探索机器人的运动路径，带您一同观看。
在机器人研究的领域中，如何有效规划机器人的运动方式对于特定任务至关重要。
近期，在 GitHub 上发布了一个开源库，涵盖了一些在机器人技术中常用的路径规划算法，绝大部分代码是用 Python 编写的。特别值得一提的是，开发者通过 plOTTing 为每种算法提供了动画演示，使得运行过程更加直观。
项目链接：
https://Github.coM/zHM-Real/Pathplanning
该开源库中的路径规划算法包括基于搜索和基于采样的多种算法，具体目录如下所示：
基于搜索的路径规划算法
这些算法已经相对成熟并被广泛应用，尤其在游戏角色和移动机器人路径规划中非常常见。
最佳路径优先搜索算法
Dijkstra 算法
A* 搜索算法
双向 A* 搜索算法
重复 A* 搜索算法
AnytiMe RepAIRing A* (ARA*) 搜索算法
实时学习 A* 搜索（LRTA*）算法
实时适应性 A* 搜索（RTAA*）算法
动态 A* 搜索（D*）算法
终身规划 A* 搜索算法
AnytiMe D* 搜索算法：小幅变动
AnytiMe D* 搜索算法：大幅变动
基于采样的路径规划算法
与基于搜索的算法不同，基于采样的路径规划算法不需要显式构建整个配置空间，且在高维度规划问题中得到了广泛应用。
快速随机树（RRT）算法
目标偏好 RRT 算法
双向快速扩展随机树（RRT_CONNECT）算法
Extended_RRT 算法
动态 RRT 算法
N = 10000 时，RRT* 算法
N = 1000 时，RRT*-SMaRt 算法
快速行进树（FMT*）算法
N = 1000 时，InfoRMed RRT* 算法
BATch InfoRMed 树（BIT*）算法
