1. 从“寻路”到“寻优”：路径规划算法的核心价值

我们每天都在做路径规划。早上出门，打开手机地图，输入目的地，软件会瞬间为你规划出几条路线，并告诉你哪条最快、哪条最省油、哪条红绿灯最少。这背后，就是路径规划算法在默默工作。但路径规划的价值远不止于此。从仓库里AGV小车的穿梭，到无人机在复杂空域的自主飞行；从游戏里NPC如何绕过障碍物找到玩家，到物流公司如何为上千辆卡车安排最优的配送顺序——这些场景的核心，都是路径规划算法。

简单来说，路径规划就是在一个有障碍物的空间里，为移动的智能体（可以是机器人、车辆、甚至是一个虚拟点）找到一条从起点到终点的可行路径。但“可行”只是最低要求，我们真正追求的是“最优”。这个“优”的标准因场景而异：可能是距离最短、时间最少、能耗最低、安全性最高，或者是综合了多种因素的复杂指标。因此，路径规划算法从来不是一套固定的公式，而是一个庞大的工具箱，里面装满了针对不同问题、不同约束条件的专用工具。

作为一名在机器人导航和智能调度领域摸爬滚打了十多年的工程师，我处理过从简单的二维栅格地图寻路，到考虑动态交通流、车辆动力学约束的三维时空联合规划。我发现，很多初学者甚至一些有经验的开发者，在面对具体问题时，常常会陷入“算法选择困难症”：A*听起来很万能，RRT好像很高级，Dijkstra是不是过时了？其实，没有最好的算法，只有最合适的算法。理解每种算法的“脾气秉性”、能力边界和适用场景，比死记硬背公式重要得多。这篇文章，我就结合自己的实战经验，为你系统性地拆解主流路径规划算法的内核，帮你建立起清晰的认知框架，让你在面对具体需求时，能快速、准确地找到那把对的“钥匙”。

2. 环境建模：算法施展拳脚的舞台

在讨论任何算法之前，我们必须先搭建舞台——也就是对真实世界进行数学抽象，这个过程叫做环境建模。模型建得好不好，直接决定了后续规划的效率和质量。一个粗糙的模型会让再精巧的算法也步履维艰，而一个过细的模型又会带来不必要的计算负担。常见的环境建模方法主要有以下几种，它们各有优劣，适用于不同的场景。

2.1 栅格法：最直观的“像素化”世界

这是最经典、最易于理解和实现的方法。我们把整个环境划分成均匀的网格，就像一张像素图片。每个格子（Cell）只有两种状态：空闲（可通行）或占用（障碍物）。机器人或车辆被看作一个点，或者占据若干个格子的物体。

核心原理与实现：假设我们有一个10x10米的房间，将其划分为0.1米见方的格子，就会得到一个100x100的二维数组。数组中的每个元素存储一个值，比如0表示空闲，1表示障碍物。规划时，算法就在这个0和1组成的矩阵里寻找通路。

实战心得与避坑指南：

• 分辨率选择是门艺术：格子太大，会丢失环境细节，可能导致规划出的路径过于贴近障碍物，甚至因为“锯齿状”路径而无法被实际机器人执行（机器人有体积，不是质点）。格子太小，地图数据量会呈平方级增长，严重拖慢搜索速度。我的经验法则是，格子的边长至少要比机器人的半径（或半宽）大20%-30%，以确保安全裕度。
• “膨胀”障碍物是关键操作：由于机器人有物理尺寸，我们不能只把障碍物本身标记为占用，还需要在其周围进行“膨胀”操作。例如，机器人半径为0.3米，我们就需要把所有障碍物向外“画”出一个0.3米的圈，这个圈内的格子也标记为占用。这样，规划时把机器人视为质点，找到的路径就是绝对安全的。很多初学者忘记这一步，导致仿真完美，实物一跑就撞。
• 存储与搜索优化：对于大规模栅格地图，直接使用二维数组可能内存效率低下。可以使用稀疏数据结构（如只记录障碍物位置），或者采用四叉树、八叉树（用于三维）进行分层管理，加速空闲区域的查询。

2.2 可视图法：连接“安全点”的直线网络

当环境中的障碍物可以用多边形（如矩形、凸多边形）精确描述时，可视图法非常高效。其核心思想是：如果路径是由一系列直线段组成，那么只要这些线段不与任何障碍物相交，路径就是安全的。因此，我们把所有障碍物的顶点（多边形角点）以及起点、终点作为图的节点，然后连接所有彼此“可见”（连线不穿越障碍物）的节点，形成一张图。路径规划就变成了在这张图上寻找最短路径。

核心原理与实现：算法首先需要计算所有顶点之间的可见性。这是一个计算几何问题，可以通过射线投射等方法判断连线是否与任何障碍物边相交。构建好可视性图后，就可以运用图搜索算法（如Dijkstra）来寻找最短路径。

优缺点与适用场景：

• 优点：路径长度是精确的几何最短路径（在给定的顶点集合下），路径非常平滑，由直线段组成，非常适合轮式机器人。
• 缺点：构建可视性图的计算复杂度较高，为O(n³)（n为顶点数）。当障碍物形状复杂、顶点众多时，图会变得非常庞大。此外，路径必须经过顶点，这可能导致路径不是全局最优（可能存在不经过顶点的更短路径）。
• 适用场景：适用于障碍物数量不多、形状规则（多为凸多边形）的静态结构化环境，比如室内房间、仓库货架间。

2.3 拓扑法：抓住环境的“骨架”

拓扑法不关心环境的精确几何形状，而是关注其连通性。它像抽象出一张地铁线路图，只关心有哪些“站点”（关键位置点，如门、走廊交点）以及它们之间如何连接，而不关心站间轨道的具体弯曲程度。

核心原理与实现：通常通过“骨架化”或“路线图”方法来实现。例如，对栅格地图进行细化，提取出环境的中心线（骨架），骨架的交点和端点成为节点。或者，在自由空间中随机采样点，并连接彼此邻近且连线不碰撞的点，形成一张随机路线图（PRM）。

优缺点与适用场景：

• 优点：表示非常紧凑，特别适合大规模环境。规划速度快，因为搜索空间（图的规模）远小于几何空间。高层任务规划（如“去厨房拿杯水”）常基于拓扑地图。
• 缺点：丢失了精确的几何信息，因此基于拓扑图规划出的路径通常只是一个“序列”，需要底层控制器结合局部地图进行跟踪。无法直接用于需要精确避障或考虑动力学约束的场景。
• 适用场景：大规模室内外导航（如商场、校园）、多层级的路径规划系统（顶层用拓扑图做粗规划，底层用几何地图做细规划和避障）。

2.4 选择与融合：没有银弹

在实际项目中，我很少只使用单一的环境模型。更常见的做法是分层或融合。例如，在自动驾驶中，顶层路径规划可能使用车道级的拓扑图（高精地图），决定走哪条车道；中层轨迹规划则使用连续的几何空间，考虑车辆动力学，生成平滑的轨迹；底层控制再处理实时障碍物（用栅格或点云表示）。理解每种模型的本质，才能灵活地将它们组合起来，应对复杂的现实问题。

3. 全局规划算法：纵观全局的“战略家”

全局规划器掌握环境的完整先验信息（一张已知的地图），它的任务是找出从起点到终点的最优或次优路径。这类算法是路径规划的基石。

3.1 Dijkstra算法：稳扎稳打的“老将”

Dijkstra算法是图搜索中最经典的算法之一。它解决的是在带权重的图中，找到从单一源点到所有其他节点的最短路径问题。

算法流程拆解：

1. 初始化：创建一个集合S，用于存放已找到最短路径的节点。为所有节点分配一个“最短距离估计值”：起点设为0，其他节点设为无穷大。所有节点的前驱节点设为空。
2. 循环：当S未包含所有节点时，执行： a. 从不在S中的节点里，选出当前“最短距离估计值”最小的节点u。 b. 将节点u加入S。 c. 松弛操作：对于u的每一个邻居节点v，检查如果通过u到达v的距离（即u的距离 + 边(u,v)的权重）小于v当前的距离估计值，则更新v的距离估计值为这个更小的值，并记录u为v的前驱节点。
3. 结束：当终点被加入S时，算法可以提前终止。通过回溯前驱节点，即可得到从起点到终点的最短路径。

为什么它有效？Dijkstra算法采用了贪心策略：每次都选择当前已知的、距离起点最近的未处理节点。可以证明，当一个节点被加入S时，它到起点的距离就已经是最短距离，不会再被更新。这是因为所有边的权重都必须为非负值。

实战中的注意事项：

• 复杂度：使用优先队列（最小堆）优化后，时间复杂度为O((V+E)logV)，其中V是节点数，E是边数。对于栅格地图这样每个节点只有4或8个邻居的图，效率尚可。但对于节点非常多的图，它会比较慢，因为它“一视同仁”地向所有方向探索。
• 权重设计：算法的威力很大程度上取决于边的权重设计。权重可以是距离、时间、能耗，甚至是风险系数。例如，在越野路径规划中，平坦草地权重为1，泥泞地权重为5，陡坡权重为10，算法会自动找出综合代价最低的路径。
• 提前终止：实际应用中，我们通常只关心到特定终点的路径。因此，一旦终点被从优先队列中弹出（即其最短路径已确定），算法就可以立即停止，无需计算所有节点的最短路径。

3.2 A*算法：有“方向感”的智慧搜索

A*算法是对Dijkstra算法的革命性改进，它通过引入一个启发式函数，让搜索变得有方向性，从而极大地提高了效率。它是游戏AI和机器人学中应用最广泛的路径规划算法。

核心思想：A*为每个节点n维护一个代价函数：f(n) = g(n) + h(n)。

• g(n)：从起点到节点n的实际代价（与Dijkstra中的距离相同）。
• h(n)：从节点n到终点的估计代价，这就是启发式函数。

算法总是优先扩展f(n)值最小的节点。g(n)保证了路径的最优性（不走冤枉路），h(n)则引导搜索朝向终点的方向，避免了像Dijkstra那样盲目地向四周扩散。

启发式函数h(n)的设计艺术： 启发式函数是A*的灵魂，它必须满足两个条件：

1. 可采纳性：h(n)必须永远不大于从n到终点的实际最小代价。这保证了A*找到的路径是最优的。
2. 一致性（单调性）：对于任意节点n和其后继节点n’，有h(n) <= cost(n, n') + h(n')。这保证了算法的高效性。

常用启发式函数：

• 曼哈顿距离：适用于只能朝上下左右四个方向移动的栅格（四连通）。h(n) = |x_n - x_goal| + |y_n - y_goal|。
• 欧几里得距离：适用于可以朝任意方向移动的栅格（八连通）或连续空间。h(n) = sqrt((x_n - x_goal)² + (y_n - y_goal)²)。这是最常用的启发函数。
• 对角线距离：用于八连通栅格的更精确估计。

为什么A*比Dijkstra快得多？我们可以看一个极端例子：在一个空旷的栅格地图中，从左上角寻路到右下角。Dijkstra会像一个不断扩大的圆盘一样均匀探索，而A*由于有h(n)的引导，其探索区域更像一个指向终点的椭圆，访问的节点数少得多。

代码实现中的关键技巧：

# 伪代码结构示意 open_set = PriorityQueue() # 优先队列，按f值排序 open_set.put(start, f(start)) came_from = {} # 记录路径 g_score = {node: inf for node in all_nodes} g_score[start] = 0 f_score = {node: inf for node in all_nodes} f_score[start] = h(start) while not open_set.empty(): current = open_set.get() if current == goal: return reconstruct_path(came_from, current) for neighbor in get_neighbors(current): tentative_g_score = g_score[current] + cost(current, neighbor) if tentative_g_score < g_score[neighbor]: # 找到一条到neighbor的更优路径 came_from[neighbor] = current g_score[neighbor] = tentative_g_score f_score[neighbor] = g_score[neighbor] + h(neighbor) if neighbor not in open_set: open_set.put(neighbor, f_score[neighbor])

避坑指南与性能调优：

• 启发函数的选择至关重要：h(n)越接近真实代价，A的效率越高。如果h(n) = 0，A就退化成了Dijkstra；如果h(n)恰好等于真实代价，A*将沿着最优路径直线前进，效率最高。但h(n)绝不能大于真实代价，否则会破坏最优性。
• 处理平局情况：当多个节点f值相同时，优先队列的弹出顺序会影响搜索效率。一个常见的技巧是优先处理h值更小的节点，这能进一步引导搜索。
• 内存与速度的权衡：A需要维护open_set和closed_set（或通过g_score判断）。对于超大规模地图，内存可能成为瓶颈。此时可以考虑迭代加深A(IDA*) 等变种，它们用时间换空间。
• 非网格环境的应用：A*同样可以应用于可视性图或拓扑图，只需定义好节点、邻居关系和代价函数即可。

3.3 D与DLite：应对变化的“动态规划师”

现实世界是动态的。当机器人沿着A规划好的路径行进时，地图上可能突然出现未知障碍物（比如一把突然挪到路上的椅子）。重新从当前位置调用A进行全局规划固然可以，但效率低下，因为它丢弃了之前所有的计算成果。D*（Dynamic A*）及其优化版本D* Lite算法就是为了解决这个问题而生。

核心思想——反向搜索与代价传播： 与A从起点正向搜索到终点不同，D系列算法采用反向搜索。它最初假设环境是已知的，从目标点开始向起点搜索，计算出每个节点到目标点的最优代价。当机器人在行进中探测到某条边的代价发生变化时（例如，发现新的障碍物），D*不会重新规划整条路径，而是局部地、高效地更新受影响的节点代价，并重新计算出一条新的最优路径。这个过程就像在水面投下一颗石子，涟漪（代价更新）只传播到必要的范围。

DLite的简化理解*： D* Lite算法比原始D*更简洁高效，是目前动态环境重规划的实际标准。它维护两个估计值：

• g(s)：与A*类似，表示从起点到s的代价估计。
• rhs(s)：一个基于节点s的邻居的、更易维护的g(s)估计值。如果g(s) == rhs(s)，则称节点s是“一致的”。

当发现某条边(u, v)的代价增加时（例如，v变成障碍物），算法会更新v的rhs值（因为从u到v的路径不再可行），然后将v及其受影响的前驱节点加入一个优先队列。算法不断从队列中取出最关键的节点进行处理，通过局部传播更新，使受影响的节点恢复“一致”状态，从而快速得到新的路径。

适用场景： D* Lite非常适合在部分未知或动态变化的环境中进行的在线重规划，例如机器人探索未知区域、自动驾驶车辆在动态交通流中行驶。它的计算开销远小于每次变化都重新运行A*。

4. 局部规划与反应式算法：应对未知的“战术家”

全局规划依赖于一张先验地图。但在真实世界中，地图往往不完整，并且充满了动态、未预料到的障碍物（如行人、其他移动车辆）。局部规划器（或反应式控制器）的作用，就是基于机器人实时传感器（激光雷达、摄像头、超声波）的数据，在全局路径的指导下，进行实时避障和微调。

4.1 动态窗口法：兼顾动力学与安全的实时避障

动态窗口法是一种非常经典且实用的局部规划方法，它直接考虑了机器人的运动学（速度、加速度限制）和动力学约束，在速度空间中进行搜索，直接生成安全的控制指令（线速度和角速度）。

算法原理三步走：

1. 采样速度空间：在机器人当前可达的线速度v和角速度ω范围内，按照一定分辨率进行离散采样，形成一系列(v, ω)对。这个范围由机器人的最大加减速度决定，构成了一个“动态窗口”。
2. 轨迹模拟与评价：对每一个速度对(v, ω)，假设机器人以此速度匀速运动一段短时间（如0.5-1秒），模拟出未来一段轨迹。然后，用一个评价函数给这条轨迹打分。评价函数通常包括：
   • 朝向目标程度：轨迹末端方向与目标点方向的偏差。
   • 速度：倾向于选择更快的速度。
   • 安全距离：轨迹上离最近障碍物的距离。这是最重要的安全项。
   • 与全局路径的贴合度：轨迹末端与全局参考路径的距离。
3. 选择最优指令：选择评价函数得分最高的(v, ω)对，发送给机器人的底层电机控制器执行。然后，在下一个控制周期（通常是几十毫秒），重复整个过程。

为什么DWA如此有效？因为它将规划与控制紧密结合。它不是在几何空间找一条路径，而是在控制指令空间中直接寻找最优解。同时，由于模拟的轨迹很短，且基于当前传感器数据，它能很好地处理动态障碍物。评价函数的设计非常灵活，可以根据不同任务调整权重。

实操中的调参经验：

• 模拟时间：太短，机器人“目光短浅”，可能陷入局部最优（如面对U型障碍）；太长，计算量大，且基于当前数据的预测会不准确。通常设置在0.5-2秒之间，与机器人的最大速度匹配。
• 评价函数权重：这是调参的核心。在拥挤环境中，应大幅提高“安全距离”的权重；在开阔地带追求速度时，则提高“速度”权重。需要大量实地测试来找到平衡点。
• 振荡问题：机器人在狭窄通道或对称障碍前可能左右摇摆。可以通过在评价函数中加入“平滑性”惩罚（与前一个周期的速度变化量）来缓解。

4.2 人工势场法：被“力”驱动的直观方法

人工势场法的思想非常直观：将目标点视为吸引机器人的“引力场”，将障碍物视为排斥机器人的“斥力场”。机器人处在一个虚拟的合力场中，像一个小球一样沿着合力的方向（负梯度方向）运动。

数学模型：

• 引力场：U_att(q) = 0.5 * k_att * ρ^2(q, q_goal)， 其中k_att是引力增益，ρ是机器人当前位置q到目标点q_goal的距离。引力F_att = -∇U_att = -k_att * (q - q_goal)。
• 斥力场：U_rep(q) = 0.5 * k_rep * (1/ρ(q, q_obs) - 1/ρ0)^2， 如果ρ(q, q_obs) <= ρ0，否则为0。其中ρ0是障碍物的影响半径，k_rep是斥力增益。斥力F_rep = -∇U_rep。
• 合力：F_total = F_att + Σ F_rep。机器人沿着F_total的方向移动。

优点与致命缺陷：

• 优点：概念简单，计算量小，反应速度快，易于实现。
• 缺陷——局部极小值问题：这是势场法的阿喀琉斯之踵。当引力和斥力在某一点达到平衡时，合力为零，机器人会停滞不前。例如，在对称的走廊里，目标在正前方，左右墙的斥力相等，引力向前，可能导致机器人在走廊入口就停止。或者，当目标点在一个障碍物后面时，机器人可能永远无法到达。

解决方案与变种：

1. 随机扰动：当检测到机器人速度接近零时，给它一个随机的小推力，帮助它逃出局部极小点。
2. 导航函数：一种经过特殊设计的势场，能保证只有一个全局极小值（在目标点），但构造复杂。
3. 与其他方法结合：通常不单独使用势场法作为规划器，而是作为局部避障的辅助手段，或者与全局规划器结合，由全局规划器提供一条粗略路径，势场法负责局部跟踪和避障。

4.3 向量场直方图与障碍物膨胀

VFH及其变种（VFH+， VFH*）是另一种高效的反应式方法，特别适用于基于激光雷达的机器人。

核心思想：VFH将机器人周围的障碍物信息（来自激光雷达的扫描数据）转换到极坐标直方图中。直方图的每个扇区代表一个角度，其值代表该方向上的障碍物密度。然后，算法在直方图中寻找一个足够宽的、障碍物密度低的“山谷”，这个山谷的方向就是机器人应该前进的方向。同时，它会考虑当前机器人的运动方向，以保持运动的平滑性。

与DWA的对比：

• DWA在速度空间搜索，直接输出控制指令，天然考虑动力学。
• VFH在角度空间搜索，输出的是一个期望的行驶方向，需要再配合一个速度控制器。VFH计算通常更快，但在处理复杂动力学约束方面不如DWA直接。

障碍物膨胀的再强调：无论是DWA还是VFH，在计算到障碍物的距离时，必须使用膨胀后的障碍物。传感器检测到的是障碍物的边缘，但规划时需要的是机器人的轮廓与障碍物边缘的距离。这一步的疏忽是导致实物测试碰撞的最常见原因之一。通常的做法是在传感器数据层或代价地图层，直接对障碍物进行膨胀处理。

5. 采样规划算法：解决高维与复杂约束的“探险家”

当规划空间维度很高（如机械臂有6个以上关节），或者路径需要满足复杂的微分约束（如车辆不能横向移动）时，基于图搜索的方法（如A*）会面临“维度灾难”——搜索空间太大。采样规划算法通过随机采样的方式来探索空间，不求最优解，但求快速找到一条可行解。

5.1 快速探索随机树：从起点生长一棵树

RRT的基本思想非常直观：从起点开始，随机地向空间中的点生长一棵树，直到树的某个分支触及终点附近。

基本RRT算法步骤：

1. 初始化树T，仅包含起点q_start。
2. 循环直到满足终止条件（如达到最大迭代次数，或找到路径）： a.随机采样：在自由空间中随机生成一个点q_rand。 b.最近邻查找：在树T中找到距离q_rand最近的节点q_near。 c.扩展：从q_near朝着q_rand的方向，以固定步长ε生长一段，得到一个新点q_new。检查q_near到q_new的连线是否与障碍物碰撞。 d.添加节点：如果无碰撞，则将q_new加入树T，并将q_near设为q_new的父节点。
3. 当q_new进入终点区域时，算法成功。通过从终点回溯到起点，即可得到路径。

为什么RRT有效？它的随机采样特性使其能快速探索高维空间。虽然单次扩展是随机的，但整体上，树会以概率1的方式逐渐充满整个自由空间。

RRT的局限性：

• 不是最优的：找到的路径通常曲折、不光滑。
• 效率不稳定：由于随机性，规划时间方差较大。
• 对狭窄通道不友好：在狭窄通道口，随机采样点很难恰好落在通道内，导致树难以通过。

5.2 RRT*：渐进最优的改进

RRT*在RRT的基础上增加了两个关键步骤，使其能找到渐进最优（随着采样点增加，路径代价无限接近最优）的路径。

两大核心改进：

1. 重新选择父节点：在成功添加q_new后，RRT*不会简单地将其父节点定为q_near。它会在q_new附近的一个邻域内（例如半径为r的球内）寻找树T中所有的节点，检查如果以这些节点中的某一个作为q_new的父节点，是否能得到一条从起点到q_new代价更低的路径。如果是，就重新连接（重选父节点）。
2. 重布线：在重新选择父节点后，RRT*还会考虑q_new是否能成为其邻域内其他节点的更好父节点。即，对于邻域内的每个节点q_nearby，检查如果让q_nearby以q_new为父节点，是否能降低从起点到q_nearby的代价。如果是，就断开q_nearby与原父节点的连接，重新连接到q_new上。

效果：这两个操作使得树的结构不断被优化，路径代价随着迭代次数增加而不断降低。最终得到的路径比基本RRT平滑、高效得多。

5.3 应用于车辆路径规划：满足微分约束

标准的RRT/RRT在几何空间中工作，生成的路径可能无法被车辆执行（例如，要求车辆瞬间侧向移动）。为了解决这个问题，产生了运动学RRT等变种。

关键修改：

• 状态空间：节点的状态不再是(x, y)，而是(x, y, θ, v, ...)，包含了位置、朝向、速度等。
• 距离度量：最近邻查找不能再用简单的欧氏距离，而需要使用能反映状态差异的度量，例如结合位置差和角度差。
• 扩展（Steering）：这是最核心的改动。不能简单地从q_near向q_rand画一条直线。需要调用一个局部规划器或控制系统模拟器。例如，给定当前状态q_near（位置、朝向、速度）和一个控制输入(加速度， 前轮转角)，通过积分车辆运动学模型（如自行车模型）一段时间，得到一条可行的轨迹片段，其末端状态就是q_new。这个q_new是动力学可行的。
• 代价函数：路径的代价不再是几何长度，可能是时间、能耗或舒适度（与加速度、曲率相关）。

通过这样的改造，RRT*就能在满足车辆非完整约束（不能侧移）和动力学约束的情况下，规划出可行的轨迹。这在自动驾驶的复杂场景规划中非常有用。

6. 算法选型与工程实践指南

面对琳琅满目的算法，如何选择？我总结了一个简单的决策流程和实战心得。

选型决策树：

1. 环境是否完全已知、静态？
   • 是-> 使用全局规划器。
     • 需要最优路径吗？是 ->A*（如果图规模不大）。需要处理任意代价函数？是 ->Dijkstra。环境是规则多边形？考虑可视图法。
   • 否（有未知或动态部分）-> 需要全局+局部结合。
2. 规划空间维度高或有复杂运动约束吗？（如机械臂、车辆）
   • 是-> 优先考虑采样规划器（RRT*）。
   • 否（如地面移动机器人栅格导航）-> 继续。
3. 对实时性要求极高，且环境动态性强吗？
   • 是->局部规划器作为主控制器（如DWA），并可能需要一个轻量级的全局规划器（如D* Lite）提供粗略指导。
   • 否-> 可以使用A*进行周期性重规划。

工程实践中的关键点：

• 分层规划架构是主流：几乎没有单一算法能解决所有问题。一个典型的机器人导航栈（如ROS中的Navigation Stack）就采用了分层架构：全局规划层（A*）生成一条粗略路径；局部规划层（DWA/TEB）负责跟踪全局路径并实时避障；底层控制器执行速度指令。感知模块不断更新代价地图，D* Lite的思想可以融入全局规划器的重规划模块中。
• 代价地图的艺术：规划算法依赖于代价地图。如何将传感器数据（激光、视觉、深度）融合成一张稳定、准确的代价地图，本身就是一个大课题。常见做法是多层代价地图：静态层（先验地图）、障碍层（实时传感器）、膨胀层。每个层有不同的衰减模型和更新策略。
• 平滑与优化：无论是A*在栅格上找出的“锯齿”路径，还是RRT生成的“随机”路径，通常都不够平滑，不适合机器人直接跟踪。后处理步骤必不可少，例如：
  • 简单平滑：使用梯度下降法或二次规划，在保持避障的前提下，最小化路径的曲率和长度。
  • 轨迹优化：对于有时间要求的，可以使用时间弹性带（TEB）等方法，将路径点与时间关联，同时优化路径形状和速度剖面，使其动力学可行。
• 仿真与实物的鸿沟：在仿真中完美的算法，在实物上可能失败。原因包括：传感器噪声、执行器误差、延迟、地面打滑、机器人模型不精确等。必须进行充分的实物测试，并在算法中增加鲁棒性设计，如增加安全裕度、加入状态估计滤波器（如卡尔曼滤波）、设计恢复行为（如被困时原地旋转重新建图）。

路径规划是一个理论与实践紧密结合的领域。理解算法的核心思想是基础，但真正的能力体现在能够根据具体机器人平台、传感器特性、任务需求和环境特点，将这些算法进行裁剪、组合和调优。没有一劳永逸的解决方案，只有不断迭代和适配的过程。希望这篇总结能为你提供一个清晰的路线图，当你在实践中遇到具体问题时，知道该从哪个工具箱里拿起哪件工具，并明白如何使用和打磨它。