学术研究报告：基于改进A*算法的大型船舶无人运输车协同路径规划研究
一、 研究作者、机构与发表信息
本文的作者是熊珍凯、程绍鸣、孙胤胤、王鑫、吴幼冬，他们均来自安徽理工大学新能源与智能网联汽车学院特种车辆及无人系统研究所。该研究发表于《计算机工程与科学》期刊，于2026年1月16日进行了网络首发。
二、 研究背景与目标
本研究隶属于移动机器人路径规划领域，特别是针对复杂、动态环境下的无人驾驶应用。研究的现实背景是大型船舶甲板作业环境的高度复杂性。船舶甲板环境不仅布满了舰岛、起重设备等静态障碍物，还存在人员、其他移动车辆等动态障碍物，加之海况导致的船体横摇、纵摇等非惯性系运动，对无人运输车的自主导航提出了严峻挑战。路径规划是实现无人驾驶的核心环节，主要分为全局路径规划（处理静态环境）和局部路径规划（处理动态环境）。A*算法因其最优性和高效性，是常用的全局规划算法；动态窗口算法（Dynamic Window Approach, DWA）则以其良好的动态避障能力，是常用的局部规划算法。
然而，传统算法在此特定场景下存在显著局限。传统A算法在节点搜索时方向冗余、计算复杂度高，生成的路径转折点多、平滑度差，且缺乏对环境障碍物密度和危险等级的差异化响应能力。单纯的局部规划算法则缺乏全局视野，易陷入局部最优。因此，本研究旨在解决上述问题，具体目标为：提出一种融合改进A算法与改进DWA算法的协同路径规划方法，以提升大型船舶甲板无人运输车在复杂静动态环境下的路径规划效率、安全性和平滑性，实现全局最优与动态避障的有效结合。
三、 详细研究流程与方法
本研究包含环境建模、算法改进、算法融合、仿真验证与实车测试五个主要流程。
流程一：船舶甲板环境建模与运动学分析
首先，研究对问题场景进行了定义，以某船舶甲板从货物存储区（A点）经装卸区（B点）到目标作业区（C点）的典型运输任务为例，阐述了非惯性系和动态障碍物带来的挑战。为了给算法提供计算基础，研究采用栅格地图法对环境进行建模，将甲板区域划分为均匀的栅格（黑白分别代表障碍物和自由区域），实现了复杂三维环境的二维抽象化。其次，对研究对象的运动模型进行了分析。无人运输车被建模为四轮差速机器人，推导了其在离散时间段内的运动学方程（公式(3)和(4)），该方程描述了车辆位姿（位置和航向角）与线速度、角速度之间的关系，为后续的轨迹预测和仿真奠定了基础。
流程二：全局路径规划算法——改进A*算法的设计与实现
研究在传统A*算法的基础上，针对船舶甲板环境进行了五项关键改进。
- 改进搜索策略：针对传统8邻域搜索的冗余问题，根据当前节点与目标点的连线方向，动态选择5个最可能接近目标的方向进行扩展（如表1所示），显著减少了无效节点的扩展数量，提升了搜索效率。
- 改进动态加权评价函数：传统A*的评价函数
f(n) = g(n) + h(n)中的启发函数h(n)权重固定。本文引入基于局部障碍物密度p的动态权重。p由起始点与目标点矩形区域内的障碍物栅格占比计算得出（公式(9)）。改进后的评价函数（公式(10)）通过Sigmoid函数将p映射为h(n)的附加权重，使得算法在高密度障碍区采取更保守的搜索策略（加大实际代价g(n)的考量），在低密度区更激进地趋近目标（加大启发代价h(n)的考量），实现了自适应规划。 - 自适应障碍物膨胀处理策略：为保障安全，需在障碍物周围设置膨胀区域（安全距离）。传统方法使用固定膨胀半径。本文提出分级安全膨胀策略，根据甲板不同区域（如舰载机停放区、人员活动区、狭窄通道边缘等）的危险等级，差异化设置膨胀半径（如表2所示）。当膨胀区域阻塞路径时，算法能自动降级至基础安全半径，从而在安全性与路径可行性之间取得平衡。
- 冗余点去除策略：A*算法生成的原始路径存在大量冗余转折点。研究提出一种“长跨度直线优化方法”。其核心是从一个路径点（锚点）开始，尝试与后方非相邻节点直接连线，并检测该直线是否与膨胀后的障碍物地图相交。若未相交，则直线路径可行，删除两点间的所有中间节点；若相交，则将锚点移至前一个节点重复此过程。此方法能有效拉直路径，减少不必要的转折。
- 曲线平滑策略：在去除冗余节点后，路径仍有拐角。研究采用三阶贝塞尔曲线（公式(13)）对路径进行平滑处理。通过选取路径上的关键点作为控制点，生成光滑连续的曲线，使得路径更符合车辆的运动学约束，提高轨迹跟踪的舒适性和精度。
流程三：局部路径规划算法——改进DWA算法的设计与实现
为应对动态障碍物，研究选用DWA算法作为局部规划器，并对其评价函数进行了关键改进。传统DWA评价函数（公式(18)）通常包含对准目标、远离障碍物和速度三个子项。其问题在于，仅考虑轨迹与最近障碍物的距离，未能感知局部区域的整体障碍物密度，在高密度区域可能规划出与多个障碍物擦边而过的危险路径。
本文的改进在于引入了“区域密度惩罚项”。首先，统计无人车局部感知窗口内的障碍物栅格数量，计算归一化的障碍物密度 ρ（公式(19)）。然后，构造一个与密度 ρ 和轨迹到最近障碍物距离相关的惩罚项 penalty_ρ（公式(21)），并将其引入改进后的评价函数（公式(20)）。该惩罚项采用指数衰减形式，意味着在高密度区域，即使轨迹与某个障碍物有一定距离，也会因整体环境拥挤而受到强烈惩罚，从而迫使算法选择绕行更开阔区域的轨迹。这使得算法能更智能地评估环境风险。
流程四：算法融合流程
研究设计了分层协同的路径规划框架（如图5所示）。其融合流程（如图8所示）为：首先，利用改进的A*算法在全局静态栅格地图上进行规划，生成一条从起点到终点的最优、平滑的全局路径。然后，从该全局路径上提取一系列关键点（子目标点），作为局部规划的引导。无人车从起点开始，运行改进的DWA算法。DWA算法以当前全局路径关键点为临时目标，在考虑实时感知的动态障碍物、车辆动力学约束以及引入的密度惩罚项后，生成局部最优的避障轨迹。车辆执行该轨迹，并不断重复此过程，直至抵达最终目标点。当遇到全局路径被未知静态障碍物阻断时，DWA的实时避障能力可使车辆绕行，而全局路径的关键点指引又能防止其迷失方向。
流程五：仿真与实验验证
研究通过仿真和实物测试验证算法有效性。
- 改进A*算法对比实验：在MATLAB 2020b环境中，使用30x30（环境A）和50x50（环境B）两种尺寸的栅格地图，对比传统A算法与本文改进A算法。实验测量了平均寻路时间、路径总转折角度、路径节点数和路径长度。结果（表3）显示，在环境A和B中，改进算法相较于传统算法，寻路时间分别减少28.57%和76.71%，转折角度减少44.68%和56.86%，路径节点数减少57.72%和71.65%，路径长度略有缩短。图9和图10直观展示了改进算法路径更简洁、转折更少，经贝塞尔曲线平滑后更为流畅。
- 融合算法仿真实验：在20x20栅格地图中，在改进A*算法生成的全局路径上随机添加静态未知障碍物（模拟动态感知到的静态障碍）。如图11所示，融合算法（实线）能够成功规避这些障碍物，并保持路径的平滑与全局趋向性，验证了其处理突发静态障碍的能力。
- 实车测试验证：研究搭建了模拟场景并使用小车进行跑车实验（图12）。结果表明，搭载该融合算法的小车运行平稳，路径得到优化，初步验证了算法在物理系统上的可行性。
四、 主要研究结果与逻辑关系
本研究的各项结果环环相扣，共同支撑了最终结论。
在改进A*算法对比实验中，寻路时间的大幅减少直接证明了“改进搜索策略”和“动态加权评价函数”的有效性，它们显著提升了算法效率。路径转折角度和节点数的急剧下降，则是“冗余点去除策略”和“曲线平滑策略”成功的直接证据，它们共同优化了路径质量。路径长度的微幅优化则体现了整体改进的协同效应。这些结果为将改进A算法作为可靠的全局规划器提供了数据支持。
融合算法仿真实验的结果是关键一步。它展示了改进后的全局路径（由改进A生成）与具备密度感知能力的局部规划器（改进DWA）协同工作的能力。实验结果（图11）表明，算法不仅能应对预设的静态环境（全局规划层），还能处理运行时出现的未知静态障碍（局部规划层），且避障路径平滑，未脱离全局框架。这验证了算法融合设计的正确性。
最后的实车测试虽然未提供具体量化数据，但其“运行平稳、路径优化”的定性结果，将仿真结论向实际应用推进了一步，表明算法具备在真实物理系统中运行的潜力。从仿真到实车的递进验证，构成了一个相对完整的证据链。
五、 研究结论与价值
本研究成功提出并验证了一套适用于大型船舶甲板复杂环境的无人运输车协同路径规划方法。结论表明，通过对A*算法在搜索方向、评价函数、安全膨胀、路径优化和平滑等方面的系统性改进，并结合引入区域密度惩罚项的DWA算法，能够有效解决传统算法在该场景下存在的效率低、路径差、安全性不足等问题。最终形成的全局-局部协同框架，使无人运输车能够在保证全局路径近似最优的前提下，具备高效、安全的动态避障能力。
该研究的价值体现在：科学价值在于为路径规划领域贡献了一种针对高动态、非结构化、高风险密集环境的改进算法融合框架，特别是在启发函数动态加权、分级安全膨胀和局部密度感知惩罚等具体方法上有所创新。应用价值则十分明确，为大型船舶（如航母、货轮）实现甲板作业自动化、智能化提供了关键的技术解决方案，有助于提升作业效率、降低人员风险，具有重要的国防和民用前景。
六、 研究亮点
- 问题导向的针对性改进：所有算法改进均紧密围绕“船舶甲板”这一特定应用场景的痛点（非惯性系、障碍物类型多样、区域风险等级不同、通道狭窄）展开，而非泛泛的算法优化。
- 多层次算法创新与融合：研究并非单一算法的简单改进，而是在全局和局部两个层面进行了深度创新（改进A*的5项策略、改进DWA的密度惩罚项），并将两者通过关键点引导的方式有机融合，形成了一个完整的协同规划系统。
- 引入环境密度感知：在局部规划中创新性地引入障碍物密度作为评价指标，使机器人能够智能区分“开阔地带的单个障碍物”和“狭窄区域的密集障碍物”，从而做出更合理的避障决策，这是一个重要的思路拓展。
- 完整的验证链条：研究包含了与传统算法的定量对比仿真、融合算法的功能仿真以及初步的实车测试，验证工作较为充分，增强了结论的可信度。
七、 其他有价值内容
研究对相关工作进行了较为全面的综述，梳理了全局路径规划（如Dijkstra, RRT）和局部路径规划（如人工势场法， TEB）的各类算法及其改进工作，清晰定位了本研究的起点和创新点。此外，研究详细给出了四轮差速机器人的运动学模型推导，以及三阶贝塞尔曲线的参数方程和应用方法，这些内容对于相关领域的研究者具有参考价值。基金项目信息（国家自然科学基金等）也表明了该研究受到了较高层次的关注与支持。