeness, optimality, efficient
environment updates, efficient query updates, good DoF scalability,
and ability of solving non-holonomic configurations. It has
been indicated that PRM and RRT are efficient in query updates,
and have good DoF scalability. However RRT is not able to guarantee
the generation of an optimal path based on pre-defined criteria;
therefore an optimization update is required to address this point.
Fortunately, for many of these algorithms, the solutions produced
are not too far from optimal in practice [23]. Among the algorithms
reviewed in that research, RRT is the best in terms of efficient environment
update [7]. Furthermore, RRT stands out because of its
high ability in solving non-holonomic configurations.
In addition to the above-mentioned algorithms, Garber and Lin
[13] have proposed a constraint-based motion planning approach
for virtual prototyping. This approach transforms the motion planning
problem into the simulation of a dynamic system in which the
motion of each rigid robot is subject to the influence of virtual
forces induced by geometric constraints. However, only geometric
constraints are considered in this research.
Several criteria are taken into consideration in the selection of
the motion planning algorithm for cranes in the present paper.
There are four major criteria that are taken into account in the
present research: efficiency, optimality, reusability, and safety.
(1) Efficiency: Efficiency is the most important factor because
decisions usually need to be taken in near real-time to cope
with the dynamic nature of the environment. RRTs have
been shown to be effective for solving single-shot path planning
problems in complex C-spaces by combining random
sampling of the C-space with biased sampling around the
goal configuration [6,7]. RRTs efficiently provide solutions
to problems involving vast, high-dimensional C-space. These
solutions would be intractable using deterministic
approaches.
(2) Optimality: Optimality is considered as the ability to find an
optimal path with respect to some metrics. Single-query
sampling-based algorithms are not able to guarantee the
generation of an optimal path based on pre-defined criteria.
Optimization updates are required to address this point [23].
The basic RRT algorithm does not take path quality into
account during its search, which may produce paths that
are grossly suboptimal [10]. To improve the quality of the
solution path, Urmson and Simmons [34] have proposed
modified RRT algorithms that take the cost of the path into
account. Berg et al. [4] have considered adding the cost of
the path in navigating a mobile robot.
(3) Reusability: This requirement is specific to motion re-planning
when a new obstacle appears. An efficient re-planning
algorithm should be able to plan optimal traverses in near
real time by incrementally repairing the paths of the equipment
configuration to the goal configuration. Based on the data structure
representation of the C-space, motion planning algorithms can be
categorized under two major approaches [8]:
(1) Motion planning in discrete space: In this case, the C-space is
defined as a state-space model with a countable finite set
of states. The planning algorithms build roadmaps in the free
(or semi-free) state-space and search for the feasible path.
Each of these algorithms relies on an explicit representation
of the geometry of the free space. Because of this, as the
dimension of the C-space grows, these algorithms become
impractical. Grid A⁄ and Visibility Graph are representative
algorithms of discrete space planning.
(2) Motion planning in continuous space: In this case, the
algorithm is not limited to a pre-defined finite search
space representation of the C-space. Instead, a variety of
strategies are utilized for generating samples (collision-free

ผลลัพธ์ (ไทย) 1:

3. เคลื่อนไหววางแผนเลือกอัลกอริทึมอัลกอริทึมหลายมีสร้างอิสระชนเส้นทางในพื้นที่การตั้งค่าคอนฟิก (C-พื้นที่) [25] พื้นที่ C เป็นชุดกำหนดค่าได้ทั้งหมดของหุ่นยนต์ การกำหนดค่านั้นจุดใน C-พื้นที่นี้นามธรรม การกำหนดค่าของระบบหุ่นยนต์ข้อมูลจำเพาะเกี่ยวกับตำแหน่งของทุกจุดในที่สมบูรณ์ระบบ เมื่อเคลื่อนไหวปัญหาการวางแผนได้ถูกสูตรใน C-พื้นที่ มันกลายเป็นเหมือนกับการค้นหาลำดับการเชื่อมต่ออิสระชนกำหนดค่าการทำงานจากต้นรับแก้ไขปัญหาวางแผนเส้นทางในตัวอย่างต่อเนื่องC-พื้นที่ สุ่มตัวอย่างโดยใช้อัลกอริทึมที่มีความสามารถในการจัดการมีหุ่นยนต์ด้วยองศาอิสระ (DoFs) และด้วยข้อจำกัดแตกต่างกันมาก อัลกอริทึมดังกล่าวจะไม่การสร้างขอบเขตของอุปสรรค C พื้นที่อย่างชัดเจนหรือถึงเซลล์ของเนื้อที่ แทน พวกเขาใช้ในขั้นตอนที่สามารถตัดสินใจได้ว่าการกำหนดค่าที่กำหนดของหุ่นยนต์ได้ชนกับอุปสรรค หรือไม่ชนที่มีประสิทธิภาพขั้นตอนตรวจสอบความสะดวกใช้งานอัลกอริทึมที่ใช้สุ่มตัวอย่างและเพิ่มช่วงของความเกี่ยวข้องของพวกเขา PRM (Probabilistic แผนวางแผน)และ RRT (สำรวจอย่างรวดเร็วต้นไม้สุ่ม) แทนอัลกอริทึมของพื้นที่อย่างต่อเนื่องเปรียบเทียบได้จากตาราง A⁄ มองเห็นกราฟ PRM และ RRT [7] ในสมบูรณ์ optimality มีประสิทธิภาพปรับปรุงสภาพแวดล้อม ปรับปรุงแบบสอบถามมีประสิทธิภาพ ดีกรม ขนาดและความสามารถในการแก้ไขการตั้งค่าคอนฟิกไม่ holonomic มีการบ่งชี้ PRM และ RRT มีประสิทธิภาพในการปรับปรุงแบบสอบถามและมีขนาดกรมดี อย่างไรก็ตาม RRT ไม่สามารถรับประกันได้การสร้างเส้นทางเหมาะสมตามเกณฑ์ที่กำหนดไว้ล่วงหน้าดังนั้น การปรับปรุงเพิ่มประสิทธิภาพจะต้องอยู่จุดนี้โชคดี สำหรับหลายอัลกอริทึมเหล่านี้ วิธีการผลิตอยู่ไม่ไกลจากดีที่สุดในทางปฏิบัติ [23] ในอัลกอริทึมการทบทวนงานวิจัยที่ RRT เป็นดีสุดในสภาพแวดล้อมที่มีประสิทธิภาพปรับปรุง [7] นอกจากนี้ RRT โดดเด่นเนื่องจากความความสามารถสูงในการแก้ค่า holonomic ไม่ใช่นอกจากระบุข้างอัลกอริทึม Garber และหลิน[13] ได้เสนอญัตติตามข้อจำกัดที่วางแนวทางสำหรับต้นแบบเสมือน วิธีการนี้แปลงการเคลื่อนไหววางแผนปัญหาในการจำลองระบบแบบไดนามิกที่การการเคลื่อนที่ของหุ่นยนต์แต่ละงวดจะขึ้นอยู่กับอิทธิพลของเสมือนกองกำลังที่เกิดจากข้อจำกัดของรูปทรงเรขาคณิต อย่างไรก็ตาม รูปทรงเรขาคณิตเท่านั้นข้อจำกัดจะพิจารณาในงานวิจัยนี้เงื่อนไขต่าง ๆ นำมาพิจารณาในการเลือกการเคลื่อนไหววางแผนอัลกอริทึมสำหรับเครนในเอกสารปัจจุบันมี 4 หลักเกณฑ์ที่นำมาพิจารณาในการนำเสนองานวิจัย: ประสิทธิผล optimality, reusability และความปลอดภัย(1) ประสิทธิภาพ: ประสิทธิภาพเป็นปัจจัยสำคัญที่สุดเนื่องจากdecisions usually need to be taken in near real-time to copewith the dynamic nature of the environment. RRTs havebeen shown to be effective for solving single-shot path planningproblems in complex C-spaces by combining randomsampling of the C-space with biased sampling around thegoal configuration [6,7]. RRTs efficiently provide solutionsto problems involving vast, high-dimensional C-space. Thesesolutions would be intractable using deterministicapproaches.(2) Optimality: Optimality is considered as the ability to find anoptimal path with respect to some metrics. Single-querysampling-based algorithms are not able to guarantee thegeneration of an optimal path based on pre-defined criteria.Optimization updates are required to address this point [23].The basic RRT algorithm does not take path quality intoaccount during its search, which may produce paths thatare grossly suboptimal [10]. To improve the quality of thesolution path, Urmson and Simmons [34] have proposedmodified RRT algorithms that take the cost of the path intoaccount. Berg et al. [4] have considered adding the cost ofthe path in navigating a mobile robot.(3) Reusability: This requirement is specific to motion re-planningwhen a new obstacle appears. An efficient re-planningalgorithm should be able to plan optimal traverses in nearreal time by incrementally repairing the paths of the equipmentconfiguration to the goal configuration. Based on the data structureแสดงพื้นที่ C อัลกอริทึมการวางแผนการเคลื่อนไหวได้แบ่งแนวทางสำคัญภายใต้สอง [8]:(1) เคลื่อนไหวในพื้นที่ไม่ต่อเนื่องการวางแผน: ในกรณีนี้ เป็นพื้นที่ Cกำหนดเป็นพื้นที่รัฐกับชุดจำกัดนับได้ของอเมริกา อัลกอริทึมการวางแผนสร้าง roadmaps ในฟรี(หรือกึ่ง) สถานะพื้นที่จัดเก็บและค้นหาเส้นทางเป็นไปได้แต่ละอัลกอริทึมเหล่านี้อาศัยการนำเสนออย่างชัดเจนของรูปทรงเรขาคณิตของเนื้อที่ ด้วยเหตุนี้ เป็นการขยายขนาดของพื้นที่ C กลายเป็นอัลกอริทึมเหล่านี้ไม่สามารถทำ ตาราง A⁄ และกราฟแสดงผลเป็นตัวแทนอัลกอริทึมของพื้นที่ไม่ต่อเนื่อง(2) เคลื่อนไหวในพื้นที่อย่างต่อเนื่องการวางแผน: ในกรณีนี้ การอัลกอริทึมไม่จำกัดการค้นหาจำกัดที่กำหนดไว้ล่วงหน้าแสดงพื้นที่ของพื้นที่ C แทน หลากหลายกลยุทธ์ที่ถูกนำมาใช้สำหรับการสร้างตัวอย่าง (ชนฟรี

ผลลัพธ์ (ไทย) 2:

3. เลือกขั้นตอนวิธีการวางแผนการเคลื่อนไหว
ขั้นตอนวิธีการจำนวนมากที่มีการสร้างการปะทะกันฟรี
ในพื้นที่เส้นทางการกำหนดค่า (C-พื้นที่) [25] C-พื้นที่เป็นชุด
ของการกำหนดค่าที่เป็นไปได้ทั้งหมดของหุ่นยนต์ การกำหนดค่าเป็นเพียง
จุดในนามธรรมนี้ C-พื้นที่ การกำหนดค่าของระบบหุ่นยนต์
เป็นคุณสมบัติที่สมบูรณ์ของตำแหน่งของจุดที่ทุกคนใน
ระบบ เมื่อปัญหาการวางแผนการเคลื่อนไหวได้รับการกำหนด
ใน C-พื้นที่มันจะกลายเป็นเทียบเท่ากับการหาลำดับการเชื่อมต่อ
ของการกำหนดค่าการปะทะกันฟรีวิ่งออกมาจากครั้งแรก
ได้รับการแก้ปัญหาเส้นทางการวางแผนอย่างต่อเนื่องใน
พื้นที่ C- ขั้นตอนวิธีการสุ่มตัวอย่างที่ใช้มีความสามารถในการจัดการ
กับหุ่นยนต์ที่มีหลายองศาของเสรีภาพ (DOFs) และ
ข้อ จำกัด ที่แตกต่างกัน ขั้นตอนวิธีการดังกล่าวไม่ได้พยายาม
อย่างชัดเจนสร้างขอบเขตของอุปสรรค C-พื้นที่
หรือจะเป็นตัวแทนของเซลล์ของพื้นที่ว่าง แต่พวกเขาต้องพึ่งพา
เกี่ยวกับขั้นตอนที่สามารถตัดสินใจได้ว่าจะได้รับการกำหนดค่า
ของหุ่นยนต์ที่อยู่ในการปะทะกันกับอุปสรรคหรือไม่.
ขั้นตอนการตรวจสอบการชนที่มีประสิทธิภาพความสะดวกในการดำเนินงาน
ของขั้นตอนวิธีการสุ่มตัวอย่างที่ใช้และเพิ่มช่วง
ของการบังคับใช้ของพวกเขา PRM (น่าจะเป็น Roadmap Planner)
และ RRT (อย่างรวดเร็ว-สำรวจต้นไม้สุ่ม) จะเป็นตัวแทนของ
อัลกอริทึมของการวางแผนพื้นที่อย่างต่อเนื่อง.
เปรียบเทียบได้รับการดำเนินการในหมู่ A/ กริด, การแสดงผล
กราฟ PRM และ RRT [7] ในแง่ของความสมบูรณ์ optimality, ที่มีประสิทธิภาพ
การปรับปรุงสภาพแวดล้อมในการปรับปรุงการค้นหาที่มีประสิทธิภาพความยืดหยุ่นอานนท์ที่ดี
และความสามารถในการแก้การกำหนดค่าที่ไม่ holonomic มันได้
รับการชี้ให้เห็นว่า PRM RRT และมีประสิทธิภาพในการปรับปรุงแบบสอบถาม
และมีความยืดหยุ่นที่ดีอานนท์ อย่างไรก็ตาม RRT จะไม่สามารถที่จะรับประกัน
การสร้างเส้นทางที่ดีที่สุดขึ้นอยู่กับเกณฑ์ที่กำหนดไว้ล่วงหน้า
. ดังนั้นการปรับปรุงการเพิ่มประสิทธิภาพจะต้องอยู่ที่จุดนี้
โชคดีที่หลายขั้นตอนวิธีการเหล่านี้การแก้ปัญหาการผลิต
อยู่ไม่ไกลจากที่ดีที่สุดในการปฏิบัติ [23] ท่ามกลางขั้นตอนวิธี
การตรวจสอบในการวิจัยที่ RRT ที่ดีที่สุดในแง่ของสภาพแวดล้อมที่มีประสิทธิภาพ
การปรับปรุง [7] นอกจากนี้ RRT ยืนออกเพราะของ
ความสามารถสูงในการแก้ไขการกำหนดค่าที่ไม่ holonomic.
นอกจากนี้ยังมีขั้นตอนวิธีการดังกล่าวข้างต้น, การ์เบอร์และหลิน
[13] ได้เสนอแนวทางการวางแผนการเคลื่อนไหวข้อ จำกัด ที่ใช้
สำหรับการสร้างต้นแบบเสมือน วิธีการนี้จะเปลี่ยนการเคลื่อนไหวการวางแผน
ปัญหาเข้าไปในแบบจำลองของระบบแบบไดนามิกซึ่งใน
การเคลื่อนที่ของหุ่นยนต์แต่ละแข็งอยู่ภายใต้อิทธิพลของเสมือน
กองกำลังที่เกิดจากข้อ จำกัด ทางเรขาคณิต อย่างไรก็ตามทางเรขาคณิตเท่านั้น
. จำกัด ได้รับการพิจารณาในการวิจัย
หลายเกณฑ์ที่จะนำมาพิจารณาในการเลือก
. ขั้นตอนวิธีการวางแผนการเคลื่อนไหวรถเครนในกระดาษในปัจจุบัน
มีสี่เกณฑ์สำคัญที่จะนำมาพิจารณาในที่มี
การวิจัยในปัจจุบัน: ประสิทธิภาพ optimality สามารถนำมาใช้และความปลอดภัย.
(1) ประสิทธิภาพ: ประสิทธิภาพเป็นปัจจัยที่สำคัญมากที่สุดเพราะ
การตัดสินใจมักจะต้องมีการดำเนินการในการที่อยู่ใกล้เวลาจริงที่จะรับมือ
กับลักษณะของสภาพแวดล้อม RRTs ได้
รับการแสดงที่จะมีประสิทธิภาพในการแก้เส้นทางเดียวยิงวางแผน
ปัญหาที่ซับซ้อนในพื้นที่ C-โดยการรวมการสุ่ม
เก็บตัวอย่างของ C-พื้นที่ที่มีการสุ่มตัวอย่างลำเอียงไปรอบ ๆ
การกำหนดค่าเป้าหมาย [6,7] RRTs ให้บริการโซลูชั่นที่มีประสิทธิภาพ
ในการแก้ไขปัญหาที่เกี่ยวข้องกับการกว้างใหญ่มิติสูง C-พื้นที่ เหล่านี้
การแก้ปัญหาจะยากใช้กำหนด
วิธี.
(2) optimality: optimality ถือเป็นความสามารถในการหา
เส้นทางที่ดีที่สุดที่เกี่ยวกับตัวชี้วัดบาง เดี่ยวแบบสอบถาม
การสุ่มตัวอย่างตามขั้นตอนวิธีการไม่สามารถที่จะรับประกัน
การสร้างเส้นทางที่ดีที่สุดขึ้นอยู่กับเกณฑ์ที่กำหนดไว้ล่วงหน้า.
การเพิ่มประสิทธิภาพการปรับปรุงจะต้องอยู่ที่จุดนี้ [23].
อัลกอริทึม RRT พื้นฐานไม่ได้ใช้เส้นทางที่มีคุณภาพเข้ามาใน
บัญชีของตนในช่วง ค้นหาซึ่งอาจสร้างเส้นทางที่
มีความด้อยผิด [10] เพื่อปรับปรุงคุณภาพของ
เส้นทางการแก้ปัญหา Urmson และซิมมอนส์ [34] ได้เสนอ
การปรับเปลี่ยนขั้นตอนวิธีการ RRT ที่ใช้ค่าใช้จ่ายของเส้นทางเข้า
บัญชี Berg et al, [4] ได้มีการพิจารณาการเพิ่มค่าใช้จ่ายของ
เส้นทางในการนำหุ่นยนต์เคลื่อนที่.
(3) สามารถนำมาใช้: ข้อกำหนดนี้เป็นเฉพาะกับการเคลื่อนไหวการวางแผนอีกครั้ง
เมื่อมีอุปสรรคใหม่จะปรากฏขึ้น กำลังวางแผนที่มีประสิทธิภาพ
ขั้นตอนวิธีการควรจะสามารถที่จะวางแผนลัดเลาะที่ดีที่สุดในใกล้
เวลาจริงโดยเพิ่มขึ้นการซ่อมแซมเส้นทางของอุปกรณ์
การกำหนดค่าการกำหนดค่าเป้าหมาย ขึ้นอยู่กับโครงสร้างข้อมูลที่
เป็นตัวแทนของ C-พื้นที่ขั้นตอนวิธีการวางแผนการเคลื่อนไหวสามารถ
แบ่งตามสองแนวทางที่สำคัญ [8]:
(1) การวางแผนการเคลื่อนไหวในพื้นที่ที่ไม่ต่อเนื่อง: ในกรณีนี้ C-พื้นที่
กำหนดให้เป็นพื้นที่ของรัฐ รุ่นที่มีขอบเขตนับ
ของรัฐ ขั้นตอนวิธีการวางแผนการสร้างเส้นเลือดฝอยในฟรี
(หรือกึ่งฟรี) รัฐพื้นที่และค้นหาเส้นทางที่เป็นไปได้.
แต่ละขั้นตอนวิธีการเหล่านี้ขึ้นอยู่กับการแสดงอย่างชัดเจน
ของรูปทรงเรขาคณิตของพื้นที่ว่าง ด้วยเหตุนี้ในขณะที่
ขนาดของ C-พื้นที่เติบโตขึ้นเหล่านี้เป็นขั้นตอนวิธีการ
ทำไม่ได้ ตาราง A/ และกราฟแสดงให้เห็นเป็นตัวแทน
ของขั้นตอนวิธีการวางแผนพื้นที่ที่ไม่ต่อเนื่อง.
(2) การวางแผนการเคลื่อนไหวในพื้นที่อย่างต่อเนื่อง: ในกรณีนี้
ขั้นตอนวิธีการไม่ จำกัด การค้นหาที่กำหนดไว้ล่วงหน้า จำกัด
เป็นตัวแทนของพื้นที่ C-พื้นที่ แต่ความหลากหลายของ
กลยุทธ์ที่ใช้ในการสร้างตัวอย่าง (การปะทะกันฟรี

ผลลัพธ์ (ไทย) 3:

3 . ขั้นตอนวิธีอัลกอริทึมหลายเคลื่อนไหววางแผน
เลือกที่ใช้ได้สำหรับการสร้างการชนฟรี
เส้นทางในปริภูมิโครงแบบ ( c-space ) [ 25 ] คือเซตของค่า
c-space เป็นไปได้ทั้งหมดของหุ่นยนต์ การเป็นเพียงแค่
จุดใน c-space นามธรรมนี้ การตั้งค่าของระบบหุ่นยนต์
เป็นสเปคที่สมบูรณ์ของทุกจุดในตำแหน่งที่
ระบบเมื่อเคลื่อนไหวปัญหาการวางแผนเป็นสูตร
ใน c-space จะเทียบเท่ากับการเชื่อมต่อแบบลำดับ
ชนฟรีวิ่งจากเริ่มต้น
ได้รับการแก้ปัญหาวางแผนเส้นทางใน c-space อย่างต่อเนื่อง

การสุ่มตัวอย่างตามขั้นตอนวิธีที่สามารถจัดการกับหุ่นยนต์ที่มีองศามากมาย

และเสรีภาพ ( dofs ) ด้วยข้อจำกัดต่าง ๆ มากมายขั้นตอนวิธีดังกล่าวไม่พยายาม
อย่างชัดเจนสร้างขอบเขตของอุปสรรค c-space
หรือเป็นตัวแทนเซลล์ของพื้นที่ว่าง แทน พวกเขาอาศัย
ในกระบวนการที่สามารถตัดสินว่าให้ตั้งค่า
ของหุ่นยนต์จากการชนกับอุปสรรคหรือไม่ ขั้นตอนการตรวจสอบการชนที่มีประสิทธิภาพง่าย

ตัวอย่างการใช้ขั้นตอนวิธีและเพิ่มช่วง
ของการบังคับใช้ของพวกเขา PRM ( probabilistic แผนงานวางแผน )
RRT ( อย่างรวดเร็ว สำรวจต้นไม้และสุ่ม ) เป็นตัวแทน
ขั้นตอนวิธีการวางแผนพื้นที่อย่างต่อเนื่อง .
เปรียบเทียบได้รับการทำของตาราง⁄มองเห็น
, กราฟ , PRM และเซลล์มะเร็งเต้านม [ 7 ] ในด้านคุณภาพ , การปรับปรุงสภาพแวดล้อมสมบูรณ์มีประสิทธิภาพ
, การปรับปรุงแบบสอบถามที่มีประสิทธิภาพดี กรมประมง (
,และความสามารถในการแก้ปัญหา ไม่ holonomic การกําหนดค่า มันมี
ถูกพบว่ามีประสิทธิภาพในการค้นหาและ PRM RRT ได้รับการปรับปรุง
และมี DOF กล่าว อย่างไรก็ตาม RRT ไม่สามารถรับประกัน
รุ่นของเส้นทางที่เหมาะสมตามเกณฑ์ที่กำหนดไว้ล่วงหน้า ;
ดังนั้นเพิ่มประสิทธิภาพปรับปรุงจะต้องแก้ไขจุดนี้
โชคดีหลายขั้นตอนวิธีเหล่านี้โซลูชั่นผลิต
ไม่ไกลจากที่เหมาะสมในการปฏิบัติ [ 23 ] ของอัลกอริทึม
สุดท้ายในการวิจัยที่ RRT เป็นดีที่สุดในแง่ของประสิทธิภาพ ปรับปรุงสิ่งแวดล้อม
[ 7 ] นอกจากนี้ RRT ยืนออกเนื่องจากมีความสามารถสูงในการแก้ holonomic

ไม่ตั้งค่า โดยอัลกอริทึมดังกล่าว การ์เบอร์ และหลิน
[ 13 ] ได้เสนอข้อจำกัดการเคลื่อนไหววางแผนแนวทาง
ตามการสร้างต้นแบบเสมือนจริง . วิธีการแปลงการเคลื่อนไหววางแผน
ปัญหาในการจำลองระบบแบบไดนามิกที่
การเคลื่อนไหวของแต่ละงวด หุ่นยนต์อยู่ภายใต้อิทธิพลของแรงเสมือน
และเรขาคณิตจำกัด . อย่างไรก็ตามถือว่าเป็นข้อจำกัดทางเรขาคณิต

หลายเกณฑ์ในการ พิจารณาในการเลือก
วิธีการวางแผนสำหรับรถเครนในกระดาษปัจจุบัน
มีสี่หลักเกณฑ์ที่นำมาพิจารณาใน
งานวิจัย : ประสิทธิภาพ , คุณภาพที่ใช้ , และความปลอดภัย .
( 1 ) ประสิทธิภาพ ประสิทธิภาพ เป็นปัจจัยที่สำคัญที่สุดในการตัดสินใจเพราะ
มักจะต้องถูกใกล้เรียลไทม์เพื่อรับมือ
ด้วย ลักษณะทางพลวัตของสภาพแวดล้อม rrts มี
กำลังแสดงผล เพื่อแก้ไขปัญหาในการยิงนัดเดียวเส้นทางวางแผน
c-spaces ซับซ้อน โดยการสุ่ม ตัวอย่างของ c-space ด้วย

จำนวนตัวอย่างรอบเป้าหมายการตั้งค่า [ 6 , 7 ] rrts มีประสิทธิภาพให้บริการโซลูชั่น
ปัญหาที่เกี่ยวข้องกับกว้างใหญ่สูง - มิติ c-space . โซลูชั่นเหล่านี้
จะสอนยากโดยใช้วิธีเชิงกำหนด
.
( 2 ) คุณภาพ :คุณภาพถือเป็นความสามารถในการค้นหาเส้นทางที่เหมาะสม ด้วยความเคารพ
มีมาตรวัด แบบสอบถามเดียว
ตัวอย่างตามขั้นตอนวิธีจะไม่สามารถรับประกัน
รุ่นของเส้นทางที่เหมาะสมตามเกณฑ์ที่กำหนดไว้ล่วงหน้า .
ปรับปรุงเพิ่มประสิทธิภาพจะต้องอยู่จุดนี้ [ 23 ] .
ขั้นตอนวิธี RRT พื้นฐานไม่ใช้เส้นทางสู่คุณภาพ
บัญชีในระหว่างการค้นหาของ บริษัท ซึ่งอาจผลิตเส้นทาง
จะไม่มีการลด suboptimal [ 10 ] เพื่อปรับปรุงคุณภาพของ
โซลูชั่นและเส้นทาง urmson ซิมมอนส์ [ 34 ] ได้เสนออัลกอริทึมที่ใช้ RRT
แก้ไขต้นทุนของเส้นทางสู่
บัญชี เบิร์ก et al . [ 4 ] ได้ถือเป็นการเพิ่มต้นทุนของ
เส้นทางในการนำทางหุ่นยนต์เคลื่อนที่ .
( 3 ) : ความต้องการใช้เฉพาะเคลื่อนไหว
วางแผนอีกครั้งเมื่ออุปสรรคใหม่ปรากฏ ที่มีประสิทธิภาพการวางแผน
อีกครั้งขั้นตอนวิธีควรวางแผนการลัดเลาะที่ดีที่สุดในเวลาจริงโดยแบบเพิ่มหน่วยซ่อมใกล้

การตั้งค่าเส้นทางของอุปกรณ์เพื่อเป้าหมายการตั้งค่า ตามโครงสร้าง
ข้อมูลการเป็นตัวแทนของ c-space ขั้นตอนวิธีการวางแผนการเคลื่อนไหวสามารถแบ่งได้สองวิธีหลักภายใต้
[ 8 ] :
( 1 ) วางแผนเคลื่อนไหวในพื้นที่ต่อเนื่อง : ในกรณีนี้ c-space คือ
กำหนดเป็นรัฐแบบอวกาศกับนามนับได้เซตจำกัด
ของสหรัฐอเมริกา การวางแผนขั้นตอนวิธีการสร้างโรดแมพในฟรี
( หรือกึ่งฟรี ) สภาพพื้นที่และค้นหาเส้นทางที่เป็นไปได้ .
แต่ละขั้นตอนวิธีเหล่านี้อาศัย
แสดงชัดเจนในเรขาคณิตของอวกาศฟรี เพราะเรื่องนี้ เป็นมิติของ c-space

เติบโตขั้นตอนวิธีเหล่านี้กลายเป็นที่ใช้งานไม่ได้ตารางที่⁄และกราฟการมองเห็นเป็นตัวแทน
ขั้นตอนวิธีการวางแผนพื้นที่ต่อเนื่อง .
( 2 ) วางแผนเคลื่อนไหวในพื้นที่อย่างต่อเนื่อง : ในกรณีนี้
ขั้นตอนวิธีที่ไม่ได้ จำกัด ขอบเขตที่กําหนดไว้ล่วงหน้าค้นหา
พื้นที่เป็นตัวแทนของ c-space . แทนความหลากหลายของกลยุทธ์ที่ใช้สำหรับการสร้าง
ตัวอย่าง ( ชนฟรี