复杂野外环境下基于改进A*算法与动态窗口法的无人车路径规划研究

《Chinese Journal of Mechanical Engineering》：Field Environment Path Planning Based on Improved A* Algorithm and Dynamic-Window Method

本文针对野外环境中地形起伏复杂、地表属性多样导致的路径规划难题，提出一种融合全局与局部规划的新方法。研究通过设计坡度成本函数、距离成本函数及双向搜索策略，开发了面向三维野外环境的改进A*算法，显著提升规划效率；同时结合车辆运动学约束，引入全局路径距离函数与曲率相似性评价函数优化动态窗口法（DWA），有效提高了路径安全性、可追踪性及避障成功率。该研究为无人车在复杂野外环境中的自主导航提供了创新性解决方案。

　　

在军事侦察、农业巡检等野外作业场景中，无人车的自主导航能力至关重要。然而，野外环境往往缺乏清晰的道路边界，地面起伏不平，且存在草地、沙地、林地、水体等多种复杂地表属性，这些因素严重制约了传统路径规划算法的性能。现有算法多针对二维环境设计，对三维地形起伏和地表通过性的适应性不足，且存在规划效率低、易陷入局部最优等问题。为此，哈尔滨工业大学的研究团队在《Chinese Journal of Mechanical Engineering》上发表论文，提出了一种结合改进A*算法与动态窗口法（DWA）的融合路径规划方法，显著提升了无人车在复杂野外环境下的通行能力。

本研究主要采用了几项关键技术：首先，基于数字高程模型（DEM）和遥感影像，通过支持向量机（SVM）分类提取地表属性（如硬路面、土路、草地、沙地等），构建了融合高程与地表通过性的三维环境模型；其次，在全局规划阶段，设计了坡度成本函数（Slope_i,j,k）和距离成本函数（引入通过性权重），并采用双向搜索策略优化传统A*算法；在局部规划阶段，通过动态窗口法实时生成轨迹，并新增全局路径距离函数（dist₂(v,ω)）和曲率相似性评价函数（similarity(v,ω)）以增强路径平滑性与安全性。实验使用自定义六轮电动轻型全地形无人车，在400 m×400 m的野外场景中进行验证。

1. 三维野外环境建模

通过DEM生成点栅格地图，提取地形坡度（如Slope_i,j,1=|(Z′_i+1,j?1?Z′_i,j)/(5√2)|），并结合地表属性分类结果（如水体通过性为0，硬路面为1），建立每个栅格的通过性约束。实验表明，考虑完整约束（坡度+地表属性）的路径比仅考虑高程的路径更安全，但搜索节点数增加约80%。

2. 全局路径规划改进

改进的A*算法代价函数为f(P_now)=g(P_now)+h(P_now)，其中g(P_now)包含真实距离ΔD、通过性倒数及坡度成本。双向搜索策略将规划时间从487.8 s降至236.9 s，路径长度从481.9 m优化至447.4 m。结果表明，双向搜索在保证安全性的同时显著提升效率。

3. 局部路径规划优化

在DWA评价函数中加入全局路径距离项（dist₂(v,ω)=1?√[(x_t+1?x_m)²+(y_t+1?y_m)²]）和曲率相似性项（similarity(v,ω)=1?|k₁?k₂|），其中k₁=ω_t/v_t。实验显示，改进DWA成功规避传统算法在“栅栏状”障碍中的局部最优问题，且路径曲率变化更平缓（平均曲率从0.1771降至0.0935）。

4. 实车验证

在林地区域的多目标点导航任务中，无人车总路径长9.57 m，接近最短距离9.54 m。路径曲率在初始调整后趋于稳定，验证了算法在真实环境中的可行性与平滑性。

结论与意义

本研究通过融合三维环境建模、改进A*算法与动态窗口法，解决了野外路径规划中的效率与安全性平衡问题。全局规划兼顾地形与地表约束，局部规划增强动态避障与轨迹平滑性。实验证明，该方法显著提升路径质量与算法鲁棒性，为无人车在复杂环境下的应用提供了实用技术支撑。未来可进一步引入机器学习动态优化参数，适应更广泛的野外场景。