企业官网建设流程全解析

简介：这份MATLAB无人机路径规划源码包面向无人机自主导航方向的学生、科研人员与算法爱好者，聚焦栅格地图构建、激光雷达扫描模拟与A*算法改进三大核心问题，可用于课程设计、毕业课题或算法验证场景。资源共14个文件，以m脚本为主，辅以png与gif效果图、py对照脚本及md说明文档，压缩包约107KB，体量轻便，便于快速运行与二次修改。代码完整实现了路径探索、障碍物标记与动态路径调整逻辑，并输出动态显示效果，读者可据此理解启发式搜索的评估函数设计、扫描参数对地图质量的影响，以及环境变化时路径重规划的触发机制。目前已有89人学习下载，适合希望从零搭建MATLAB路径规划实验、对照源码排查算法细节的入门与进阶读者参考。

1. 从一堆散点到一个能飞的路径：MATLAB无人机路径规划到底在做什么

很多人第一次在 MATLAB 里做无人机路径规划，都是被一张“散点图连成折线”的示意图骗进来的——以为把起点终点连起来、绕开几个障碍就完事了。真上手才发现，规划出来的路径要么贴着障碍边缘擦过去，实际飞控根本不敢执行；要么拐点密集到无人机每两秒就要急停转向，电池和电机都扛不住。这个标题背后真正要解决的，是在已知环境里，用 MATLAB 生成一条既避障、又平滑、还能被飞控接受的可行轨迹，而不是画一条好看的线。

它适合两类人：一类是刚接触无人机算法、想用 MATLAB 快速验证自己规划思路的学生和初级工程师；另一类是手里已经有飞控和机型、需要在地面端先跑通仿真再上机的从业者。核心工具通常就是 MATLAB 自带的导航工具箱、优化工具箱，或者自己写的 A*、RRT、人工势场法脚本。下面我按“环境怎么建、算法怎么选、代码怎么写、坑在哪”的顺序，把这条链路拆开讲清楚。

2. 环境建模与算法选型：先想清楚地图怎么存，再决定用哪种规划器

2.1 三种常见地图表示，选错了后面全是返工

在 MATLAB 里做路径规划，第一步不是写算法，而是决定地图怎么存。常见做法有三种：栅格地图、连续坐标加障碍多边形、以及点云或占据栅格。栅格地图最直观，把空间切成 N×N 的格子，0 表示可通行、1 表示障碍，适合 A*、Dijkstra 这类基于图搜索的算法。连续坐标加障碍多边形适合 RRT、人工势场法这类在连续空间采样的算法，障碍用多边形顶点或圆心半径描述。点云或占据栅格通常来自实际传感器或仿真环境导出，数据量大，适合做三维规划。

我一般会先问自己：规划空间是二维还是三维？障碍是静态还是动态？如果只是验证算法逻辑，二维栅格最省事；如果要贴近实际飞行，连续坐标加圆柱体障碍更接近真实。选错地图表示，后面换算法时几乎要重写整个环境接口，这是最常见的返工点。

2.2 A*、RRT、人工势场法：什么场景用哪个

A* 在栅格地图上表现稳定，能找到全局最优路径，但栅格分辨率一高，搜索节点数爆炸，内存和时间都吃不消。RRT 适合高维空间和复杂障碍，采样随机性强，单次规划快，但路径质量不稳定，每次跑出来都不一样，需要加平滑和后处理。人工势场法计算量小、实时性好，但容易陷入局部极小值，在凹形障碍前会原地打转。

我的经验是：二维静态环境、障碍不多，优先 A* 加栅格；三维或障碍复杂，用 RRT 或 RRT*；需要在线避障、环境变化快，人工势场法或模型预测控制更合适。MATLAB 的导航工具箱里plannerAStarGrid、plannerRRT、plannerRRTStar都有现成对象，但直接拿来用往往和自定义环境对不上，建议先跑通官方示例，再替换成自己的地图数据。

2.3 用 MATLAB 建一个可复现的二维栅格环境

下面这段代码生成一个 50×50 的栅格地图，随机撒障碍，并保证起点终点可通行。这是后续所有规划算法的输入基础。

% 二维栅格环境生成 rng(42); % 固定随机种子，保证每次生成的地图一致 mapSize = 50; % 地图边长，单位：格 obstacleRatio = 0.25; % 障碍占比，0.25 表示约四分之一格子是障碍 map = zeros(mapSize, mapSize); % 0 表示可通行 % 随机生成障碍，但避开起点和终点附近区域 numObstacles = round(mapSize * mapSize * obstacleRatio); for i = 1:numObstacles r = randi(mapSize); c = randi(mapSize); % 起点(1,1)和终点(50,50)周围 3 格内不设障碍 if (r <= 3 && c <= 3) || (r >= mapSize-2 && c >= mapSize-2) continue; end map(r, c) = 1; end % 确保起点和终点本身可通行 map(1, 1) = 0; map(mapSize, mapSize) = 0; % 可视化 figure; imagesc(map); colormap(flipud(gray)); % 障碍显示为深色 axis equal tight; title('50x50 栅格地图，深色为障碍');

这段代码的关键参数是obstacleRatio和随机种子。障碍占比太高，A* 可能找不到解；太低，规划没有挑战性。固定rng是为了让每次实验可复现，否则调参时你根本分不清是算法改了还是地图变了。起点终点附近留空是防止规划器一开始就被堵死，实际项目里如果起点在障碍里，要先做一步“脱困”处理。

2.4 把栅格转成规划器能吃的图结构

MATLAB 的plannerAStarGrid需要binaryOccupancyMap对象，不能直接吃上面的map矩阵。转换代码如下：

% 将 0/1 矩阵转为 binaryOccupancyMap % 注意：binaryOccupancyMap 中 1 表示障碍，0 表示空闲，和上面一致 occMap = binaryOccupancyMap(map, 1); % 第二个参数是每格分辨率，单位：米/格 % 创建 A* 规划器 planner = plannerAStarGrid(occMap); % 设置起点终点（栅格坐标，注意 MATLAB 是 (row, col) 顺序） start = [1, 1]; goal = [50, 50]; % 执行规划 path = plan(planner, start, goal); % 可视化路径 figure; show(occMap); hold on; plot(path(:, 2), path(:, 1), 'r-', 'LineWidth', 2); % 注意 x 是列，y 是行 plot(start(2), start(1), 'go', 'MarkerSize', 10, 'MarkerFaceColor', 'g'); plot(goal(2), goal(1), 'bo', 'MarkerSize', 10, 'MarkerFaceColor', 'b'); title('A* 规划结果');

这里最容易翻车的是坐标顺序。MATLAB 矩阵索引是(行, 列)，但绘图时x对应列、y对应行，plot里必须写成path(:,2)和path(:,1)，否则路径会转置 90 度。另一个坑是binaryOccupancyMap的第二个参数分辨率，它影响后续路径长度计算和速度规划，如果只做逻辑验证可以设 1，但要做时间最优规划就必须按实际尺寸设。

3. 从可行路径到可飞轨迹：平滑、插值与速度分配

3.1 为什么 A* 出来的折线不能直接给飞控

A* 在栅格上搜出来的路径是 8 邻域或 4 邻域的折线，拐点全是 45 度或 90 度硬弯。飞控收到这种航点，会在每个拐点处急停转向，实际飞行表现为一顿一顿，电机电流波动大，续航明显缩短。更麻烦的是，如果拐点离障碍太近，飞控的 position hold 还没稳定就进入下一个航点，容易撞障碍。

所以中间必须加一步轨迹平滑。常见做法是：先用 Douglas-Peucker 算法抽稀折线，去掉冗余中间点；再用三次样条或 B 样条拟合，生成连续曲率轨迹；最后按最大速度和最大加速度约束做时间参数化。MATLAB 的bspline或cscvn可以快速生成平滑曲线，但要注意拟合后的曲线可能偏离原障碍安全距离，需要做碰撞复查。

3.2 用三次样条做路径平滑的完整代码

下面代码对 A* 路径做抽稀和样条拟合，并检查平滑后路径是否撞障碍。

% 路径抽稀：Douglas-Peucker 简化 % 这里用 MATLAB 自带的 reducepoly（需要 Image Processing Toolbox） % 如果没有该工具箱，可以自己实现，阈值取 0.5 格 tol = 0.5; pathSimplified = reducepoly(path, tol); % 三次样条拟合 % 参数 t 按累计弧长归一化 diffPath = diff(pathSimplified); arcLen = [0; cumsum(sqrt(sum(diffPath.^2, 2)))]; t = arcLen / arcLen(end); % 分别对 x 和 y 做样条插值 tFine = linspace(0, 1, 500)'; xFine = interp1(t, pathSimplified(:,2), tFine, 'spline'); yFine = interp1(t, pathSimplified(:,1), tFine, 'spline'); pathSmooth = [yFine, xFine]; % 转回 (row, col) 顺序 % 碰撞检查：平滑后路径是否经过障碍格 collision = false; for i = 1:size(pathSmooth, 1) r = round(pathSmooth(i, 1)); c = round(pathSmooth(i, 2)); if r < 1 || r > mapSize || c < 1 || c > mapSize collision = true; break; end if map(r, c) == 1 collision = true; break; end end if collision warning('平滑后路径与障碍冲突，需要减小平滑权重或增加安全距离'); else disp('平滑路径无碰撞'); end % 可视化对比 figure; show(occMap); hold on; plot(path(:,2), path(:,1), 'r--', 'LineWidth', 1); plot(pathSmooth(:,2), pathSmooth(:,1), 'b-', 'LineWidth', 2); legend('原始 A* 路径', '平滑后路径'); title('路径平滑前后对比');

这段代码的核心是reducepoly的阈值tol和样条插值。tol越大，抽稀越狠，平滑后路径越简单，但偏离原路径也越远，碰撞风险越高。我一般从 0.5 格开始试，如果碰撞就降到 0.3。样条插值用'spline'方法，它保证二阶连续，适合做速度规划，但会在数据点稀疏处产生过冲，所以抽稀不能太激进。碰撞检查用round取整判断，实际项目里应该用更精确的线段与障碍多边形相交检测，这里为了代码简洁用了栅格近似。

3.3 速度分配：把几何路径变成时间轨迹

平滑后的路径只是一条曲线，没有时间信息。飞控需要的是每个时刻的位置、速度、加速度。常见做法是梯形速度规划或 S 型速度规划。梯形规划简单，但加速度不连续；S 型规划加速度连续，飞起来更顺，但实现复杂。

下面是一个简化的梯形速度分配示例，按路径弧长均匀分配时间，限制最大速度和最大加速度。

% 梯形速度规划（简化版） vMax = 2.0; % 最大速度，单位：格/秒 aMax = 1.0; % 最大加速度，单位：格/秒^2 % 计算平滑路径的累计弧长 diffSmooth = diff(pathSmooth); arcSmooth = [0; cumsum(sqrt(sum(diffSmooth.^2, 2)))]; totalLen = arcSmooth(end); % 计算加速段、匀速段、减速段长度 tAcc = vMax / aMax; % 加速时间 sAcc = 0.5 * aMax * tAcc^2; % 加速段距离 if 2 * sAcc > totalLen % 路径太短，达不到最大速度，三角形速度剖面 vPeak = sqrt(aMax * totalLen); tTotal = 2 * vPeak / aMax; disp('三角形速度剖面'); else % 梯形速度剖面 sConst = totalLen - 2 * sAcc; tConst = sConst / vMax; tTotal = 2 * tAcc + tConst; disp('梯形速度剖面'); end % 按时间采样，生成轨迹点（这里只演示时间轴，具体位置插值略） tSample = linspace(0, tTotal, 200)'; % 实际项目中需要根据 tSample 反查弧长，再插值得到位置 disp(['总飞行时间：', num2str(tTotal), ' 秒']);

这里vMax和aMax要根据你的机型设。小型多旋翼通常最大速度 5~10 m/s，最大加速度 2~5 m/s²，但室内或狭窄环境要降到 1~2 m/s。代码里只算了时间轴，实际还需要根据时间反查弧长，再用interp1得到每个时刻的位置。这一步如果偷懒直接用几何路径等时间间隔发点，飞控会在拐弯处超调，这是血泪经验。

4. 避坑与排查：路径规划里最容易翻车的五个地方

4.1 现象：规划器报“无可行路径”，但地图明明有路

原因通常是起点或终点被障碍包围，或者栅格分辨率太粗，把窄通道堵死了。解决方法是先检查map(start)和map(goal)是否为 1，如果是，手动清 0；然后降低栅格分辨率，或者用inflate给障碍膨胀时留出至少一个格子的通道。MATLAB 的binaryOccupancyMap有inflate方法，膨胀半径设大了会把窄路封死，设小了无人机实际尺寸过不去，一般取无人机半径加 0.2 米安全余量。

4.2 现象：A* 跑得特别慢，内存爆掉

栅格数超过 200×200 后，A* 的开放列表和关闭列表会急剧膨胀。解决方法是换用plannerAStarGrid的DiagonalSearch设为'off'减少分支，或者改用 JPS（跳点搜索）算法。另一个办法是先做一层粗规划，再在局部做细规划。如果只是验证算法，把地图降到 100×100 以内最省事。

4.3 现象：平滑后路径撞障碍

样条拟合在拐角处会向外过冲，尤其是抽稀阈值大的时候。解决方法是减小tol，或者在样条拟合后做一次碰撞检查，对冲突段用原折线替换。更稳妥的做法是用 B 样条代替三次样条，因为 B 样条有凸包性质，曲线不会超出控制点太远。MATLAB 的spapi可以生成 B 样条，但参数调节更麻烦。

4.4 现象：飞控收到航点后原地打转或飞反方向

这是坐标系没对齐。MATLAB 里常用的是 ENU（东-北-天）或 NED（北-东-地），而飞控固件可能用 FRD（前-右-下）。如果规划时用(row, col)对应(x, y)，发给飞控前必须做一次坐标变换。常见做法是统一转到 NED：x_ned = row，y_ned = col，z_ned = -altitude。另外航向角也要根据路径切线方向算，不能默认朝北。

4.5 现象：仿真里飞得好，实机一飞就撞

仿真没有考虑飞控的跟踪误差和延迟。解决方法是给规划路径留足够的安全距离，一般离障碍至少 0.5 米；同时在速度规划里限制最大加速度，给飞控留出响应时间。如果条件允许，先在 MATLAB 里加一个一阶惯性环节模拟飞控跟踪，看路径偏差是否还在安全范围内。

5. 进阶技巧：用自定义代价函数把能耗和风险一起规划进去

标准 A* 的代价是路径长度，但实际飞行里，拐弯多、爬升多、离障碍近都会增加能耗和风险。MATLAB 的plannerAStarGrid支持自定义代价函数，你可以把每个格子的代价设成“长度 + 转弯惩罚 + 障碍距离惩罚”的加权和。下面是一个示例：

% 自定义代价：离障碍越近代价越高 % 先计算每个格子到最近障碍的距离 distToObstacle = bwdist(map); % 需要 Image Processing Toolbox % 距离越小，代价越高；距离大于 5 格时不再增加惩罚 riskWeight = 0.5; riskCost = riskWeight * max(0, 5 - distToObstacle); % 总代价 = 基础移动代价 + 风险代价 % plannerAStarGrid 不直接支持逐格代价矩阵，这里演示思路 % 实际可以用 plannerAStarGrid 的 'CostFunction' 参数（视版本而定） % 或者自己实现 A*，在扩展节点时累加 riskCost disp('自定义代价函数需要根据 MATLAB 版本调整接口');

如果你的 MATLAB 版本不支持自定义代价，可以自己写一个 A* 循环，在计算g值时加上riskCost(currentNode)。这样规划出来的路径会主动远离障碍，虽然总长度可能增加 10%~20%，但实飞安全性明显提升。另一个进阶方向是加入能耗模型：爬升代价高于平飞，转弯代价高于直飞，最终路径可能不是最短，但续航更长。

验证方法上，我习惯做三组对比：纯长度最优、加风险惩罚、加能耗惩罚，然后在同一张地图上跑 20 次不同起点终点，统计平均路径长度、平均离障碍最小距离、平均拐弯次数。如果加惩罚后拐弯次数下降但长度增加不超过 15%，就认为值得。最后用第一人称教训收尾：我早期做规划时总追求最短路径，结果实飞时因为贴障碍太近，飞控一个超调就撞了，后来宁可多飞几米也要留安全余量。希望帮到你。

本文还有配套的精品资源，点击获取