一、路径规划到底在规划什么？

说实话，我刚入行那会儿，觉得路径规划不就是「从A点到B点找条路」嘛。后来被现实狠狠教育了几次——有一次在仓库里，我的AGV明明规划出了最短路径，结果卡在货架中间动弹不得。嗯，从那以后我才真正理解，路径规划远没想象中那么简单。

路径规划，说白了就是：在给定的环境中，找出一条从起点到终点的可行路径，同时满足某些性能指标。这里的「可行」很关键——你不能撞墙、不能压线、不能和障碍物亲密接触。

我个人习惯把路径规划拆成三个核心问题：

• 我在哪？——定位问题，你得知道起点
• 我要去哪？——目标设定，终点坐标
• 我怎么去？——路径搜索，核心算法

你想想看，第三个问题才是我们真正要啃的硬骨头。而「怎么去」又分成了两个流派：全局规划和局部规划。下面我详细说说。

二、全局路径规划 vs 局部路径规划

这两个概念，我建议你从「地图信息是否完整」这个角度去理解。

2.1 全局路径规划

全局规划，也叫离线规划。它假设你手里有一张完整的地图——障碍物位置、道路宽度、可行区域，全都已知。算法在这张静态地图上算出一条从起点到终点的路径。

我在项目中遇到过最典型的场景：工厂投产前，我们先拿到CAD图纸，把货架、工作台、通道全部标注好。然后让AGV跑全局规划，生成一条「理论上最优」的路径。

常用的全局规划算法有：

• A*算法——最经典，启发式搜索，效率高
• Dijkstra——保证最短路径，但慢
• RRT/RRT*——适合高维空间，随机采样

但全局规划有个致命弱点：它假设环境是静态的。一旦出现动态障碍物——比如突然有人走过、叉车临时停靠——全局路径就废了。

2.2 局部路径规划

局部规划，也叫在线规划。它只依赖传感器实时感知的局部环境信息（比如激光雷达扫描到的2米范围），在全局路径的引导下，实时调整行驶轨迹。

我经常跟团队说：全局规划负责「大方向」，局部规划负责「躲坑」。

常见的局部规划方法：

• DWA（动态窗口法）——在速度空间采样，选最优轨迹
• TEB（时间弹性带）——优化轨迹的时间与空间
• MPC（模型预测控制）——带约束的滚动优化

2.3 两者的关系

全局规划和局部规划不是二选一，而是配合使用。我画了一张图帮你理解：

你看，全局规划先算出一条粗路径，局部规划再根据实时感知做微调。两者缺一不可。

三、路径规划的评价指标

路径好不好，不能光凭感觉。我一般用三个核心指标来评价：

3.1 最短路径

这是最直观的指标——路径总长度最小。但我要提醒你：最短路径 ≠ 最优路径。

举个例子，我在一个密集仓储项目里，A*算出来的最短路径要从两个货架中间挤过去。路径确实短，但AGV每次经过都要减速到0.1m/s，生怕刮蹭。结果总耗时反而更长。

3.2 时间最优

时间最优考虑的是「从起点到终点需要多久」。它比最短路径更实用，因为时间 = 距离 / 速度，而速度受曲率、障碍物密度影响。

我常用的时间最优评价函数长这样：

J = ∫ (w₁·v(t) + w₂·κ²(t) + w₃·δ²(t)) dt

其中：

• v(t)——速度，越大越好
• κ(t)——曲率，越小越好（转弯减速）
• δ(t)——与障碍物的距离，越大越安全

说白了，时间最优就是在安全和效率之间找平衡。

3.3 平滑度

平滑度这个指标，新手容易忽略。但做过实车调试的人都知道——不平滑的路径，机器人根本跑不起来。

平滑度通常用路径的曲率变化率（jerk）来衡量。曲率突变的地方，机器人要么急刹，要么甩尾。

我评估平滑度时看三个维度：

指标	含义	理想值
最大曲率	路径最弯处的弯曲程度	< 0.2 m⁻¹
曲率变化率	曲率的变化速度	< 0.5 m⁻¹/s
路径连续性	至少C²连续（曲率连续）	C²及以上

四、三个指标的权衡

你可能会问：这三个指标能不能同时做到最优？

答案是：不可能。最短路径往往不平滑，平滑路径可能绕远路，时间最优又可能牺牲安全性。

我个人的做法是：

1. 先保证安全性——路径不能碰障碍物，这是底线
2. 再追求平滑度——让机器人能稳定跟踪
3. 最后优化时间——在安全和平滑的基础上，尽量快

这个优先级顺序，是我在多次现场调试中总结出来的。你想想看，一条路径再短再快，如果机器人跑着跑着就撞了，那还有什么意义？

好了，这一章的内容就到这里。路径规划的定义、全局与局部的区别、三个核心评价指标，我都结合自己的实战经验讲了一遍。下一章我们会深入A*算法的实现细节，到时候手撕代码，敬请期待。

---