企业官网建设流程全解析

做机器人路径规划、扫地机、无人机仿真，或者单纯是学校课程设计，A星算法（A*）基本都是绕不过去的第一道坎。我最早接触就是在Matlab里跑栅格地图，手动摆障碍、改起点终点，看那条蓝色路径怎么绕出来的。这篇就把完整的Matlab实现思路写一遍，从核心原理、数学公式，到可以直接改的地图与障碍生成、自定义起点终点的完整脚本，最后是常见的坑。适合要跑课设、做毕设，或者刚入门路径规划，需要在Matlab里快速搭一套A*验证环境的朋友。

说句实在话，A这个名字听起来学术味很重，但它的思想特别朴素：人在一个陌生小区里找路，不也会优先挑那些“看起来离出口更近”的方向走吗？A就是把这种直觉量化成公式，再用代码一步步执行。真正动手写下来你会发现，完整实现也就一百行左右，难的不是代码，而是把地图建模、启发函数、邻域选择这些细节理顺。

1. 这个项目到底在解决什么问题：核心需求拆解

1.1 一个最朴素的需求：从A点到B点怎么走

先说个生活场景。早上出门从小区门口到地铁站，你肯定不乐意走最远的直线绕弯，也不会选择一条被早市摊位挡死的路。要的是距离短、没有障碍、走起来顺畅。机器人、游戏里的NPC、自动导引小车本质上都在解决同一个问题：已知地图和障碍，从起点到终点找一条最优或近似最优的路。这就是路径规划。路径规划算法里，A星，也就是A*，是最经典、最常被用作入门的第一课，也是大量工程系统里真正落地使用的基础模块。它用“启发式搜索”这么一种思路，把盲目搜索变成了有方向感的搜索，效果和速度都很直观，也好调试。

那么这个项目在做什么？标题说得很明白：用Matlab实现A星路径规划算法，地图、障碍物、起点、终点都能自己改。拆开看就是三件事：一是把地图离散成栅格，二是把A*算法跑通，三是整个流程可视化，随时改参数看结果。对课程设计、毕业设计、甚至是刚接触移动机器人导航的开发人员来说，这套小系统是很好的试验台。算法本身不复杂，但能让你在最短时间内把路径规划从概念变成可运行的代码。

1.2 A*算法的基本逻辑：f = g + h，两张表走完搜索

A的核心是一句话：每一步都选f值最小的节点去扩展。f代表这个节点“总的预计代价”，等于g加h。g是从起点走到当前节点已经花掉的代价，h是当前节点到终点还需要的预估代价。A每走一步，都会把当前能到达的节点放进open list（待检查列表），把已经检查过的节点放进close list（关闭列表），然后不断从open list里挑f最小的那个节点拿出来，看看它的邻居们能不能用更小代价到达，能就更新，直到把终点从open list里挑出来为止。

理解这个逻辑的关键在h。h是我们“猜”的剩余距离，猜得越准，搜索越有方向，越少走弯路；猜过头了就可能漏掉真正的最短路径。这里有很多可以调整的细节，比如曼哈顿距离、欧氏距离、对角线距离，我在后面专门说。总之，A*能火这么多年，就是因为它在“找到最优”和“搜索够快”之间给了你一个非常直观的调节旋钮。

1.3 为什么要把地图、障碍、起终点都做成可配置

我见过不少同学写路径规划，第一版通常是把地图写死在主脚本里，测试一个场景改一次代码。这种写法不是不行，但验证算法效果、展示结果、跟别人讨论方案的时候非常别扭。想象一下，你要给老师或者同事演示A*在不同障碍布局下的表现，每换一个场景都得去翻矩阵、改数字、重新调试，效率极低。

把地图和起终点作为输入参数抽出来，是这个项目真正的小设计。它的好处有两个：一是你可以在同一份代码上快速做大量实验，观测算法在不同障碍密度、不同起点终点组合下的路径形状、搜索节点数、耗时变化；二是代码结构更接近真实工程——真实系统里地图来自传感器或者地图服务，起点终点来自任务调度器，算法模块永远不应该假设“地图是某个固定矩阵”。所以这个“可配置”的需求，并不是额外加戏，而是一种正确的模块化思路。

2. A星算法核心原理：先把 f = g + h 吃透

2.1 地图建模：栅格地图为什么是最顺手的选择

路径规划里的地图有好几种表示方式。常见的有栅格地图（把空间划成等间距的格子）、拓扑地图（只保留节点和边）、几何地图（用几何形状描述环境轮廓）。A*最常用的就是栅格地图。原因很朴素：矩阵天然就是格子，Matlab里一个二维矩阵直接就是一张图，1表示可通过，0表示障碍，显示出来黑白分明，非常直观。栅格地图的代价就是格子粒度，粒度越细路径越平滑，但计算量越大，这个在真实机器人里要根据车体尺寸和定位精度权衡。作为学习和仿真，用20乘30、50乘50这种规模的地图足够了。

写代码时有个容易踩的坐标坑：Matlab矩阵的索引是行和列，行对应图像里的纵坐标（从上往下递增），列对应横坐标（从左往右递增）。而很多人习惯x和y的笛卡尔坐标，画图时plot(横坐标, 纵坐标)。一旦搞混，路径会显示得扭曲，起点终点也会对不上。我的经验是：在代码内部一律用[row, col]来思考和处理，只在最后可视化时把col当成x、row当成y去plot。

2.2 三种距离函数怎么选：曼哈顿、欧氏、对角线距离对比

启发函数h的选择直接决定搜索效率和路径质量。栅格地图里三种距离最常用，我列个对比表：

我个人的默认选择是：如果只允许上下左右走，用曼哈顿距离；如果允许斜着走，用对角线距离。欧氏距离在8邻域里能用，但效率上没优势。还要记住一个原则：h不能大于实际的最小可能代价，否则A不再保证找到最优路径。h越大，搜索越快但越“激进”；h越小，搜索越慢但越“保守”；当h等于0的时候，A就退化成了Dijkstra算法。

2.3 邻域选择：4邻域还是8邻域，这个决定路径形态

地图上从一个格子到另一个格子，每一步能走的方向数是另一个关键设计。4邻域只允许上下左右走，每一步代价设为1，路径必然是直角折线型，适合模拟普通轮式机器人或者只能在巷道里行驶的AGV。8邻域多了四个对角线方向，路径可以斜着走，更接近人走路的习惯，但代价处理要让对角线方向的移动是根号2，否则斜走和直走等代价，路径会显得很怪。

8邻域有一个必须处理的问题：斜着穿墙。如果当前格子右方是墙，下方是墙，右下方却是空地，算法可能直接从右上角穿到右下角，视觉上就是穿过了墙角。解决办法是在允许对角移动前做一次检查：只有当水平方向和垂直方向的两个邻居都可行时，才允许走斜对角。这个检查成本极低，但效果立竿见影。下面在实现代码里我会把我常用的写法放进去。

2.4 open list和close list：数据结构决定搜索效率

A*逻辑上就靠两张表：open list存“还没被最终确定的候选节点”，close list存“已经确定最短路径代价的节点”。每次从open list中取f最小的节点，把它移入close list，再扩展邻居。如果新路径让某个邻居的g更小，就更新它的g、f和父节点。这套机制理解起来不难，但用Matlab实现时有一个性能上的坑：如果每次都用矩阵存储open list，然后min找最小的f，在几百个格子里没问题，但地图到几百乘几百时就会越来越慢。

更快的做法是使用优先队列（最小堆）管理open list，这样取最小值和插入节点的时间复杂度从O(n)降到了O(logn)。Matlab没有内置的堆结构，但可以用containers.Map、自定义类，或者干脆继续用矩阵但多做剪枝。对大部分学习和课设场景，用矩阵加min函数就够用，我在代码里先用最直观的写法，后面再讲怎么优化。

3. Matlab完整实现：从地图生成到路径可视化

3.1 生成地图的三种方式：写死障碍、随机障碍、鼠标画障碍

先把最基本的地图生成做了。我建议把地图初始化写成一个独立脚本或者函数，方便随时换场景。最简单的方式是直接对矩阵赋值：

map = ones(20, 30); % 20行30列，1表示可通行 map(3:4, 8:12) = 0; % 一堵横向墙 map(10:15, 18:20) = 0; % 一堵竖向墙 map(17:18, 6:9) = 0; % 左下角墙 map(7:9, 24:27) = 0; % 右上角墙

如果想把边界也封起来，可以直接把map最外圈置0，避免算法跑出地图边界，不过我的代码里本身有边界检查，所以不封也没关系。

需要随机障碍的话，可以按一定概率把格子置0，再结合形态学处理避免障碍太碎。更直观的方式是用Matlab的ginput，鼠标点击画障碍区域：

figure; imagesc(map); colormap(gray); axis image; disp('鼠标左键点击画障碍，右键结束'); while true [x, y, button] = ginput(1); if button ~= 1, break; end row = round(y); col = round(x); if row >= 1 && row <= size(map,1) && col >= 1 && col <= size(map,2) map(row, col) = 0; imagesc(map); colormap(gray); axis image; end end

注意这里ginput返回的x是横坐标，对应矩阵的列；y是纵坐标，对应矩阵的行。很多人随手一写就把行列搞反了，然后发现画的障碍和实际位置对不上。

3.2 核心A*函数：主循环、邻居扩展和路径回溯

下面把核心函数写出来。我尽量保持代码短小易读，注释写在关键位置。这个函数支持8邻域、对角线穿墙检查、曼哈顿距离启发函数：

function [path, totalCost] = myAstar(map, start, goal) [rows, cols] = size(map); if map(start(1), start(2)) == 0 || map(goal(1), goal(2)) == 0 error('起点或终点在障碍物里'); end % 8个搜索方向，以及对应移动代价 dirs = [-1 -1; -1 0; -1 1; 0 -1; 0 1; 1 -1; 1 0; 1 1]; moveCost = [sqrt(2) 1 sqrt(2) 1 1 sqrt(2) 1 sqrt(2)]; % 初始化代价表和父节点表 gScore = inf(rows, cols); fScore = inf(rows, cols); cameFrom = cell(rows, cols); gScore(start(1), start(2)) = 0; fScore(start(1), start(2)) = calH(start, goal); % open list：每一行是 [行, 列, f值] openSet = [start(1) start(2) fScore(start(1), start(2))]; closedSet = false(rows, cols); while ~isempty(openSet) % 取f最小的节点 [~, idx] = min(openSet(:, 3)); current = openSet(idx, 1:2); if isequal(current, goal) path = backtrace(cameFrom, start, goal); totalCost = gScore(goal(1), goal(2)); return; end openSet(idx, :) = []; closedSet(current(1), current(2)) = true; % 扩展8个邻居 for k = 1:size(dirs, 1) nr = current(1) + dirs(k, 1); nc = current(2) + dirs(k, 2); if nr < 1 || nr > rows || nc < 1 || nc > cols continue; end if map(nr, nc) == 0 || closedSet(nr, nc) continue; end % 斜向移动穿墙检测 if abs(dirs(k,1)) == 1 && abs(dirs(k,2