跳点搜索算法（JPS）融合动态窗口法，JPS规划全局路径，动态窗口法执行动态避障
跳点搜索算法（JPS）融合动态窗口法，JPS规划全局路径，动态窗口法执行动态避障
最近在搞机器人路径规划，总得在效率和安全之间找平衡。今天聊点实战的——把跳点搜索（JPS）和动态窗口法（DWA）揉在一起用。这组合就像老司机配导航，JPS负责宏观路线，DWA处理突发状况，实测下来比单独用哪个都靠谱。
先上JPS的骨架代码。这玩意儿比A*快就快在会"跳格子"，遇到障碍物直接跨栏：
def jump(self, current, direction): next_node = current + direction if next_node in obstacles: return None # 撞墙直接返回 if next_node == goal: return next_node # 找到终点了 if direction.x != 0 and direction.y != 0: if (self.jump(next_node, (direction.x, 0)) or self.jump(next_node, (0, direction.y))): return next_node # 直线跳跃继续前进 return self.jump(next_node, direction)这段代码的精髓在递归跳跃和强迫邻居检测。当沿对角线移动时，会检查水平和垂直方向是否有必须处理的节点，避免漏掉关键路径点。这种操作让JPS比传统A*少搜索50%以上的节点。
全局路径出来之后，DWA开始接管局部避障。看这段速度采样代码：
vector<Velocity> sample_velocities(Velocity current, double dt) { vector<Velocity> candidates; for(double v = max(0.0, current.v - accel_v*dt); v <= min(max_v, current.v + accel_v*dt); v += v_resolution) { for(double w = max(-max_w, current.w - accel_w*dt); w <= min(max_w, current.w + accel_w*dt); w += w_resolution) { candidates.emplace_back(v, w); } } return candidates; }这里在当前速度基础上做加速度限制的采样，生成速度候选集。实测发现调整速度分辨率时，0.05m/s的步长在效率和精度之间比较平衡。
跳点搜索算法（JPS）融合动态窗口法，JPS规划全局路径，动态窗口法执行动态避障
融合时的关键在评价函数设计。得让机器人既跟着全局走，又能躲开突发障碍：
def evaluate_trajectory(traj, global_path): # 路径贴合度（别跑偏） path_deviation = distance(traj.end_point, global_path.closest_point(traj.end_point)) # 安全距离（离障碍越远越好） obstacle_cost = sum(1.0 / (d + 1e-5) for d in traj.obstacle_distances) # 运动平滑度（减少急转） smoothness = abs(traj.omega * traj.v) # 角速度与线速度乘积 return 0.5*path_deviation + 1.2*obstacle_cost + 0.3*smoothness权重的调节是个玄学，需要根据机器人动力学参数调整。有个小技巧——当检测到紧急障碍时，临时调高obstacle_cost的系数，相当于给系统加个"应激反应"。
实测时发现个坑：JPS路径的拐点处容易卡死动态窗口。后来在路径预处理时加了贝塞尔曲线平滑，拐角处速度限制降为70%，问题才解决。这也提醒我们，算法融合不是简单拼装，得考虑相互间的适配问题。
这种组合方案在ROS里跑起来，20m*20m的场景下规划周期能控制在50ms以内。关键是把全局的确定性和局部的灵活性结合——就像自动驾驶中的导航系统，既知道要去哪个路口，又能灵活应对突然窜出的行人。