01
课程导论：为什么需要对比轨迹规划算法？
课程目标、评估指标体系（时间、能量、平滑度、安全性）概览。
导论评估指标
02
基础概念回顾
机器人运动学与动力学基础，配置空间（C-Space）概念，路径与轨迹的区别。
运动学C-Space
03
经典算法：A*算法原理、实现细节
A* 在栅格地图上的应用与启发式搜索详解。
A*栅格地图
04
经典算法：Dijkstra算法原理
Dijkstra 与 A* 的对比分析，适用场景与复杂度。
Dijkstra对比
05
经典算法：RRT（快速随机搜索树）
算法原理、伪代码与优缺点分析。
RRT随机采样
06
经典算法：RRT*（最优RRT）
渐进最优性证明思路，算法改进细节。
RRT*最优性
07
经典算法：人工势场法（APF）
引力与斥力函数设计，局部极小值问题及缓解。
APF势场
08
现代算法：DWA（动态窗口法）
速度空间搜索与评价函数设计。
DWA动态窗口
09
现代算法：TEB（定时弹性带）
图优化框架与实时性分析。
TEB弹性带
10
现代算法：MPC（模型预测控制）
滚动优化原理，在轨迹规划中的应用。
MPC预测控制
11
基于强化学习的轨迹规划方法
DQN、PPO 等 RL 方法简介与适用场景。
强化学习DQN
12
性能指标详解（一）：规划时间与计算复杂度
时间复杂度、实际运行时间分析。
复杂度时间
13
性能指标详解（二）：轨迹平滑度与能量消耗
加加速度 Jerk 与能量评估模型。
平滑度Jerk
14
性能指标详解（三）：安全性评估与鲁棒性
碰撞概率、最小安全距离及鲁棒性度量。
安全性鲁棒性
15
性能指标详解（四）：最优性与成功率
路径长度、代价函数值、任务成功率。
最优性成功率
16
仿真环境搭建：基于Python的2D仿真器
使用 Matplotlib / Pygame 构建仿真环境。
Python仿真
17
仿真环境搭建：ROS + Gazebo/Stage
ROS 仿真环境配置与算法部署。
ROSGazebo
18
对比实验设计：单一变量与随机场景
统计方法、随机场景生成原则。
实验设计统计
19
对比实验（一）：静态障碍物 A* vs RRT vs APF
性能对比与结果分析。
静态A*RRT
20
对比实验（二）：动态障碍物 DWA vs TEB vs MPC
动态环境下的算法性能对比。
动态DWATEB
21
对比实验（三）：复杂迷宫 RRT vs RRT* vs A*
迷宫环境下的搜索效率与最优性。
迷宫RRT*
22
对比实验（四）：高维空间 RRT vs 基于采样的MPC
机械臂 C-Space 下的算法对比。
高维机械臂
23
结果可视化与数据分析：箱线图、折线图、热力图
Matplotlib 可视化技巧。
可视化Matplotlib
24
统计显著性检验：t检验、Mann-Whitney U检验
假设检验在算法对比中的应用。
t检验Mann-Whitney
25
案例研究（一）：自动驾驶城区场景算法选型
城区复杂交通下的规划算法选择。
自动驾驶案例
26
案例研究（二）：仓储AGV密集动态环境对比
AGV 算法优化与选型分析。
AGV仓储
27
案例研究（三）：协作机械臂避障与协同
多机械臂协同任务中的算法对比。
机械臂协同
28
算法局限性讨论：失效模式与改进方向
各算法在特定场景下的失效分析。
局限性改进
29
前沿趋势：深度学习端到端与混合算法
基于学习的轨迹规划新范式。
深度学习混合算法
30
课程总结与展望：如何选择算法？
根据需求选择算法，未来研究方向。
总结展望