全局路径规划器调参：A*与Dijkstra算法原理、规划器参数详解、路径平滑度优化

说到全局路径规划，很多新手容易把它和局部规划搞混。我简单解释一下：全局规划是「看地图找路」，局部规划是「看传感器躲障碍」。今天咱们就聚焦前者，把A*和Dijkstra这两个老牌算法聊透。

一、A*与Dijkstra：两个核心算法的本质区别

先问个问题：你从北京去上海，是走直线快，还是绕道南京快？

Dijkstra的做法是：把所有可能的路都走一遍，最后告诉你最短的那条。A*则聪明一些——它知道上海在东边，所以优先往东走，西边的路基本不碰。

算法核心差异

• Dijkstra：只考虑「已走距离」（g值），保证找到最短路径，但搜索范围大
• A*：考虑「已走距离 + 预估距离」（g + h），用启发函数引导搜索方向

我在项目中遇到过一个问题：用Dijkstra规划10km×10km的地图，跑了3秒才出结果。换成A*后，同样的地图0.3秒就搞定了。你想想看，对于实时性要求高的机器人，这个差距意味着什么。

二、规划器参数详解：ROS中的navfn与global_planner

ROS里常用的全局规划器有两个：navfn和global_planner。我个人习惯用global_planner，因为它更灵活，参数也更丰富。

参数名	默认值	说明	我的建议
use_dijkstra	false	true用Dijkstra，false用A*	地图小于500×500用A*，更大用Dijkstra
use_quadratic	true	二次近似，影响路径平滑度	建议开启，路径更自然
lethal_cost	253	障碍物代价值	别改太小，否则路径会贴墙
neutral_cost	50	自由空间代价值	调大可以让路径更居中
cost_factor	0.55	代价缩放因子	我一般设0.6~0.8，路径更安全

嗯，这里要注意：use_quadratic这个参数很多人忽略。它控制的是代价的衰减方式。开启后，路径会倾向于走「中间」，而不是贴着障碍物边缘。我在做仓储机器人时，就因为没开这个参数，机器人老是蹭着货架走，看着都揪心。

三、路径平滑度优化：让机器人走得更像人

A*规划出来的路径有个毛病——全是直角转弯。你想想看，机器人走到墙角突然来个90度急转，不仅看着别扭，轮子磨损也大。

优化方法一：路径剪枝

去掉路径中不必要的中间点。比如三个点A→B→C，如果A到C的连线不碰障碍，就把B去掉。

def prune_path(path):
    pruned = [path[0]]
    for i in range(1, len(path) - 1):
        if not in_line_of_sight(pruned[-1], path[i+1]):
            pruned.append(path[i])
    pruned.append(path[-1])
    return pruned

优化方法二：贝塞尔曲线插值

在转弯处插入控制点，生成平滑曲线。我常用的做法是每三个路径点生成一段二次贝塞尔曲线。

优化方法三：代价地图膨胀

在规划前，把障碍物膨胀一圈。这样规划出来的路径天然就离障碍物远，平滑后也不容易碰撞。

四、知识体系总览

下面这张图是我自己整理的全局路径规划调参思路，你可以照着这个流程来排查问题。

说白了，全局路径规划调参就三步：选算法、调参数、做平滑。每一步都有坑，但踩过一次就记住了。我刚开始做的时候，光调cost_factor就花了两天，后来发现是地图分辨率设错了——你说冤不冤？

最后分享一个经验：调参时别一次改太多。每次只改一个参数，记录下效果。这样出了问题也知道回退到哪。我见过有人一口气改了五个参数，结果路径乱成一锅粥，最后只能重装系统——别学他。

可可精品资料库