路径规划是移动机器人的重要研究内容。快速扩展随机树（Rapidly-Exploring Random Tree，RRT）算法因在机器人路径规划中的成功应用，自提出以来就得到了极大的研究与发展。快速扩展随机树作为一种新颖的随机节点采样算法，相对传统路径规划算法，具有建模时间短、搜索能力强、方便添加非完整约束等优点。介绍了快速扩展随机树算法的基本原理与性质，并从单向随机树扩展、多向随机树扩展、其他改进等方面概括了算法的研究现状。最后，展望了算法未来的研究方向与挑战。

使用 SPARFUN 工具箱模拟 Galton-Watson 分支过程并将其绘制为树。 我们修改了函数 TREEPLOT 以绘制它们各自级别的叶子。 看http://www.math.uu.se/research/telecom/software/

这个 Matlab 程序由 Ali Khaledi-Nasab @Ohio_University 编写在这里，我们使用 4 种不同类型的分支生成随机树网络。 主程序是“Tree_Generator_main.m” 打开此程序后，您可以在 4 种类型的分支之间进行选择。 1、Full_Binary_Branching：分支为m2=2，直到第2代，要么为0，要么为2，零分支的概率为p0。 2. General_Binary_Branching：根的零分支为1或2，其余为0、1或2。 p(m1)=p0, p(m1)=p(m2)=(1- p0）/ 2 3. Uniform_Branching：第二代后允许零分支，因此在根处的分支为（1-nd）。 对于其余的，它是（0-nd）。 分支是使用统一随机数生成的。 4. Binomial_Branching：在第二代之后允许零分支，因此在根的分支是

LSystemTree_WebGL 使用基于 3D 精灵的 L 系统创建的随机树，使用 WebGL (three.js) 渲染 如果使用 chrome 在本地运行：使用 --allow-file-access-from-files 启动 chrome

在 2D 和 3D 空间中实现 RRT* 算法的代码。 考虑到障碍物的位置和尺寸，2D 版本还包含避障。 2D/RRTStar.m 执行 RRT* 的 2D 版本。 3D/RRTStar_3D.m 执行 3D 版本。 [1] LaValle, SM，“快速探索随机树：路径规划的新工具”，TR 98-11，爱荷华州立大学计算机科学系，1998 年 10 月。 [2] Karaman、Sertac 和 Emilio Frazzoli。 “用于最佳运动规划的基于增量采样的算法。” 机器人科学与系统 VI 104 (2010)。

MATLAB_ExtraTrees 包是 Geurts 等人提出的极端随机树（Extra-Trees）的 MATLAB 实现。 （2006）。

自动驾驶路径规划算法学习-RRT算法及matlab实现

基于基于快速扩展随机树（RRT）的三维路径规划算法，matlab版本

对传统的快速扩展随机数（RRT）算法matlab的仿真实验，只为给读者提供最原始简介的实验环境，避免因为过度的改进造成不必要的理解误区。该实验程序可自由定义栅格地图大小，自由定义障碍物的摆放位置与数量，同时也可以生成随机地图验证自己的算法。希望可以帮到更多人。

自己使用matlab编写的RRT算法，代码较为简单，分为了几个不同的M文件，便于初学者理解随机树模型的可行域、路径检测等