1、路径规划概述：定义、应用场景与核心挑战

大家好，我是老张。今天咱们聊聊路径规划——这个听起来有点学术，但实际上跟你我生活息息相关的话题。

先问个问题：你家的扫地机器人，是怎么知道该往哪走的？它为什么不会一头撞上墙？说白了，背后就是路径规划在起作用。

1.1 什么是路径规划？

路径规划，简单讲就是：给一个移动的机器人，找出一条从起点到终点的路，同时避开障碍物，还要尽量走得快、走得稳。

嗯，这里要注意，路径规划不是简单的“画条线”。它要考虑三个核心要素：

• 安全性——不能撞墙、不能碰人
• 最优性——距离最短、时间最少、能耗最低
• 可行性——机器人能不能真的沿着这条路走

我个人习惯把路径规划比作“导航”。你开车用高德地图，它给你规划路线，避开拥堵，这就是路径规划。只不过，机器人面对的挑战比导航复杂得多。

1.2 应用场景——我亲眼见证的变革

这些年我参与过不少项目，从家用机器人到自动驾驶，路径规划的应用场景越来越广。我挑三个典型的说说。

1.2.1 扫地机器人

这是最接地气的例子。你想想看，扫地机器人只有几十块钱的芯片，内存小得可怜，但它要在你家里跑来跑去，把每个角落都扫干净。

我在项目中遇到过一个问题：扫地机在客厅扫得好好的，一进卧室就迷路了。为什么？因为卧室门太窄，传感器视野受限。后来我们改用了增量式路径规划，边走边建图，才解决了这个问题。

扫地机器人的路径规划，核心挑战是：低成本硬件 + 复杂家庭环境。它不能像自动驾驶那样装激光雷达，只能用红外传感器和碰撞开关。

1.2.2 自动驾驶

这个大家听得多了。自动驾驶的路径规划，分三个层级：

层级	任务	典型方法
全局路径规划	从A城市到B城市	Dijkstra、A*算法
局部路径规划	当前车道到下一个路口	DWA、TEB算法
运动规划	避让行人、换道	MPC、Lattice Planner

我记得有一次测试自动驾驶车辆，它在十字路口突然急刹车。为什么？因为路径规划算法算出来“再过0.5秒就会撞上侧向来车”。但实际上那辆车离得还远。这就是实时性和安全性之间的权衡——算法太保守，车开得像个新手；太激进，又容易出事。

1.2.3 无人机

无人机路径规划，跟地面机器人完全不同。它是在三维空间里飞，还要考虑空气动力学、电池续航。

我曾经参与过一个无人机配送项目。无人机要从仓库飞到小区，中间有高楼、电线、树木。最头疼的是动态障碍物——比如突然飞来的鸟，或者临时升起的无人机。

无人机路径规划有个特点：计算必须快。地面机器人可以停下来慢慢算，无人机不行，它悬停耗电，算慢了就掉下来了。

1.3 核心挑战——为什么路径规划这么难？

你可能会想：路径规划不就是找条路吗？有什么难的？

嗯，问题在于，现实世界不是一张白纸。我总结了两个最头疼的挑战。

1.3.1 动态环境

什么叫动态环境？就是环境一直在变。

• 扫地机器人扫着扫着，主人走过来，椅子被挪动了
• 自动驾驶开着开着，前面突然有车加塞
• 无人机飞着飞着，风向变了，或者有鸟群飞过

静态路径规划，比如A*算法，它假设环境不变。但现实世界是动态的。怎么办？

我建议的做法是：分层规划。全局规划用A*算一条大方向，局部规划用DWA实时调整。这样既保证了整体效率，又能应对突发情况。

1.3.2 实时性

实时性，说白了就是“算得快”。

自动驾驶要求路径规划在毫秒级完成。你想想看，车速60km/h，每秒跑16.7米。如果路径规划花了1秒才算出结果，车已经跑出去16米了——早就撞上了。

实时性和最优性是一对矛盾。算法越精确，计算越慢。怎么平衡？

我个人习惯用启发式搜索。比如A*算法，它用启发函数引导搜索方向，不用遍历所有路径，速度就快很多。但启发函数设计不好，又可能找不到最优解。

这里有个经验：不要追求理论最优。在实际工程中，找到一个“足够好”的路径，比花时间找“最优”路径更实用。你想想看，扫地机器人多花10秒找到最优路径，还不如直接走一条次优路径，早点扫完。

1.4 本章知识体系

为了让你更直观地理解路径规划的全貌，我画了一张图。

这张图把路径规划的核心内容串起来了。从定义出发，到应用场景，再到核心挑战，最后落到解决方法。后面的章节，我们会逐一深入每个算法。

好了，这一章就到这里。路径规划的世界很大，我们慢慢聊。

---

公众号:蓝海资料掘金营，微信deep3321