中图分类号：TP242.6 DOI：10.16578/j.issn.1004.2539.2025.07.003

0 引言

移动机器人是目前科学技术发展最活跃的领域之一，其应用范围不断扩展，不仅在工业、农业、医疗等行业中得到广泛应用，而且在城市安全、国防和空间探测等有害与危险场合得到了很好的应用。路径规划是移动机器人能否自主完成任务的关键，已成为研究的热点和难点。路径规划的主要目的是在有障碍物的环境下，避开障碍物并搜索出最优路径。

目前，主要的路径规划算法有A算法、Dijkstra算法[3]、深度优先搜索（Depth-First Search，DFS）算法4、广度优先搜索（Breadth-First Search，BFS）算法5、最小生成树算法、快速探索随机树（Rapidly-exploringRandomTree，RRT）算法等。其中， A^* 算法作为目前最经典的路径搜索算法，在移动机器人的路径规划中应用广泛；但A算法规划得到的路径可能存在节点多、拐点多、路径不平滑、距离障碍物过近等缺点，不利于移动机器人的控制和保护。D*算法在A算法的基础上进行了改进，可以实现在不完全重新规划路径的情况下进行增量式更新，进而适应动态环境；但对于复杂地图，D算法需要大量的存储空间来维持搜索树和其他数据结构，因此，不适用于复杂环境下的路径规划。文献[10]为优化 A^* 算法的搜索效率，提出了一种改进路径的生成方法，采用梯度下降法1进行路径长度优化。但梯度下降法容易陷入局部最优解，在初始路径选择不当或优化过程受到局部极小值的影响时，可能无法找到全局最优解。文献[12]提出了一种结合模拟退火法[13的全局最优路径规划。但是，在路径规划中通常有一些约束条件，在必须满足避开障碍物或特定的路径条件时，模拟退火法难以处理这些约束条件，导致在复杂环境下搜索的时间过长。……