全局路径规划：从算法选择到工程落地

全局路径规划，说白了就是给机器人画一条从A到B的“大路线图”。它不考虑路上的小障碍物，只关心怎么从起点走到终点。很多新手一上来就调参数，结果越调越乱。我个人的习惯是——先搞清楚算法本身，再动手调参。

这一章我们重点聊三个东西：global_planner的参数、A*与Dijkstra怎么选、以及路径平滑的工程技巧。嗯，都是我在项目里踩过坑的地方。

global_planner 参数详解

global_planner 是 ROS Navigation Stack 里负责全局路径规划的模块。它替代了早期的 navfn，功能更丰富，但参数也更多。我刚开始用的时候，光看参数名根本猜不出是干嘛的。

下面这张表是我整理的核心参数，每个我都亲手调过：

参数名	默认值	说明	我的建议
use_dijkstra	true	是否使用 Dijkstra 算法	地图大时建议 false，用 A*
use_grid_path	false	是否沿网格走直线	室内场景建议 true
old_navfn_behavior	false	是否兼容旧版 navfn	升级项目时注意
allow_unknown	true	是否允许通过未知区域	探索场景开，已知地图关
planner_window_x	0.0	规划窗口宽度（0表示全图）	大地图建议限制范围
default_tolerance	0.0	目标点容差	至少设 0.1-0.3 米

A* 与 Dijkstra 算法选择

这两个算法，说白了就是“贪心”和“稳妥”的区别。Dijkstra 保证找到最短路径，但慢；A* 加了启发式函数，快但不一定最优。

你想想看，什么时候用哪个？

• Dijkstra：适合小地图、静态环境、对路径长度有严格要求的场景。比如仓库里的 AGV，路径必须最短，多走一米都是浪费。
• A*：适合大地图、动态环境、对实时性要求高的场景。比如扫地机器人，你不可能让它原地算 5 秒再动。

我在项目里遇到过一个问题：用 A* 规划出来的路径，有时候会贴着障碍物走。为什么？因为启发式函数太“乐观”了，导致算法优先探索靠近目标的方向，忽略了障碍物。解决办法是调整启发式权重，或者改用 Dijkstra。

代码层面，global_planner 的算法选择其实就一行：

<param name="use_dijkstra" value="false" />  <!-- true 用 Dijkstra，false 用 A* -->

但别小看这一行。我曾经在一个项目里，因为忘了改这个参数，导致机器人每次规划都要 2 秒，客户差点退货。嗯，从那以后我每次上线前都会检查这个参数。

路径平滑与优化

规划出来的路径，往往是锯齿状的。尤其是 A* 在网格地图上，走出来的全是 45 度折线。机器人如果直接沿着这条线走，你会看到它不停地急转弯——电机和电池都受不了。

路径平滑，就是把这些折线变成平滑的曲线。global_planner 本身提供了一些平滑选项，但说实话，效果一般。我个人的习惯是：

1. 先用 global_planner 生成原始路径
2. 再用路径平滑算法做后处理
3. 最后传给 local_planner 执行

常用的平滑方法有：

• B 样条曲线：效果好，但计算量大。适合离线规划。
• 梯度下降平滑：迭代优化路径点，让路径更短更平滑。我常用这个。
• 路径剪枝：去掉冗余点，减少转折。简单有效。

这里给一个简单的路径剪枝思路：

# 伪代码：路径剪枝
def prune_path(path):
    pruned = [path[0]]
    for i in range(1, len(path) - 1):
        # 如果三点共线，跳过中间点
        if not is_collinear(pruned[-1], path[i], path[i+1]):
            pruned.append(path[i])
    pruned.append(path[-1])
    return pruned

这个函数会把共线的中间点去掉。比如一条直线上的 10 个点，剪完之后只剩 2 个。机器人走起来就顺多了。