摘要：针对传统A*算法在智能小车路径规划中搜索效率低、路径不平滑等问题，本研究从启发函数优化、节点扩展、路径生成及平滑等方面改进，提出基于环境感知的自适应启发函数，动态调整权重，扩展节点邻域并考虑移动代价，结合双向搜索策略生成路径，采用样条曲线拟合平滑路径，并分析改进后算法在时间复杂度、空间复杂度和路径质量上的优势，选用MAT-LAB搭建仿真环境，构建含不同障碍物和地形的二维栅格地图。在静态障碍物场景下，改进A*算法搜索时间缩短约47.9%，路径长度缩短约10.4%，路径更平滑。动态障碍物场景中，能快速响应重新规划路径。复杂地形场景里，路径长度和能量消耗降低。结果表明，改进A*算法在搜索效率、路径质量和复杂环境适应性上优于传统算法，为智能小车实际应用提供技术支持，但实际应用环境复杂，算法适应性仍需提升。

　　关键词：A*算法；路径规划；智能小车；巡航控制

       前言

　　随着人工智能等科技技术的发展，智能小车所采用的路径规划算法选择随之丰富，智能小车融合机械工程、电子技术、计算机科学等多学科知识，其在物流、农业应用等领域拥有发展潜力和应用价值。在农业方面，智能小车可承担物料搬运、蔬果采摘等重复性、高强度的工作任务，提高生产效率和农产品质量，降低人力成本和劳动强度，在物流运输等智能安防领域同样应用广泛[1]。

　　A*算法为一种经典的启发式搜索算法，在智能机器人的路径规划策略中广泛被应用。但是，在大规模复杂环境中，A*算法的计算当量和时间复杂度依然较高，限制了A*算法在实时性要求较高的场景中的应用。想要提高算法性能，需牺牲一定的算法通用性和可扩展性，使其在不同的应用场景中的路径规划表现不稳定。因此本课题的具体研究目标包括两方面：

　　（1）改进A*算法，针对传统A*算法在复杂环境下搜索效率低和路径不平滑等问题，采用优化启发函数及改进搜索策略方法，提出一种改进型A*算法，以提高算法的搜索效率和路径规划质量。

　　（2）实现智能小车高效路径规划，将改进后的A*算法应用到智能小车路径规划系统中，结合传感器技术和智能控制技术，实现智能小车在复杂环境下的实时路径规划和自主导航。采用MATLAB验证改进算法的有效性和优越性，判断智能小车能够在各种复杂环境规划路径的准确性和快速响应程度，最终应用至实车，提高同行效率和安全性，降低能耗和运行成本[2-3]。

　　1 A*算法的性能优化

　　针对传统A*算法在智能小车路径规划中存在的搜索效率低，路径不平滑以及易陷入局部最优等问题。为提升算法在复杂环境下的性能和适用性，本文从启发函数优化、节点扩展、路径生成及平滑方面对A*算法进行改进。

　　1.1启发函数优化

　　以节点与目标点之间的几何距离作为目标函数，以及结合智能小车对周围环境的实时感知信息，动态调整启发函数的权重，本文提出一种基于环境感知的自适应启发函数。

　　在复杂环境中，当智能小车靠近障碍物时，通过增加几何距离在启发函数中的权重，采用更倾向于选择远离障碍物路径的算法优先级，保证行驶安全。反之，在智能小车处于较为开阔的区域时，同步减小几何距离的权重，加大对目标方向的引导权重，使算法能够更快地朝着目标点搜索，提高搜索效率。增加算法的自适应调整性，可以使启发函数更加精准更为迅速反映出节点到目标点的实际代价，引导算法更高效地搜索最优路径。

　　1.2节点扩展

　　第一步在扩展节点时，根据扩展邻域策略，不只是考虑传统的四邻域或八邻域节点，还要增加对角方向的扩展邻域，通过定义一个包含所有可能邻域方向的列表来实现这一扩展。设置neighbor_directions=[(1,0)，(0,1)，(-1,0)，(0,-1)，(1,1)，(1,-1)，(-1,1)，(-1,-1)]。

　　在计算邻域节点的代价时，充分考虑智能小车的运动特性和环境因素。对于不同方向的移动，设置不同的代价。假设水平和垂直方向的移动代价为1，即对角方向的移动代价为√2，以反映实际行驶中的能量消耗和路径长度差异。在计算g(n)值时，根据移动方向实时更新代价。

　　1.3路径生成及平滑

　　传统的A*算法中，找到目标节点后对路径进行生成，建立回溯父节点构建从起点到目标点的路径。在改进A*算法中，路径生成过程由单向搜索变更为结合双向搜索策略，优化后节点扩展结果，可更为迅速生成更优的路径。

　　改进A*算法设计的双向搜索，当其两个方向相遇时，将会反复回溯相遇节点，同时在两个确定的搜索方向上的父节点，进以构建形成完整的路径。在路径生成的过程中，初步对路径进行优化，同时去除一些不必要的中间路径节点，进一步减少路径的整体长度。判断检查相邻节点之间的连接是否可以直接允许，消除中间的冗余节点后，生成的路径依然可能会存在一些拐角和不连续的部分，不符合智能小车的行驶要求，此时需要对其进一步优化。

　　生成路径后将会对其进行平滑，平滑过程重点考虑智能小车的运动学约束，对小车的最大转弯半径和最大加速度设置为目标函数。另外控制生成路径的样条曲线特征点的参数，平滑后的路径能够在满足约束条件下进行，智能小车无法执行的路径段将会避免出现。

　　1.4改进A*算法的性能分析

　　衡量算法运行效率的一个重要指标就是时间复杂度，它可准确反映算法执行所需的时间随问题规模增长的变化趋势。对于传统A*算法，其时间复杂度主要取决于搜索过程中扩展的节点数量。在极端最差情形下，传统A*算法需要扩展遍历搜索空间中的所有节点，此时时间复杂度为O(b^d)，其中b为分支因子，每个节点的平均子节点数，d为解的深度。在一个二维栅格地图中，若每个节点的八邻域均可以扩展，那么分支因子b为8，若从起点到目标点的最短路径长度为d，则传统A*算法在最差情形下的时间复杂度为O(8^d)。

　　另一方法可优化启发函数，扩展搜索邻域中采用双向搜索策略措施，可有效降低时间复杂度。在复杂环境中，传统启发函数可能会引导算法做无用功，搜索大量无效节点，而自适应启发函数能够根据环境信息，自觉动态调整搜索方向，减少无效搜索，从而降低时间复杂度。

　　改进A*算法在空间复杂度方面也有一定的优化。虽然双向搜索策略搜索方向只是增加了一个，但由于两个搜索方向能够更快地相遇，减少总的搜索空间，从而在一定程度上降低空间复杂度。在特殊情况下，双向搜索策略可以使空间复杂度降低约一半。改进后的节点扩展和路径生成方式，减少不必要的节点存储。在路径生成阶段，采用简化路径和去除冗余节点，能减少路径存储所需的空间。

　　本研究中的改进A*算法主要采用扩展搜索邻域和路径平滑处理手段，进行提高路径质量。其中扩展搜索邻域使智能小车快速在更大的范围内寻找路径，避免陷入运算局部最优路径，以找到更短的路径。传统A*算法在一个存在不规则障碍物的环境下，检查节点情况，极易生成一条相对较长的规划路径，而改进A*算法的扩展邻域，则可绕过障碍物生成更短路径。路径平滑处理对路径进一步优化，大幅度减少路径中出现的拐角和折线，使规划出的路径更加平滑，更能满足智能小车的行驶特性。实际场景中进行测试对比传统A*算法和改进A*算法生成的路径长度和路径平滑度，结果显示改进A*算法生成的路径长度明显短于传统A*算法，路径平滑度明显提升，表明改进算法在路径质量方面具有明显优势。

　　2路径规划仿真研究

　　采用数学建模软件MATLAB对路径规划进行仿真模拟，根据智能小车可能面临的实际场景构建地图模型，设置多种包含不同形状和分布障碍物的二维栅格地图。采用二维的数组来表示划分的栅格地图，数组中的每个元素对应一个栅格单元，“0”和“1”分别表征栅格中可通行与不可通行两种状态。在数字地图中设置添加各种障碍物，符合实际场景情形，更加接近实际应用，同时随机生成障碍物的位置和大小，再依照特定的场景需求手动设定障碍物的分布。

　　2.1静态障碍物

　　静态障碍物场景是智能小车路径规划中最基本需要设计的场景，可准确模拟测试出智能小车在相对稳定的环境中避开固定障碍物的能力。在前文仿真环境中，通过数组形式，创建一个大小为100*100的二维栅格地图。本次实验在地图中随机分布50个大小不等的静态障碍物，模拟实际场景中可能会出现的树木、建筑物等固定障碍物，在数组二维栅格地图中，设置智能小车的起点为(10，10)，终点为(90，90)。

　　上述静态场景下，分别单独运行传统A*算法和改进A*算法，观察分析两种算法的路径规划结果。传统A*算法，依然采用经典的曼哈顿距离作为启发函数，动态搜索邻域为八邻域。运用基于周遭环境感知的自适应启发函数，动态搜索邻域在八邻域的基础上进行扩展，采用双向搜索策略，应用到改进A*算法中。在仿真实验中，对比两种算法的搜索时间与路径长度以及路径平滑度指标。搜索时间计算记录算法通过从开始运行到找到路径的时间差来获取，路径长度测量计算路径中相邻节点之间的距离之和得到，路径平滑度可以采用计算路径的曲率均值来衡量。

　　2.2动态障碍物

　　除设置上述静态场景外，再添加设置动态障碍物场景模拟智能小车在运动过程中遇到移动障碍物的情况，更接近智能小车在实际道路或工作环境中的应用。在软件仿真中，除了构建一个100*100的二维栅格地图外，同步设置添加5个动态障碍物，并且动态障碍物以随机的速度和方向在二维栅格地图中移动，以此来模拟实际应用场景中的行人及移动车辆等动态物体，此时设置智能小车的起点为(20，20)，终点为(80，80)。

　　通过在动态场景算法中设置一个动态障碍物监测模块，进行实时监测感知动态障碍物的位置和运动状态，并以此信息动态调整路径规划策略，智能小车将可以实时获取动态障碍物的位置信息。若当前检测到存在动态障碍物靠近智能小车的规划路径时，自动驾驶系统将迅速重新规划路径，以避开动态障碍物。在仿真实验过程中，重点考察改进A*算法在面对动态障碍物时的路径规划能力和实时性[4]。

　　3仿真结果与分析

　　在静态障碍物场景下，对传统A*算法和改进A*算法进行多次仿真实验，实验结果为改进A*算法在搜索时间和路径长度方面均优于传统A*算法。改进A*算法的平均搜索时间仅为0.25秒，而传统A*算法的平均搜索时间为0.48秒，改进A*算法的搜索时间缩短约47.9%；在路径长度方面，改进A*算法生成的平均路径长度为125.6，相比传统A*算法的140.2，缩短约10.4%，其主要原因为改进A*算法的自适应启发函数和双向搜索策略可提升搜索质量。自适应启发函数可更准确地估计节点到目标点的距离，引导算法更快朝目标方向搜索，减少不必要的节点扩展。双向搜索策略从起点和终点同时进行搜索，将搜索空间减半，大大提高搜索效率。改进A*算法对样条曲线拟合对路径进行平滑处理，路径的曲率均值从传统A*算法的0.35降低至0.18，使路径更加平滑，满足智能小车的行驶特性，可减少行驶过程中的能量损失和机械磨损。

　　动态障碍物场景的结果显示，改进A*算法可有效地检测到动态障碍物的位置变化，改进A*算法平均能够在0.1秒内完成一次路径重新规划，确保智能小车能够安全地避开动态障碍物。在一个包含5个动态障碍物的场景中，当检测到前方有动态障碍物靠近时，改进A*算法能够迅速响应，在0.08秒内重新规划路径，使智能小车成功避开障碍物，继续朝着目标点行驶。

　　4结语

　　本课题围绕智能小车路径规划问题，在传统A*算法基础上进以改进，提升智能小车在复杂环境下的路径规划能力。通过仿真实验进行研究，静态障碍物场景的模拟结果显示，改进A*算法的平均搜索时间仅为0.25秒，相比传统A*算法的0.48秒，缩短约47.9%；平均路径长度为125.6，相比传统A*算法的140.2，缩短约10.4%；路径的曲率均值从传统A*算法的0.35降低到0.18，路径平滑度大幅提高。动态障碍物场景下，改进A*算法可迅速高效地检测到动态障碍物的位置变化，短时间内重新规划路径以避开障碍物，平均能够在0.1秒内完成一次路径重新规划，确保智能小车在动态环境下的安全行驶。相较于传统A*算法，改进后的算法在搜索效率与路径质量具有明显优势，为智能小车在农业生产和物流运输领域的实际应用提供更加可靠的技术支持。

　　本文虽考虑了多种复杂环境因素，但实际应用中的环境更加复杂多变，所设计算法的适应性仍需进一步提高。尤其在一些极端环境下，强电磁干扰等恶劣天气情形下，传感器的性能可能会受到严重影响，导致环境感知信息不准确，影响路径规划的准确性和可靠性。未来还可探索多传感器融合技术，结合不同类型传感器的优势，提高环境感知的准确性和鲁棒性[5-6]。

　参考文献：

　　[1]马绍祖,王勇刚.基于土壤修复的智能农业无人车设计研究[J].河北农机,2024,(23):10-12.

　　[2]张铁民,李辉辉,陈大为,等.多源传感器信息融合的农用小车路径跟踪导航系统[J].农业机械学报,2015,46(03):37-42.

　　[3]张宇辉,蔡加钝,王译.一种农用物料搬运小车的设计[J].中国新通信,2020,22(14):50-51.

　　[4]李刚,康兵,许志浩,等.基于Hybrid A★算法的变压器声级巡检系统研究与设计[J].电子设计工程,2024,32(21):13-17+22.

　　[5]李培东,卿笛,余娜.基于多超声波传感器的山地果园搬运车避障功能研究[J].河北农机,2024,(20):15-18.

　　[6]郑江,白育妃,王润,等.基于电磁感应的电磁越野智能车设计[J].南方农机,2024,55(19):151-156.