在动态环境中，无人机常因障碍物随机出现、移动而陷入路径规划困境。西北工业大学航海学院崔博提出了一种双向树实时规划算法RT-RRT，并在Prometheus仿真平台中进行了算法验证，结果显示RT-RRT将路径规划效率提升10倍，成功率提高16.7\%。该论文已被机器人领域顶级会议IROS 2024录用，并获得了阿木实验室2025校园奖学金活动二等奖5000元。

传统算法的缺陷

▪ RRTX等反向树（从目标点出发）算法，树的修复依赖于邻居状态迭代，样本少易失败，样本多耗时长。▪ 动态障碍物导致路径频繁中断，全局重规划效率低下。

RT-RRT的革新

▪ 双向树机制：反向树从目标点出发，预探索全局路径，正向树遇障时从当前位置快速“开新路”，连接反向树。▪ 路径优化策略：通过二分法剔除冗余节点，路径缩短20\%以上。

RT-RRT算法三步拆解

反向树预布局

▪ 无人机起飞前，反向树从目标点出发，向四周扩散，生成多条潜在路径。▪ 优先选择靠近无人机的路径分支，减少后续连接距离。

正向树动态连接

▪ 如上图所示：当传感器检测到新障碍（如移动车辆），从无人机当前位置（xbot(t)）生长T+树，主动连接T-。▪ 连接成功后，将T+分支反向写入T-，生成新路径。

路径优化

若新路径存在“绕弯”，算法自动在拐点处二分采样，找到更短的安全路径，路径长度平均缩短20.54\%，接近理论最优解。

仿真验证

阿木实验室Prometheus开源平台，为RT-RRT算法提供了算法验证的“试飞场”，成为论文成果从理论到应用的核心桥梁。

多传感器模拟

Gazebo中1:1还原无人机双目相机、激光雷达、IMU等传感器。

动态障碍物引擎

支持障碍物随机生成、移动轨迹编程（速度、方向可调），复现文中“不可预测动态环境”。

实验结果

通过迷宫、通道、移动障碍等仿真场景复现，以及空场、简单场、通道场和混乱场的对比场景的实验，展示了RT-RRT算法在动态环境下高效、稳健的路径规划能力。实验表明，该算法可缩短路径、降低时间并提高成功率，能有效应对不可预测的障碍变化。

论文详情

主题：RT-RRT：不可预测的动态环境中的反向树引导的实时路径规划/重规划RT-RRT: Reverse Tree Guided Real-Time Path Planning/Replanning in Unpredictable Dynamic Environments
会议：2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)DOI: 10.1109/IROS58592.2024.10802722
论文链接： https://ieeexplore.ieee.org/document/10802722/

2025校园奖学金活动

为表彰在开源社区中不断贡献、或在无人机技术领域屡创佳绩的开发者，我们隆重推出校园奖学金活动，旨在激励更多人投身前沿科技，共同开拓无限可能。
🕛 活动时间：2025年1月1日-12月31日
✔ 活动对象：P230/P450/P600/SU17用户
🔹 每个机架号最多可有两名人员获奖
🔹 文章内容需基于使用阿木无人机或Prometheus项目
🔹 文章需提及Prometheus项目，且在参考文献中引用GitHub主页
🔹 需使用官方的引文
详情请查看2025校园奖学金计划火热申报中！