一、路径规划概述
大家好，我是老张。做机器人这行十几年了，今天咱们聊聊路径规划。
说实话，我第一次接触路径规划是在一个AGV项目上。那会儿车总撞墙，我以为是硬件问题，折腾了两周才发现——原来是路径没规划好。嗯，从那以后，我就再也不敢小看这个环节了。
1.1 路径规划到底是什么？
路径规划，说白了就是：给定起点和终点，找一条能走的路。
但这里有个坑——不是随便找条路就行。你得考虑：
- 能不能走通——别撞墙、别掉坑
- 好不好走——距离短、转弯少、能耗低
- 安不安全——远离障碍物、避开动态风险
我习惯把路径规划拆成两个问题：
- 路径搜索——在地图上找一条可行路径
- 轨迹优化——让这条路径更平滑、更可执行
核心定义：路径规划 = 在约束条件下，寻找从起点到终点的最优或可行路径的过程。
1.2 应用场景——我在项目中踩过的坑
机器人领域
我最早做的是仓储机器人。那会儿遇到一个典型问题：多台机器人在同一个仓库里跑，路径规划不好就会「死锁」——你堵我、我堵你，全卡住了。
后来我用了A*算法 + 交通管制策略才解决。具体做法是：
- 全局规划：用A*找一条粗路径
- 局部调整：遇到其他机器人时，动态避让
- 优先级调度：给每个任务分配优先级，低优先级让高优先级
自动驾驶
做自动驾驶的朋友应该深有体会——城市道路的路径规划比高速难多了。为什么？
- 路口多、车道复杂
- 行人、自行车、其他车辆混行
- 交通规则约束（红灯、实线、限速）
我记得有个项目，车在十字路口总是犹豫不决。查了半天，发现是行为规划层和运动规划层的接口没对齐。嗯，这种「层间通信」的问题，新手特别容易忽略。
游戏AI
游戏里的路径规划，我接触得少一些，但有个案例印象很深。一个RTS游戏，单位寻路时总是「挤成一团」。后来用了流场寻路（Flow Field），让大量单位像水流一样自然分散，效果好了很多。
我的建议：如果你是初学者，先从机器人场景入手。因为机器人环境相对可控，调试起来方便。自动驾驶和游戏AI的复杂度更高，适合进阶学习。
1.3 算法分类——一张图看懂全局
路径规划算法种类很多，我习惯从两个维度来分类：
全局 vs 局部
| 维度 | 全局路径规划 | 局部路径规划 |
|---|---|---|
| 地图信息 | 已知完整地图 | 仅知道传感器范围内的信息 |
| 计算时机 | 任务开始前或离线 | 实时在线计算 |
| 典型算法 | A*, Dijkstra, RRT | DWA, TEB, MPC |
| 输出 | 一条完整路径（点序列） | 当前时刻的速度指令 |
| 我的经验 | 适合静态环境，计算量大但结果稳定 | 适合动态环境，实时性强但可能陷入局部最优 |
注意：全局规划和局部规划不是二选一的关系。实际项目中，我通常两者结合使用——全局规划提供宏观路径，局部规划负责微观避障。这叫「分层规划」，后面章节会详细讲。
静态 vs 动态
这个维度很多人会忽略，但实际项目中特别重要。
- 静态环境：障碍物位置固定不变。比如工厂里的货架、家里的墙壁。这种场景用A*就够了。
- 动态环境：障碍物会移动。比如行人、其他车辆、宠物。这时候需要局部规划来实时避障。
我曾经在一个商场导览机器人项目上吃过亏——只做了全局规划，没考虑动态避障。结果机器人遇到小孩就傻站着，被投诉了好几次。后来加了DWA局部规划，才算是能正常工作了。
1.4 一个简单的例子——帮你建立直觉
说了这么多理论，咱们看个实际例子。
假设你有一个扫地机器人，要从客厅（起点）到厨房（终点）。中间有沙发、茶几、一只猫（动态障碍物）。
- 全局规划：先根据户型图，规划一条绕过沙发和茶几的路径。这时候猫还没动，所以不考虑它。
- 局部规划：机器人开始移动后，传感器发现猫突然跑到路中间了。于是局部规划器调整速度，绕开猫，再回到全局路径上。
你看，这就是典型的「全局+局部」配合。没有全局规划，机器人可能找不到厨房；没有局部规划，机器人可能撞到猫。
一个小技巧：刚开始做路径规划时，我建议你先在仿真环境里调试。比如用ROS的Gazebo或者Python的pygame。等算法跑通了，再上真机。不然真机撞坏了，老板会心疼的。
1.5 本章小结
这一章我们聊了：
- 路径规划的定义——找一条能走、好走、安全的路
- 三个典型应用场景——机器人、自动驾驶、游戏AI
- 算法分类——全局vs局部、静态vs动态
下一章，我会带大家手写一个最简单的路径规划算法——Dijkstra。别看它简单，很多高级算法都是它的变体。掌握了它，后面的路就好走了。
公众号:蓝海资料掘金营，微信deep3321