第1章避障算法概述

一、避障算法概述

大家好，我是老张。在机器人这行摸爬滚打十几年，要说哪个问题最让人头疼，避障绝对排前三。今天咱们就来聊聊这个绕不开的话题。

说白了，避障就是让机器人从A点走到B点，路上别撞到东西。听起来简单吧？但实际做起来，坑多着呢。

我记得刚入行那会儿，带我的师傅说过一句话：「避障不是让机器人停下来，而是让它聪明地绕过去。」这句话我一直记到现在。

一个完整的避障问题，通常包含三个要素：

你想想看，这三个环节任何一个出问题，机器人要么撞墙，要么原地转圈。我在项目里见过太多这样的案例了。

避障算法怎么分类？我习惯从两个维度来看：

全局避障，就是机器人出发前，已经知道整个地图长什么样。好比你去一个陌生城市，先打开地图看个大概，再决定走哪条路。

局部避障，则是边走边看。机器人只知道自己周围几米内的情况，遇到障碍物临时躲开。这就像你在人群里走路，不会提前规划好每一步，而是见缝插针。

嗯，这里要注意：全局算法算得慢，但路径通常更优；局部算法反应快，但容易陷入死胡同。我一般建议两者结合着用。

传统方法，比如A*、Dijkstra、人工势场法。这些算法数学基础扎实，可解释性强。我在做工业AGV时，A*用得最多，稳定可靠。

基于学习的方法，比如强化学习、模仿学习。这几年很火，但说实话，落地没那么容易。我曾经在一个仓储机器人项目里试过强化学习，训练了两个月，结果一到真实场景就翻车。

为什么会这样？因为仿真环境和真实世界的差距，比你想象的大得多。

我的建议：如果项目要求高可靠性，优先选传统方法。如果环境复杂多变，可以尝试学习方法，但一定要做好仿真到真实的迁移。

算法好不好，不能光靠嘴说。我一般用三个指标来衡量：

指标	说明	我的经验
安全性	机器人会不会撞到障碍物	这是底线，没得商量。我见过为了追求速度牺牲安全性的方案，最后都出了事故。
平滑性	路径是否流畅，有没有急转弯	平滑性差，机器人容易抖动，电机也容易坏。我做服务机器人时，特别在意这个。
实时性	算法计算够不够快	动态环境里，实时性就是生命。我曾经因为算法慢了0.1秒，机器人差点撞到人。

避坑指南：我曾经在一个项目中，只关注了安全性，忽略了平滑性。结果机器人走出来的路径像锯齿一样，客户直接退货。后来我学乖了，三个指标必须同时优化。

下面这张图，是我自己整理的避障算法知识体系。你可以把它当成一张地图，后面每讲一个算法，都能在这张图上找到它的位置。

这张图把避障算法的分类和评价指标串在了一起。全局和局部是「空间维度」，传统和学习是「方法维度」。你选算法时，得同时考虑这两个维度。

警告：别以为选了一个好算法就万事大吉。我见过太多人把A*跑通了就以为完事了，结果一上真机就出问题。算法只是工具，真正重要的是你对问题的理解。

好了，这一章就聊到这儿。后面我们会逐个深入这些算法，到时候我会把踩过的坑、总结的经验都抖出来。咱们下章见。