AGV路径规划优化：B样条平滑与DWA算法实战

1. 移动机器人路径规划的现实痛点

上周在调试仓库AGV时又遇到老问题：机器人沿着全局路径行进时，直角转弯处总是剧烈抖动，遇到动态障碍物时要么反应迟钝撞上去，要么避障后像醉汉一样找不到北。这种A*+DWA的组合方案，论文里看着美好，实际部署时问题一堆。

最突出的两个症状是：

• 全局路径折线感明显，尤其在栅格地图分辨率较低时，路径像用尺子画出来的折线，导致机器人需要频繁加减速
• 局部避障与全局路径的耦合性差，DWA算法容易陷入局部最优，绕过障碍物后出现"失忆"现象，忘记原本要去的目标点

2. 全局路径平滑优化方案

2.1 基于B样条的路径重参数化

原始A*输出的路径本质是栅格中心点的连线。我们实验室采用三次均匀B样条进行平滑处理，核心代码片段：

python复制def bspline_smoothing(path_points, degree=3):
    # 将A*路径点转化为numpy数组
    points = np.array(path_points)
    
    # 计算节点向量（均匀参数化）
    n = len(points)
    kv = np.linspace(0, 1, n-degree+1)
    kv = np.append([0]*degree, kv)
    kv = np.append(kv, [1]*degree)
    
    # 构造样条曲线
    tck = [kv, points.T, degree]
    u = np.linspace(0, 1, n*10)  # 插值密度
    smoothed = scipy.interpolate.splev(u, tck)
    
    return np.column_stack(smoothed)

关键参数说明：degree=3在平滑度和计算量之间取得平衡，插值密度n*10保证每两个原始路径点之间生成10个过渡点

2.2 考虑运动学约束的优化

单纯几何平滑会导致曲率不连续，我们引入以下改进：

1. 速度连续性约束：限制相邻路径点间的最大速度变化率
2. 曲率限制：根据机器人最小转弯半径设置最大允许曲率
3. 加速度平滑：采用梯形速度规划算法预处理路径

实测效果对比：
| 指标