参考源代码：https：//www.cmu-exploration.com/development-environment
使用采样离散点来模拟正向模拟。基于机器人的当前状态，可以预测情况可能发生在范围内。将路径设置为沿不同路径的传感器范围的范围。这些示例路径是根据车辆运动约束生成的。每个路径生成三个样品曲线，一组路径可以被视为从起始状态到传感器范围边界的可行路径。
在导航过程中，传感器（LIDAR）检测到阻塞某些路径的障碍物，并删除了仅保留可通过路径集的路径的这一部分。以上路径组由出发产生。生成路径时，定义几个关键参数：
此处定义的最大转弯半径是27和9，因此将生成7（27/9*2+1）路径组。
以第一个路径组为例。目前，偏移为-27，每个路径的半径为1。
其中IS =（0,1），=（0，-27）。
因此，它是$ 1*101 $的行矢量，这意味着100个数据均匀散布，即[0.00，-0.27，-0.54，-0.81，-0.81，... 26.73，-27.00]
然后将此0-1的直线转换为下面所示的曲线
由于所使用的三个搅拌模拟路径，因此计算了第一段，如上示例所示。在采用第二个样本和第三个样本时，原理是第一次相同。
与第一次相比，其角度已以一定比例的比例缩放。目前，与第一次相比，它已从0-1更改为0-3，从$ 1101 $的行矢量为$ 1301 $，线向量与他的价值仍在0.01相同。
下图是第一个样品的第一个样品采样的路径点。第一列表示距0-1的距离。第二列表示角度，而101-104是第二和第三个样品采样路径点。通过拟合前一百个数据，第二个路径点和第三个路径点进行采样。
最后，如上图所示，由循环计算的路径分为三个部分，蓝色是第一个样本，橙色是第二次，而黄色是第三次。
根据第一个采样组，在一组完整的路径中，即7组，然后在第二和第三个采样后命名该路径。根据上述命名方法，将生成3个文件数据，其中3个文件数据是:::::记录了第一个采样路径点，这是$ 4707 $的矩阵，即总共7组道路直径组。每个路径组都包含101个道路直径点。保存在其中的数据是::此文件记录三个采样生成的所有路径点，即$ 5103243 $，即在每个路径组中，它包含14,749道路直径点（103243/7 = 14749）。每个路径包括301道路（14749/7/7 = 301）。此文件记录了每条路径的最后一个路径，矩阵的矩阵$ 5343 $，即$ 77**7 $端点。
对于碰撞检查，细菌网格涵盖了传感器的范围。符合样品之间的距离，传感器范围为3.2*4.5，并且在该区域中产生了胚芽网格，如下图所示，阻止了封锁。在这里考虑车辆半径。生成网格时，定义以下参数，
在外层周期中，从外部到内部计算，相同样品的相同路径，汽车体位置的位置的宽度也将减小。
下面的详细计算：如上图所示，以上边缘计算为例，也就是说，目前可以将其视为一条线。当时，当时：$ y = {offsety -searchradius overoffsetx} x+searchradius $ $ $
也可以通过类似的三角形获得：$ {$ {y -searchradius Office -searchradius} = {x ouver offsetx} $ $ $ $ yun {x officeTx} x offeretx} +offsetx} +{（（offsetx -x）} $ $ $ $ = {x ouar办公室
生成网格后，为了在局部路径的筛选中提高效率，计算每个网格和路径索引。实际上，每个维生素网格和厕所路径之间的索引关系表的收集。
记录路径点附近的所有处女网格。
原始：https：//juejin.cn/post/709674558384621192