第4章路径规划问题定义

4. 路径规划问题定义：最短路径、避障约束、平滑度指标

好，咱们进入正题。路径规划听起来高大上，其实说白了就是回答三个问题：怎么走最近？怎么不撞墙？怎么走得舒服？ 这三个问题，对应到数学上就是三个核心指标——最短路径、避障约束、平滑度指标。

我刚开始做路径规划那会儿，踩过一个坑。当时只盯着最短路径算，结果规划出来的路径贴着障碍物边缘走，机器人一执行就卡住。嗯，后来我才明白，这三个指标缺一不可。

最短路径，这是最直观的目标。但「最短」的定义其实有好几种，你得根据场景选。

我个人习惯在蚁群算法里用欧几里得距离作为启发式信息。为什么？因为蚁群模拟的是真实蚂蚁，蚂蚁走的是连续空间，不是网格。你想想看，蚂蚁会拐弯，不会只走直角。

  核心公式：路径总长度 L = Σ d(i, i+1)，其中 d 是相邻节点间的距离。

但注意，最短路径≠最优路径。我在项目中遇到过，单纯追求最短，结果路径穿过狭窄通道，机器人根本过不去。所以，必须加上避障约束。

避障约束，说白了就是路径上的每个点都不能落在障碍物内部。这个约束在数学上很好表达：

对于路径上的任意点 P(x,y)：
  如果 P 在障碍物 O 内部 → 该路径无效
  如果 P 在障碍物 O 边界 → 视情况（一般也视为无效）

但实际做的时候，有个细节很多人忽略——机器人是有尺寸的。你不能把机器人当成一个点来处理。

我曾经踩过的坑：把机器人当质点规划路径，结果路径贴着墙走，机器人实际宽度比路径宽，直接卡住。后来我学会了「膨胀障碍物」——把障碍物边界向外扩展机器人半径，这样规划出来的路径天然安全。

在蚁群算法里，避障约束怎么加？很简单：

我建议用第一种方法，直接禁止。因为惩罚值法会让蚂蚁「试错」，浪费计算资源。

这个指标，说实话，很多初学者会忽略。但实际部署时，平滑度比最短路径还重要。

什么叫平滑？就是路径的转弯角度不能太陡。你想想看，一个机器人如果每走一步就转个 90° 弯，电机受得了吗？电池扛得住吗？

平滑度的量化方式有很多，我常用的是转角累积惩罚：

平滑度 S = Σ |θᵢ - θᵢ₋₁|

其中 θᵢ 是第 i 段路径的方向角

这个值越小，路径越平滑。理想情况下，S=0 就是一条直线。

我的经验：在蚁群算法的适应度函数里，把平滑度作为一个加权项。比如总代价 = α×长度 + β×平滑度。α和β怎么调？我一般先设 α=1, β=0.5，然后根据仿真结果微调。

好，现在三个指标都有了。但问题来了——它们往往是冲突的。最短路径可能不平滑，平滑路径可能绕远路。怎么办？

这就引出了多目标优化。我个人的做法是：

实际项目中，我大部分时候用加权法。简单、直观、好调参。

下面这张图，把咱们刚才讲的内容串起来了。你看一眼，心里就有谱了。

讲完理论，咱们聊聊实战。我在一个仓储机器人项目里，遇到过这样的场景：

场景	最短路径权重	避障约束	平滑度权重
空旷仓库	0.7	硬约束	0.3
密集货架区	0.3	硬约束+膨胀	0.7
走廊通道	0.5	硬约束	0.5

你看，不同场景下权重完全不一样。密集货架区为什么平滑度权重要高？因为频繁转弯容易撞到货架，而且电机磨损大。

  一句话总结：最短路径是目标，避障约束是底线，平滑度是体验。三者缺一不可，但权重因场景而异。

好了，这一节的内容就到这儿。记住这三个指标，后面咱们写蚁群算法代码时，会反复用到它们。