避障与路径规划算法浅析：从 A 到 DWA，哪种更适合自动跟随车？

在自动跟随车的智能系统中，“能不能精准地跟上人”只是第一步。真正的挑战在于——如何既能稳定跟随，又能在复杂环境中安全避障。这背后依赖的，正是路径规划与避障算法的设计与实现。本文将从经典的 A* 算法讲起，逐步解析到现代动态窗口法（DWA），探讨哪种算法更适合自动跟随车应用场景。

一、路径规划的两大核心任务

在自动跟随系统中，路径规划通常分为两部分：

1. 全局规划（Global Planning）：
   负责从当前点到目标点的总体路线规划，通常基于静态地图。例如，A*、Dijkstra、D* Lite 等算法。
2. 局部规划（Local Planning）：
   负责根据传感器数据实时调整轨迹，避开动态障碍物，保证运动平滑。例如 DWA、TEB、APF 等算法。

自动跟随车的特点是目标不断移动、环境实时变化，因此更依赖于局部规划与动态避障算法。

二、A*算法：经典而可靠的路径规划基石

A*（A-star）算法是路径规划领域的“老兵”。
它通过启发式搜索（Heuristic Search）在网格或节点图上找到代价最小的路径，代价函数定义为：

f(n)=g(n)+h(n)

其中：

g(n)：从起点到当前节点的实际代价；

h(n)：从当前节点到目标的启发式估计。

优点：

全局最优、路径平滑；

算法简单、稳定可靠。

缺点：

依赖静态地图；

计算量大，难以应对动态障碍。

在自动跟随场景中，A* 更适合作为“全局路径生成器”，为局部算法提供参考路线，而非独立使用。

三、DWA算法：实时避障的动态窗口法

DWA（Dynamic Window Approach）算法是局部路径规划的经典方案。
它基于机器人当前的速度和加速度约束，在速度空间中搜索一组可行速度，使得机器人能在短时间内安全运动并接近目标。

DWA 的核心思想是：

1. 在当前速度和加速度限制下，预测短期内机器人可达的所有轨迹；
2. 计算每条轨迹的代价函数：

Cost=α⋅Heading+β⋅Velocity+γ⋅Obstacle

3. 选择代价最小的轨迹执行。

优点：

• 实时性强；
• 考虑动态避障与速度约束；
• 可与激光雷达、深度相机融合使用。

缺点：

• 需要良好的代价函数设计；
• 在狭窄环境中可能陷入局部最优。

对于自动跟随车来说，DWA 能很好地适应动态场景（如商场、机场、园区道路），是目前应用最广的避障算法之一。

四、A + DWA 的融合方案

在实际自动跟随车系统中，往往将两者结合使用：

• A* 负责全局路径规划（给出期望轨迹）；
• DWA 负责局部避障与动态调整（实时修正路径）。

这样的融合能在复杂环境下实现：

• 稳定的全局导航；
• 实时的局部避障；
• 平滑自然的跟随行为。

PSICV 在自主移动平台中，采用了 A + DWA + 激光雷达/视觉融合* 的方案：
A* 提供参考路径，DWA 负责实时避障，而视觉模块补充环境感知，使跟随动作更加流畅与安全。

五、算法选择建议

结语

在自动跟随车技术的发展中，路径规划算法的选择不是“哪种最好”，而是“哪种最合适”。
A* 提供方向感，DWA 提供行动力，而多传感器融合（如 UWB + 视觉 + 激光雷达）则让机器具备“判断力”。
未来，随着深度强化学习与图神经网络的引入，自动跟随车的路径规划将更加智能与自适应。