第四节：对角线距离——八方向移动下的精确距离计算，如何避免高估代价

聊完曼哈顿距离和欧氏距离，咱们来看看实际项目中最常用的一个——对角线距离。

说白了，它就是专门为八方向移动设计的。你想想看，在栅格地图上，机器人既能上下左右走，也能斜着走。这时候再用曼哈顿距离，代价就估高了。为什么？因为斜着走一步，实际距离只有√2，但曼哈顿距离算出来是2。这一来一回，差距就出来了。

4.1 对角线距离的数学定义

先看公式。假设起点是 (x1, y1)，终点是 (x2, y2)：

dx = |x1 - x2|
dy = |y1 - y2|

对角线距离 = min(dx, dy) * √2 + |dx - dy|

这个公式怎么理解？
我习惯这么想：先尽可能走斜线，走到不能再斜了，剩下的直线部分就直着走。

• min(dx, dy)：能走斜线的步数
• √2：斜线一步的实际代价
• |dx - dy|：剩下的直线步数，代价为1

举个例子。起点 (0,0)，终点 (5,3)。
dx=5，dy=3。
min=3，所以先走3步斜线，代价 3*1.414 ≈ 4.242。
剩下 |5-3|=2 步直线，代价 2*1 = 2。
总代价 ≈ 6.242。

这个值比曼哈顿距离（5+3=8）小，比欧氏距离（√34≈5.83）大。很合理，对吧？

4.2 为什么曼哈顿距离会高估代价

我在项目中遇到过好几次这样的问题。一开始用曼哈顿距离做A*，结果发现机器人明明可以斜着走，但路径规划出来的路线却绕来绕去。

原因很简单：曼哈顿距离高估了实际代价。

你想想看，从 (0,0) 到 (3,3)，曼哈顿距离是6。但实际走对角线，只需要3步，代价约4.242。差了将近2个点。

高估代价会带来什么后果？

• A* 算法会倾向于探索更多节点，因为启发式函数不够紧
• 搜索空间变大，计算时间变长
• 严重时，可能找不到最优路径

4.3 如何避免高估代价——我的调优经验

嗯，这里要注意。对角线距离本身已经比曼哈顿距离精确了，但还不够。为什么？因为实际移动中，斜线移动的代价可能不是严格的√2。

我遇到过的情况是这样的：

有一次做仓储机器人项目，地面是环氧树脂，摩擦力比较小。机器人斜着走的时候，轮子打滑，实际走的距离比理论值多了5%。这时候如果用严格的√2，代价还是低估了。

所以我的建议是：

1. 先用理论值 √2：大部分场景下够用
2. 实测修正：让机器人实际跑一下，记录斜线移动的真实代价
3. 微调系数：比如把 √2 改成 1.45 或 1.5，看效果

4.4 代码实现

直接上代码。这是我项目里用的一段，稍微简化了一下：

# 对角线距离计算
def diagonal_distance(start, goal):
    dx = abs(start[0] - goal[0])
    dy = abs(start[1] - goal[1])
    
    # 斜线代价，可调参数
    D = 1.0          # 直线代价
    D2 = 1.414       # 斜线代价，理论值
    
    # 核心公式
    return D * (dx + dy) + (D2 - 2 * D) * min(dx, dy)

# 或者更直观的写法
def diagonal_distance_v2(start, goal):
    dx = abs(start[0] - goal[0])
    dy = abs(start[1] - goal[1])
    
    # 先走斜线
    diagonal_steps = min(dx, dy)
    # 再走直线
    straight_steps = abs(dx - dy)
    
    return diagonal_steps * 1.414 + straight_steps * 1.0

我个人习惯用第一种写法，因为调参方便。把 D 和 D2 抽出来，改一个地方就行。

4.5 什么时候用对角线距离

场景	推荐距离	原因
四方向移动（上下左右）	曼哈顿距离	不能斜走，曼哈顿就是精确的
八方向移动（可斜走）	对角线距离	精确匹配移动能力
任意方向移动	欧氏距离	没有方向限制，欧氏最准
有障碍物的复杂环境	对角线距离 + 障碍物惩罚	需要额外处理

4.6 避坑指南

我曾经踩过一个坑，分享给你：

有一次做AGV调度，地图是网格化的，但机器人实际移动是连续的。我用对角线距离做A*，结果路径规划出来全是锯齿状的。为什么？因为对角线距离假设机器人可以完美走斜线，但实际场地里，斜线路径上可能有障碍物，机器人只能走折线。

后来我加了一个路径平滑的后处理步骤，才解决了这个问题。

最后说一句。对角线距离不是万能的。如果你的机器人是差速轮，可以任意方向移动，那直接用欧氏距离就行。但如果是四轮车、履带车，或者有方向限制的机器人，对角线距离就是你的最佳选择。

下一节，咱们聊聊欧氏距离的陷阱——为什么它有时候会低估代价，以及怎么处理。