一、 引言移动机器人路径规划概述规划层级划分全局路径规划Global Path Planning解决“怎么走”的大趋势侧重全局静态已知地图。局部路径规划Local Path Planning解决“怎么避障”的实时问题侧重动态环境与机器人动力学。A*与DWA的角色定位A*算法经典的全局路径规划算法。DWA算法高效的局部路径规划与避障算法。二、A*算法技术剖析1. 核心数学原理启发式评价函数F(n) G(n) H(n)G(n)从起点到当前节点n的实际代价。H(n)当前节点n到终点的估计代价曼哈顿距离、欧氏距离、切比雪夫距离的选择与影响2. 技术优缺点分析优势完备性与最优性在满足 H(n)h*(n) 的条件下能够找到全局最优化解。劣势计算量随地图增大呈指数级增长生成的路径通常为折线未考虑机器人实际的物理运动学约束如速度、加速度、转弯半径。三、 DWADynamic Window Approach算法技术剖析1. 核心原理与工作机制速度空间采样在机器人的速度空间中进行离散采样。动态窗口约束基于机器人当前速度和最大加减速度限制下一时刻的可达速度范围。轨迹预测假设机器人以采样速度运行一小段时间推演其未来的运动轨迹通常基于前向运动学。2. 技术优缺点分析优势直接输出控制指令严格考虑机器人动力学约束能够实时避开动态障碍物。劣势属于局部优化算法容易陷入局部极小值如死胡同、U型弯缺乏大局观。四、 典型应用架构A* DWA 协同机制1. 经典的“全局-局部”双层导航架构A* 算法作为Global Planner定期或在环境剧烈变化时计算出一条全局最优路径。DWA 算法作为Controller/Local Planner将 A* 的全局路径作为引导实时生成控制指令。2. 协同调优的关键技术点剪枝与平滑处理A* 产生的折线路径需经过多项式拟合如B样条曲线或悬崖过滤使其更易被 DWA 追踪。前瞻点Look-ahead Point的选择DWA 评价函数中的 Heading 项通常不直接瞄准最终终点而是瞄准 A* 路径上前方一定距离的“局部目标点”。代价地图Costmap的融合Global Costmap用于 A*侧重静态障碍物与膨胀层。Local Costmap用于 DWA滚动窗口Rolling Window高频更新雷达和相机采集的动态阻碍。五、 MATLAB小案例在MATLAB中建立栅格地图黑色代表障碍物通过A星算法规划出全局最优路径A*算法与DWA算法结合规划全局最优路径并动态避开临时障碍物