融合A*与TEB算法的机器人多任务导航调度研究学术报告

作者及发表信息

本研究由大连理工大学汽车工程学院的郭烈（第一作者兼通讯作者，邮箱：guo_lie@dlut.edu.cn）、齐国栋、赵一兵和黄亮合作完成，同时郭烈亦隶属于大连理工大学宁波研究院。研究成果发表于《华中科技大学学报（自然科学版）》（*Journal of Huazhong University of Science and Technology (Natural Science Edition)*）2023年第51卷第2期，文章编号1671-4512(2023)02-0082-07，收稿日期为2021年12月8日。研究得到国家自然科学基金（51975089、51975088、52175078）和辽宁省自然科学基金（2021-MS-127）的资助。

学术背景

研究领域与动机
本研究属于机器人路径规划领域，聚焦于提升智能机器人在复杂环境（如疫情防控场景）中的多任务导航效率。传统A*算法（A-Star Algorithm）与时间弹性带算法（Time Elastic Band, TEB）结合的方案虽广泛应用，但存在两大瓶颈：
1. 路径安全性不足：A*算法规划的路径易贴近障碍物，甚至出现“穿越障碍物”的不可行路径，且路径转折角度大，平滑性差；
2. 控制指令波动：TEB算法输出的速度与角速度指令存在高频波动，导致机器人运动不平稳。

研究目标
通过改进A*与TEB算法，提出一种融合PID（比例-积分-微分，Proportional-Integral-Differential）控制的多任务导航调度算法，实现以下目标：
1. 增大路径与障碍物的安全距离，消除路径穿越现象；
2. 降低控制指令方差，提升机器人运动平顺性；
3. 开发支持动态目标点输入的多任务调度功能，按“由近及远”原则自主规划导航序列。

研究流程与方法

1. 改进A*算法的全局路径规划

核心改进点：
- 障碍物邻域代价值增强：通过提高障碍物相邻栅格点的代价值，迫使路径远离障碍物。具体实现中，建立路径点相邻节点列表，若节点代价值超过预设阈值（如障碍物邻域代价值），则排除该节点作为路径点（图1）。
- 路径平滑处理：
- 角度约束：计算连续三路径点的相邻方位角偏差，若最大偏差超过45°，则以前后两点的中点坐标替换中间点（图2）；
- 密度优化：若相邻路径点距离超过阈值，插入中点以增加路径点密度，进一步平滑轨迹。

2. 融合PID控制的TEB算法改进

问题针对性：TEB算法直接输出的速度（v）和角速度（ω）指令波动显著。
改进方案：
- PID控制模块集成：将TEB输出的指令经PID控制器校正，公式如下：
[ u(t) = K_p e(t) + K_i \int_0^t e(t)dt + K_d \frac{de(t)}{dt} ]
其中，(u(t))为校正后的控制量，(e(t))为指令偏差，(K_p=10)、(K_i=0.25)、(K_d=10)为实验调优参数（图3）。
- 动态约束：通过判断模块限制输出指令在机器人运动学范围内（最大速度0.4 m/s，角速度0.3 rad/s）。

3. 多任务导航调度算法设计

功能架构：
1. 人机交互模块：支持动态输入目标点数量及坐标；
2. 导航列表管理：按曼哈顿距离（Manhattan Distance）排序目标点，优先导航最近目标；
3. 任务循环机制：每到达一个目标点后，从列表中移除该点并重新计算剩余目标优先级（图4）。

实验结果与数据分析

1. 单目标导航性能验证

实验平台：
- 硬件：TurtleBot2移动机器人，搭载NVIDIA TX2计算模块与RPLIDAR A2激光雷达；
- 软件：ROS-Kinetic系统，Ubuntu 16.04 LTS。

关键结果：
- 路径安全性：改进后的A*算法成功规避障碍物穿越现象，相邻路径点方位角控制在45°以内（图7）；
- 控制指令稳定性：融合PID的TEB算法使速度与角速度方差分别降低47.1%（0.034→0.011）和18.2%（0.018→0.009）（表1、图8）；
- 导航精度：机器人停止位置与目标点的平均误差为0.022 m，远低于预设阈值0.2 m。

2. 多任务调度功能验证

实验场景：设置三个目标点A、B、C，距离起点依次递增（图9）。
性能指标：
- 调度逻辑：机器人严格按A→B→C的顺序导航，验证了“由近及远”原则；
- 任务完成度：各目标点到达误差分别为0.054 m、0.063 m、0.180 m，总路径长度26.9 m，耗时66秒（表2、表3）。

研究结论与价值

1. 算法创新性：
   
   • 提出代价值增强的A*改进算法，解决了路径贴近障碍物的行业难题；
     
   • 首创PID-TEB融合架构，显著降低控制指令波动（方差下降47.1%）。
     
2. 应用价值：
   
   • 支持动态多目标输入，适用于物流配送、防疫巡检等需频繁变更任务的场景；
     
   • 开源ROS实现便于工业界快速部署。
     

研究亮点

1. 方法学突破：首次将PID控制与TEB算法结合，提出“全局路径平滑+局部指令优化”的双层改进框架；
   
2. 工程实用性：通过曼哈顿距离简化多目标调度逻辑，降低计算开销；
   
3. 实验严谨性：在复杂障碍物场景中验证算法鲁棒性（障碍物间距为机器人直径的2~4倍）。
   

其他价值

研究团队公开了算法参数（如PID增益）与实验数据集，为后续研究提供基准对比基础。此外，该成果为动态环境下的机器人路径规划提供了可扩展的架构，未来可结合深度学习进一步优化目标点优先级策略。