全局路径规划 vs 局部路径规划：区别、联系、典型算法概览

做机器人路径规划这些年，我经常被问到同一个问题：「全局规划和局部规划到底有啥区别？能不能只用一个？」

说实话，我刚入行时也犯过这个迷糊。有一次做AGV项目，我天真地以为只要一个A*算法就能搞定所有场景。结果呢？机器人倒是能找到从A到B的最短路径，但遇到动态障碍物时直接傻眼——要么撞上去，要么原地打转。

嗯，那次教训让我彻底明白了：全局规划和局部规划，就像人的大脑和眼睛，缺一不可。

一、核心区别：一个看地图，一个看眼前

说白了，全局路径规划解决的是「怎么从起点走到终点」的问题。它需要一张完整的地图，然后算出一条从起点到终点的可行路径。我习惯叫它「宏观决策者」。

局部路径规划解决的是「下一步该怎么走」的问题。它只关心机器人周围几米内的环境，处理动态障碍物、避让行人、平滑轨迹。我管它叫「微观执行者」。

对比维度	全局路径规划	局部路径规划
输入信息	全局地图（已知或SLAM构建）	局部传感器数据（激光雷达、深度相机）
计算范围	整个地图空间	机器人周围几米到几十米
更新频率	低（地图变化时才重规划）	高（每帧传感器数据都更新）
实时性要求	低（毫秒级即可）	高（需要毫秒级响应）
典型输出	离散路径点序列	速度指令（线速度+角速度）

二、典型算法概览

全局路径规划算法

我个人习惯把全局算法分成三类：

• 基于图搜索：Dijkstra、A*、D* Lite。A*是我用得最多的，它用启发式函数引导搜索方向，比Dijkstra快很多。我在仓储机器人项目里，用A*在1000×1000的栅格地图上，平均0.2秒就能找到路径。
• 基于采样：RRT、RRT*、PRM。RRT适合高维空间，比如机械臂的关节空间规划。但RRT生成的路径通常很「锯齿」，需要后处理平滑。
• 基于智能优化：遗传算法、蚁群算法。说实话，这类算法在工业界用得不多，因为计算量大、稳定性差。我只有在学术研究时才会碰它们。

局部路径规划算法

局部规划算法，说白了就是「怎么让机器人走得稳、不撞墙」。我接触过的算法有这些：

• DWA（动态窗口法）：在速度空间采样，评估每条轨迹的安全性、速度、朝向。ROS里默认的局部规划器就是它。我在AGV项目里用过，效果不错，但容易陷入局部极小值。
• TEB（时间弹性带）：把路径看作一条「弹性带」，通过优化调整带子的形状。它比DWA更平滑，能处理更复杂的约束（比如运动学约束）。我最近的项目都在用TEB。
• MPC（模型预测控制）：基于模型预测未来轨迹，滚动优化。这是目前最前沿的方法，但计算量大，对硬件要求高。我只有在高速移动机器人上才用MPC。

三、两者的联系：你中有我，我中有你

你想想看，全局规划和局部规划其实是一对「搭档」。

全局规划给局部规划提供参考路径。局部规划沿着这条参考路径走，同时处理动态障碍物。如果局部规划发现参考路径被堵死了（比如突然出现一堵墙），它会通知全局规划重新计算。

我习惯用这个比喻：全局规划是「导航仪」，局部规划是「驾驶员」。导航仪告诉你走哪条路，驾驶员负责看路况、避让行人、保持车道。导航仪不会管你前面有没有车，驾驶员也不会管最终目的地是哪里。

四、知识体系结构图

下面这张图，是我自己总结的路径规划知识体系。你看一眼就能明白全局和局部的关系：

五、实际项目中的选型建议

我在不同项目里用过不同的组合，给你几个参考：

• 仓储AGV：全局用A* + 局部用DWA。地图固定，路径简单，DWA足够应对偶尔出现的行人。
• 服务机器人：全局用A* + 局部用TEB。人机交互场景多，TEB的平滑轨迹和约束处理能力更优。
• 自动驾驶：全局用D* Lite（动态环境） + 局部用MPC。高速场景对实时性和轨迹质量要求极高。
• 无人机：全局用RRT* + 局部用MPC。三维空间搜索，RRT*能处理复杂障碍物分布。

六、总结

全局路径规划和局部路径规划，说白了就是「战略」和「战术」的关系。战略定方向，战术保执行。两者配合好了，你的机器人才能既找得到路，又走得了路。

嗯，这一章的内容就到这里。记住：选型没有银弹，关键是根据你的机器人类型、环境复杂度、实时性要求来权衡。

可可精品资料库