路径规划：无人机与扫地机器人怎么找路

要从 A 点走到 B 点，先得知道哪里能走。本文讲清 SLAM 如何边走边建图，Dijkstra 与 A* 如何搜索最短路径，配置空间与全局局部两层规划如何应对真实世界，以及学习方法能补上哪一块。

先有地图还是先有路径

要让机器人从 A 点走到 B 点，先得知道哪里能走。如果环境已知，可以直接在地图上规划；如果未知，机器人需要一边移动一边构建地图，同时定位自己在图中的位置，这就是同步定位与建图（SLAM）。

扫地机器人常用激光或摄像头配合里程计完成 SLAM，逐渐画出户型图；无人机在室内无卫星定位的环境下也依赖类似技术。地图通常区分空闲、占用与未知三类区域，规划只在已知区域上进行。

经典算法：Dijkstra 与 A*

把地图离散成网格后，寻路就成了图搜索问题。Dijkstra 算法从起点向外层层扩展，保证找到最短路径，但扩展方向没有偏好，效率较低。A* 算法加入启发式估计——优先考虑看起来离终点更近的节点，搜索速度大幅提升。

只要启发式估计不高估真实代价，A* 就能保证最优解。曼哈顿距离与欧几里得距离都是常见选择。在网格之外，还有概率路线图与快速扩展随机树等算法，擅长处理机械臂与飞行器这类高维空间。

现实比网格复杂

机器人有尺寸、有转弯半径，不能像棋子那样任意折返。因此规划常在配置空间中进行：把机器人缩小成一个点，同时把障碍物按机器人尺寸向外膨胀。清扫任务要求的则是覆盖率而非最短路径，需要设计弓字形遍历策略。

环境还会变化：椅子被挪动，行人突然出现。所以规划分为全局与局部两层，全局规划给出大致路线，局部规划实时避障。动态窗口法等方法直接在速度空间中挑选安全可行的下一步。

学习方法的加入

近年来强化学习也被用于局部避障与复杂地形导航，尤其在传统模型难以刻画的场景中。不过工程实践普遍采用混合方案：经典算法负责可靠的主干，学习方法处理感知与难以建模的部分。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。