当前位置：首页 > news >正文

2022年CIE SCI2区TOP，双向交替搜索 A* 算法的移动机器人全局路径规划，深度解析+性能实测

news 2026/5/12 17:14:13

1.摘要

针对传统 A* 算法在大规模环境中存在的计算效率低、路径转向角大以及路径不平滑等问题，本文提出了一种改进 A* 路径规划算法，该方法引入双向交替搜索（BAS）策略，通过正向与反向搜索交替进行并在路径相遇时完成规划，有效提升了搜索效率；同时，采用指数衰减加权的启发式函数，进一步优化了搜索性能。为减少路径冗余并降低转向角，算法引入路径节点筛选机制，并利用 Bézier 曲线实现路径平滑处理，以满足移动机器人运动控制的实际需求。

2.改进A*算法

双向交替搜索策略

双向交替搜索（BAS）策略，从起点和终点同时进行路径搜索，通过交替选取正、反向开放列表中的最优节点作为搜索目标，使两条路径自适应地相遇，从而减少无效节点扩展并提高搜索效率。正反向搜索均采用 8 邻域扩展，并以欧氏距离作为启发式函数：
f F ( N F ) = g F ( N F ) + h F ( N F ) f_F(N_F)=g_F(N_F)+h_F(N_F)fF(NF)=gF(NF)+hF(NF)

f B ( N B ) = g B ( N B ) + h B ( N B ) f_B(N_B)=g_B(N_B)+h_B(N_B)fB(NB)=gB(NB)+hB(NB)

h F ( N F ) = ( x N B − x N F ) 2 + ( y N B − y N F ) 2 h_F(N_F)=\sqrt{\left(x_{N_B}-x_{N_F}\right)^2}+\sqrt{\left(y_{N_B}-y_{N_F}\right)^2}hF(NF)=(xNB−xNF)2+(yNB−yNF)2
h B ( N B ) = ( x N F − x N B ) 2 + ( y N F − y N B ) 2 h_B(N_B)=\sqrt{\left(x_{N_F}-x_{N_B}\right)^2}+\sqrt{\left(y_{N_F}-y_{N_B}\right)^2}hB(NB)=(xNF−xNB)2+(yNF−yNB)2

改进启发式函数

BAS-A* 算法在部分情况下仍存在绕障能力不足和节点重复搜索的问题，导致计算效率下降。针对评价函数在搜索效率与最优性之间的权衡，本文对启发式函数进行加权改进，使节点距离较远时增强搜索引导、加速路径相遇，距离较近时弱化启发影响以逼近真实代价，从而有效减少冗余搜索并提升整体规划效率。
f ( n ) = g ( n ) + e h ( n ) ⋅ h ( n ) f(n)=g(n)+\mathrm{e}^{h(n)}\cdot h(n)f(n)=g(n)+eh(n)⋅h(n)

3.结果展示

4.参考文献

[1] Li C, Huang X, Ding J, et al. Global path planning based on a bidirectional alternating search A* algorithm for mobile robots[J]. Computers & Industrial Engineering, 2022, 168: 108123.