课程导论与算法全景

各位同学，欢迎来到《路径规划：从A星到RRT算法实战》。

我是这门课的主讲。在机器人行业摸爬滚打了十来年，踩过的坑比走过的路还多。今天咱们聊点实在的——路径规划到底是个啥？

说白了，就是让机器人知道怎么从A点走到B点。别笑，这事儿真没那么简单。

路径规划问题定义

先给个正式定义：路径规划是在有障碍物的环境中，找到一条从起点到终点的无碰撞路径。嗯，这里要注意，这条路径还得满足某些约束——比如最短、最省电、最安全。

我刚开始做AGV（自动导引车）项目时，老板丢给我一句话：「让这辆车自己从仓库门口开到货架前。」我当时心想，这不就是画条线嘛？结果一上手才发现，光是「不撞墙」这一条，就够我折腾两周。

路径规划的核心要素有三个：

• 环境表示：地图怎么建？栅格？拓扑？还是路标？
• 搜索策略：怎么找路？广度优先？启发式？随机采样？
• 约束条件：车能不能原地转弯？速度有没有上限？

你想想看，这三个要素随便组合一下，就能衍生出几十种算法。但别慌，咱们这门课只讲最经典的两种——A*和RRT。

算法分类：全局 vs 局部

路径规划算法，我习惯分成两大类：

类型	特点	代表算法	适用场景
全局规划	知道完整地图，离线计算	A*、Dijkstra、RRT	已知环境、静态障碍物
局部规划	实时感知，动态避障	DWA、TEB、MPC	未知环境、动态障碍物

全局规划就像你出门前看地图——知道整个城市的路网，规划出最佳路线。局部规划则像开车时看路况——前面突然有辆车急刹，你得立刻变道。

我在做扫地机器人项目时，就吃过「只用全局规划」的亏。地图建得再精确，也架不住家里小孩乱扔玩具。后来加了局部规划模块，才真正解决了「撞到拖鞋还继续推」的尴尬。

A*与RRT的江湖地位

说到路径规划，绕不开两个名字：A*和RRT。

A*算法，1986年诞生，是启发式搜索的标杆。它用「实际代价+估计代价」来引导搜索方向。说白了，就是一边走一边猜——「这条路看起来更近，先走它」。A*在栅格地图上表现极好，能找到最短路径。但它有个致命弱点：状态空间大了，内存就爆炸。

RRT算法，1998年提出，是随机采样的代表。它不追求最优，只追求「能找到一条路就行」。RRT在高维空间（比如机械臂的关节空间）里如鱼得水。我做过一个7自由度机械臂的避障项目，A*直接跑不动，RRT几秒钟就给出了一条可行路径。

这两者的对比，我整理了一张表：

维度	A*	RRT
搜索方式	确定性搜索	随机采样
最优性	保证最短路径	不保证最优
适用维度	低维（2D/3D）	高维（6D/7D+）
内存消耗	高（需维护Open/Close表）	低（只维护树结构）
实时性	中等	快（可随时中断）

你可能会问：「那我该学哪个？」我的答案是——都学。A*是基础，RRT是进阶。就像学武术，先练马步，再学招式。没有A*打底，你很难理解RRT为什么「随机」还能找到路。

课程项目总览

这门课不是纯理论课。咱们要动手做项目。一共30章，我把它分成四个阶段：

1. 基础篇（第1-8章）：环境建模、A*算法实现、优化技巧
2. 进阶篇（第9-16章）：RRT算法、RRT*、双向RRT
3. 实战篇（第17-24章）：ROS集成、仿真测试、真实机器人部署
4. 拓展篇（第25-30章）：混合算法、多机器人协同、工程化落地

每个阶段都有一个完整项目。比如基础篇，咱们会写一个完整的A*路径规划器，跑在栅格地图上。进阶篇，咱们会实现RRT*，并对比它和A*的性能差异。

我记得有一次给客户做演示，现场网络断了，ROS跑不起来。幸好我提前准备了离线版本的代码，直接用Python跑通了A*和RRT的对比。客户当场就签了合同。嗯，这就是「实战」的价值——你永远不知道现场会出什么幺蛾子。

好了，导论就到这里。下一章，咱们正式进入环境建模——怎么把真实世界变成计算机能理解的地图。

记住一句话：路径规划不是数学题，是工程题。咱们的目标不是证明算法最优，而是让机器人真正跑起来。