运动-动力学规划（Kinodynamic Planning）结合了运动学约束（避障）和动力学约束（速度/加速度限制），直接生成机器人可执行的控制指令序列。传统方法先找路径再优化的方式无法保证动力学可行性，特别是对于非完整系统。State Lattice Planning通过离散化控制空间或状态空间，构建包含可行运动原语的格点图，确保每条边都对应实际可执行轨迹。方法分为正向（控制输入仿真）和逆向（状

基于采样的路径规划方法通过在构型空间中随机采样点构建树或图结构来探索可行路径。主要包括PRM（概率路线图）和RRT（快速搜索随机树）两种方法：PRM先构建全局道路图再搜索路径，适合静态环境；RRT则通过逐步扩展树结构直接寻找路径，更具目标导向性。两种方法都具有概率完备性，但PRM支持多次查询，RRT实现更简单。最优路径规划基于动态规划思想，通过迭代计算各状态最小代价来求解。这些方法通过离散采样将连

本文摘要：文章介绍了基于搜索的路径规划方法。首先阐述了配置空间(Configuration Space)的概念，将机器人运动规划问题转化为在C-free空间中寻找路径。然后详细讨论了图搜索理论，包括状态空间图和搜索树的基本框架。重点分析了广度优先搜索(BFS)、深度优先搜索(DFS)和启发式搜索算法，比较了它们的优缺点。最后详细介绍了Dijkstra算法和A算法，指出A算法通过引入可采纳的启发式函

移动机器人运动规划大纲