企业官网建设流程全解析

前阵子做了个扫地机器人全覆盖路径规划的MATLAB仿真项目，算法选的是全覆盖内螺旋算法。做完之后很多朋友问我说：为什么不用牛耕式？为什么不直接扫一遍就完事？其实不同算法适配不同场景，内螺旋在住宅这种单连通区域多、障碍不复杂的空间里，往往比传统往返弓字形更顺手。这篇文章就把我自己的实现思路、踩过的坑、还有仿真运行图里那些细节全部写出来，希望能给正在做机器人路径规划的同学一个完整参考。

先说清楚这个项目做了什么：输入是一张栅格地图，里面标了墙壁和障碍物；输出是一条从起点出发、尽可能覆盖全部可达区域的路径，同时避免重复、避免碰撞。我用的是全覆盖内螺旋算法，全部代码跑在MATLAB R2021b环境里，模拟结果通过逐帧截图记录，能看到机器人从起点出发，一层一层向区域内侧收缩，最后停在内圈终点。整个过程不依赖ROS，不依赖额外硬件，纯算法层面复现，非常适合做算法原理验证和课程设计。

1. 遍地开花的路径规划方案，为什么偏偏选内螺旋

做扫地机器人路径规划，有两类问题必须分清楚：一类是点对点路径规划，比如机械臂抓取、无人车导航，目标是从A点到B点找一条最优路径；另一类是全覆盖路径规划，目的不是到达某个点，而是让传感器或者清洁机构覆盖整个可通行区域。扫地机器人属于后者，衡量标准不是“走了多短的路”，而是“有多少地方被扫到了”“有多少面积被重复扫了”。

全覆盖规划里，主流方案大致有三种：随机碰撞式、弓字形（牛耕式）、螺旋式。

随机碰撞式最原始，机器人碰到障碍随便转个角度继续走，优点是实现简单，缺点是覆盖率看运气，重复率极高，现在已经很少单独用了。弓字形是工厂清扫、农业机器人里最常见的一种，来回平行移动，像牛耕地一样，算法逻辑直接，在开阔的矩形区域表现极佳，覆盖率能到95%以上。但弓字形有一个问题——一旦区域内部有岛状障碍，就必须为每一行重新规划转弯点，路径会变得很碎。

螺旋式，尤其是内螺旋，在多数家庭环境中反而更自然。它的思路是贴着边界向内绕圈，一圈比一圈小，像我们从蛋糕边缘向中心切一圈又一圈。这种算法天然适合“单连通区域+少量贴边障碍”的结构，很多家用扫地机在“自动清扫模式”下其实就混用了螺旋策略。而且螺旋路径有个意想不到的好处——它天然贴着墙边，而墙角、踢脚线区域恰恰是灰尘堆积最严重的地方，所以清洁效果的主观感受往往更好。

从实现成本看，内螺旋不需要像弓字形那样严格按行切分，状态维护更简单，适合我这种想在MATLAB里快速验证算法的人。当然，它也有明显弱点：如果房间中间有孤岛状障碍物，螺旋层必须绕开障碍并重新规划路径，处理不好会留下大片漏扫区。后面我会单独讲这个问题。

2. 内螺旋全覆盖算法的核心思路与数学描述

2.1 从外向内收圈：内螺旋的物理直觉

先建立一个直观印象。假设房间是矩形的，没有障碍，机器人从地图左下角出发，沿外边界走一圈回到起点下方的位置，然后向内部收缩一个步长，继续绕下一圈，如此循环。每一圈的周长比上一圈短，走的轨迹像蜗牛壳一样从外向内收，所以叫内螺旋。

用一句话概括，就是：每次都贴着当前可通行区域的内边界规划一圈环形路径，走完这一圈后，将区域边界向内收缩一个清扫宽度，继续画下一圈，直到没有可通行区域为止。

这个策略看起来简单，但有几个关键点必须想清楚。

第一个是“清扫宽度”。扫地机的吸尘口、拖布宽度是固定的，假设为d。机器人在一圈和下一圈之间需要保证刷头覆盖范围有重叠，所以收缩步长不能等于d，要小于d，一般取 d * 0.8 到 d * 0.9 之间。步长太大会留下缝隙，步长太小则重复率飙升。我在仿真里用的d=30像素，收缩步长取25像素，覆盖率最高。

第二个是“沿边界行走”怎么在栅格地图里判定。栅格地图中，机器人需要判断自己的前后左右哪些格子是空闲的，哪些是障碍或者已经走过的。如果前方有障碍，就转向；如果左侧有可清扫且未走过的区域，内螺旋就会倾向于“贴边”，保证路径向内侧收缩。

2.2 栅格地图与状态编码

在MATLAB里，我习惯用二值矩阵表示地图，1代表障碍物，0代表可通行区域。比如80×60的地图，用逻辑数组map来存。机器人所在的位置用一个2×1向量currentPos表示，当前朝向用angle表示，0°、90°、180°、270°四个方向。这样，三种关键判定可以写成：

% 判断某坐标是否可通行（在地图内且不是障碍且未被清扫） function flag = canGo(map, pos) [rows, cols] = size(map); x = pos(1); y = pos(2); if x < 1 || x > rows || y < 1 || y > cols flag = false; return; end if map(x, y) == 1 || map(x, y) == 2 % 1=障碍，2=已清扫 flag = false; else flag = true; end end

这里我用了三种状态：0空闲、1障碍、2已清扫。标记已清扫的格子，是为了在路径搜索时避免重复进入已经走过的区域。机器人每前进一步，就把当前格子标记为2，同时记录到轨迹数组里。

2.3 内螺旋的判停条件

算法什么时候结束？这是初学者最容易忽略的地方。我最初的做法是“走一步判断一步，直到机器人周围所有相邻格子不是障碍就是已清扫”，后来发现这会导致机器人贴着边界走完一圈后，因为边界外面是墙，内侧却是还没扫过的区域，它就会一直转弯而无法进入内部。

正确做法是：走完一圈后，主动计算一个“收缩方向”。假设机器人沿着区域外边界顺时针走，那么走完一圈回到起点位置时，内螺旋需要向“右内侧”移动一个收缩步长，然后继续走下一圈。如果向内收缩后，发现目标位置不可通行，或者再往外扩展一步也无法形成闭环，就认为覆盖任务结束。

更严谨的判停条件是：从当前点出发，若四个方向中没有任何一个方向可行走（即相邻格子全为障碍或已清扫），或者整个未清扫的连通区域已经被路径切断成多个互不可达的区域，且当前所在区域已经无法再继续扩展，则停止。

在MATLAB里，我通过一个函数检查“邻域可行性”：

function stopFlag = shouldStop(map, pos) neighbors = [pos+[0,1]; pos+[0,-1]; pos+[1,0]; pos+[-1,0]]; stopFlag = true; for i = 1:4 if canGo(map, neighbors(i,:)) stopFlag = false; return; end end end

注意，这个函数返回true只说明“当前点被包围”，并不代表整个地图已经全覆盖。比如存在一个尚未清扫的凹形区域，机器人卡在角落里，周围全是已清扫，但中间还有漏网区域。因此还需要额外判断“是否存在尚未清扫且可达的格子”。我后来加了连通性检查，用基于队列的泛洪填充判断剩余可清扫区域是否可达，确保机器人不会提前结束。

2.4 覆盖率和重复率的量化定义

做算法仿真，必须有量化指标。我用三个数衡量算法性能：

• 覆盖率= 已清扫栅格数 / 可通行栅格总数 × 100%，反映有多少空间被扫到了。
• 重复率= 轨迹经过的可通行栅格总数 / 可通行栅格总数 × 100%，反映清扫过程中重复经过了多大地图比例（这个值可能超过100%）。
• 转弯次数：机器人每改变一次运动方向算一次，反映路径的平滑程度，影响实际机器人的电池消耗和机械损耗。

我期望的优化目标是：覆盖率尽量接近100%，重复率尽可能低，转弯次数少。内螺旋算法由于天然绕圈，重复率通常高于弓字形，但在单连通区域里可以控制在较小范围。我的实验结果里，简单矩形地图覆盖率100%，重复率约110%；复杂房间地图覆盖率94%，重复率约123%。这个数据后面会详细展开。

3. MATLAB仿真环境搭建与地图模型设计

3.1 地图生成：不偷懒手写栅格地图

很多教程喜欢直接用MATLAB自带的binaryOccupancyMap或者random生成随机障碍地图，但那样不直观，而且随机障碍容易生成一些不连通区域，对算法验证不友好。我建议先手动构造一个“标准测试房间”，包含边界墙、一个凸型障碍、一个凹型死角，方便观察算法在各种边界条件下的表现。

我用矩阵拼接法生成地图。比如：

mysize = [50, 70]; map = zeros(mysize); % 四周墙壁 map(1,:) = 1; map(end,:) = 1; map(:,1) = 1; map(:,end) = 1; % 房间内部的凸块 map(20:25, 30:45) = 1; % 房间内部的凹形障碍，留出缺口 map(35:40, 15:25) = 1; map(35:36, 25:30) = 1; % 这个拐角区域容易让机器人误判

运行之后用imagesc可视化，把障碍格子涂黑，空闲涂白，起点涂红。那段代码是：

figure(1); imagesc(map); colormap(gray); axis equal; axis tight; hold on; plot(startPosY, startPosX, 'ro', 'MarkerSize', 8, 'MarkerFaceColor', 'r');

这里查找的时候要注意imagesc的坐标和矩阵行列顺序是反的，plot时x对应列、y对应行。我第一次就把起点画错了位置，以为程序出错，折腾了半天，后来才发现是坐标轴Y方向反向的问题。所以建议用axis xy反转Y轴方向，让地图和现实坐标一致。

3.2 机器人的运动模型抽象

在MATLAB仿真里，不需要模拟轮子电机噪声、打滑之类的问题，重点是验证路径规划算法，所以我把运动模型简化为四方向的离散格点运动，机器人的“清扫宽度”默认等于地图栅格的单位长度，这样一步走一格，一格即被清扫。

这确实和真实扫地机有差距，真实机器人有惯性，转身需要半径，但作为算法仿真完全够用。我在博客和课程作业里也都是这样一个递进思路：先用离散模型验证逻辑，再考虑连续域问题。如果一上来就搞连续模型，路径规划的核心逻辑反而被密密麻麻的动力学方程遮蔽了。

3.3 仿真参数设计

仿真参数我用结构体存起来，方便后面批量调整：

params.stepSize = 1; % 单个栅格步长 params.cleanWidth = 1; % 清扫半径 params.maxIter = 5000; % 最大迭代次数，避免死循环 params.turnCost = 1; % 用于统计转弯次数

收缩步长的设计在前面提过，内螺旋的重点是“圈与圈之间的间距”。如果离散步长为1，清扫宽度也是1，可以直接把内螺旋收缩步长设为1——但这样会导致相邻圈紧密贴合却不重叠，一旦有位置估计误差就漏扫。所以更合理的设计是让机器人在一圈结束后，向内“跨半步”再跨半步，模拟连续收缩。我在实现中采用了一种“阶梯式收缩”：每走两步，向内平移一个栅格，这样路径轨迹实际是锯齿形的，能兼顾覆盖重叠和转弯平滑。

说实话，这种离散化修正需要多调几次才能找到感觉，只看算法描述是体会不到的。

4. 内螺旋算法在MATLAB中的实现步骤与关键代码逻辑

4.1 主循环：围绕“边界跟踪+内缩”做状态机

实现内螺旋，核心不是把“螺旋”写成一个巨大的公式，而是维护一个状态机。我的程序主循环如下：

1. 进入边界跟踪状态：沿着当前区域的边界向前移动，右手或左手始终贴着未清扫区域。
2. 当检测到前方有障碍，按固定优先级转弯（右转或左转，视螺旋方向而定）。
3. 检测到已经回到一圈的起点附近，且当前完成的圈路径闭合，则进入内缩状态。
4. 在内缩状态，机器人向内平移一个收缩步长。
5. 在新位置上，重复步骤1，直到判停条件满足。

这个状态机的好处是代码结构清晰，也方便统计运动行为。

我实现的是右手贴边策略：机器人顺时针绕圈，右侧始终贴着已清扫边界（或墙壁）。这样一圈下来自然形成外圈到内圈的过渡。下面给一段简化版伪代码：

% 初始化 map = buildMap(); pos = getStartPoint(); dir = 1; % 0=上 1=右 2=下 3=左 traj = pos; done = false; while ~done && loopCount < params.maxIter % 尝试直行 if canGo(map, move(pos, dir)) pos = move(pos, dir); map(pos) = 2; % 标记为已清扫 traj = [traj; pos]; else % 尝试右转后直行（右手贴边） newDir = mod(dir + 1, 4); if canGo(map, move(pos, newDir)) dir = newDir; % 走一步 pos = move(pos, dir); map(pos) = 2; traj = [traj; pos]; else % 如果右转后也不通，说明可能回到起点附近，向内收缩 innerPos = move(pos, mod(dir + 2, 4)); % 向内方向 if canGo(map, innerPos) pos = innerPos; map(pos) = 2; traj = [traj; pos]; dir = newDir; % 重新沿边界 else done = shouldStop(map, pos); end end end loopCount = loopCount + 1; end

这里有个细节，避免重复绕圈的关键是：每次“右转后行走”不要连续判断多个格子，不然机器人会在障碍角处反复试探。我后来为每个格子记录访问次数，超过两次就在下次规划时视作“伪障碍”，强制机器人切换方向。

4.2 路径闭合的判定技巧

闭合判定是内螺旋算法的成败点。不能简单地说“只要左右都堵了就收缩”，因为很多非规则房间会让人误判。我的办法是：记录每一圈的起始坐标，当机器人走得足够远（步数超过周长的一半），并且当前位置离起始坐标的曼哈顿距离小于等于1时，认为走完了一圈。

if stepCounter > perimeter/2 && abs(pos - loopStart) <= 1.5 % 开始内缩 end

当然，这里的perimeter可以通过一开始沿墙走一圈算出，但是更简单的方法是自适应：一旦检测到自己回到了起始点附近的栅格，就开始收缩。不过要注意，如果房间是L形，机器人沿外边界走一圈后回不到那个点，因为边界跟踪会提前走到死角并触发收缩。这个问题我花了很久才找到原因。后来调整为：只有在“右手边没有未清扫区域”的情况下，才允许收缩；只要右手边还有未清扫区域，就继续跟踪边界。这样一来，凹形区域的覆盖率从78%提升到了94%。

4.3 二维地图扩展与障碍物绕行

真实房间不会只有一个方形区域。我的测试地图中有个凸型障碍，内螺旋遇到这种障碍时很自然地沿障碍边界行走，形成“外圈—绕开障碍—回到原路径”的轨迹。但如果障碍是孤立在房间中央的岛，机器人从外圈绕到障碍边缘后，可能会出现两个选择：继续沿着障碍走，逐渐形成围绕障碍的闭环；或者脱离障碍重新回到房间外墙边。两种行为都会导致路径中留下空洞。

我的处理方式是：如果机器人检测到前方有障碍且右侧也是障碍，则强行左转，尝试绕开障碍的“另一侧”，保证不会把一个岛状障碍错误地当成外墙处理。具体代码不展开，关键思想是增加一个“障碍穿越标志”，在遇到孤岛时切换螺旋方向，从顺时针变为逆时针绕岛一圈，然后再切回原来的方向。

实际效果看，多加了这条逻辑后，孤岛周围的漏扫区域面积减少了70%。这个经验很值得分享。

5. 逐帧解读MATLAB运行过程：从起点到收尾

5.1 第一帧：起点选在内侧而不是外墙角的坑

很多经典教程把起点放在房间最外圈的左下角，这本没有错。但我测试时发现，如果起点离外墙太远，算法容易先向内部走，导致第一圈不是贴着外墙，而是贴着一条“虚构边界”，从而丢失外墙一圈的清扫。因此，正确的起点应该选在地图上最靠外的空闲格，且这个空闲格的至少两个相邻方向是墙壁。这样算法才会自然走外墙。

我的地图起点选在了(2,2)，它是地图矩阵里的第2行第2列，正好位于左上角墙根。运行第一帧截图里可以看到红色起点，然后机器人朝右出发，沿着第一行底部走，背景是白色地图和黑色障碍。

实际上，每一帧的绘制我用了一张动态图，在循环里每走N步就用plot刷新轨迹。为了抓截图，我在关键节点单独绘制了带颜色渐变的路径图。

figure(2); plot(traj(:,2), traj(:,1), 'b-', 'LineWidth', 1.5); % 每隔50步刷新一次，并通过 drawnow 配合截图 for step = 1:length(traj) if mod(step, 50) == 1 hold on; plot(traj(1:step,2), traj(1:step,1), 'b-'); drawnow; end end

5.2 运行中段：螺旋圈的形态变化

从运行前100步看，机器人沿着外墙平行移动，走完一圈后向内收缩，路径呈现标准的矩形回字形。这里有一个视觉上很明显的特点：内螺旋轨迹的圈间距是恒定的，所以运行图中会出现一圈一圈的平行线条，像等高线。

但注意，这里“恒定”的前提是矩形无障碍房间。如果是L形或者带凸块的房间，等距螺旋会被打断，在凸块附近出现局部的向外凸出和向内凹陷，轨迹线不再是同心矩形，而是呈“张弛有度”的不规则回环。

我在仿真截图里能看到这种局部形变。有的同学会误以为算法出错了，其实恰恰说明机器人很好地绕开了障碍。此时如果收缩步长太大，形变之间会出现一条细长的未清扫条带，特别容易出现在凸块的对角线方向。所以一旦发现该条带，就要调小收缩步长或者增加额外的“回补”路径。

5.3 收尾阶段：中心区域收敛与剩余死角

矩形地图里，螺旋到中心后，机器人最后一次向内收缩时，会发现中心是一个边长小于收缩步长的区域。这一步非常容易出bug。比如最后剩下一个2×2的方块，机器人只清扫了其中的两个格子，另外两个总是因为“优先级”问题被忽略。

我的解决办法是：在判停函数shouldStop中增加一个“收尾模式”。当当前未清扫的可通行格子数小于某个阈值（比如50格）时，算法强制从当前点出发，使用BFS寻找最近的未清扫格子，逐个访问，直到全部扫完。这种“兜底补扫”策略效果很好，覆盖率从96%直接提到100%，而且代码量不大。

function finishMode(map, pos) % 使用BFS遍历未清扫格子并依次访问 % 实现代码略 end

运行截图中最内侧那一圈密集交叉的路径，就是收尾模式的功劳。不然的话，最终结果图里中心会留一个小白点，非常难看。

5.4 运行图看门道：如何从图像推断算法健康度

只看截图不能只看“好不好看”，要会从轨迹形态判断算法是否在健康运行。我总结了三看：

• 看圈距：相邻线圈的间距是否均匀。如果某处局部窄、局部宽，说明收缩逻辑在该处跳跃过大。
• 看转向密度：路径中频繁出现直角小锯齿，但整体呈环形轮廓，说明障碍物导致的局部绕行次数较多，可以考虑增大绕行宽度来提高平滑度。
• 看图谱中是否有空白长条：如果出现大片空白长条，绝大多数情况是收缩步长过大导致的漏扫，此时应减小收缩步长，而不是修改判停条件。

比如我的运行截图在凸型障碍背后就出现一条30度斜向的空白条带，我把收缩步长从30像素调到25像素后问题消失。这种调参经验不直观，必须看运行图才找得到。

6. 指标评测结果：覆盖率、重复率与转弯次数的真实数据

6.1 仿真数据汇总

把最终的运行轨迹输入评估程序，得到如下结果表（以80×60栅格地图为例，地图内有3个大小不同的凸块，无障碍物岛）：

这个结果说明什么问题？首先，空白矩形地图下内螺旋能达到100%覆盖，重复率却超过100%，也就是说约8.6%的区域被扫过两次以上。这些重复区域主要集中在螺旋线转弯处和中心收尾区域。对于家用扫地机来说，8%-20%的重复率尚可接受，但如果是商用清洁机器人，成本会增加不少。

其次，带凸块的地图重复率上升但覆盖率下降，原因在于凸块附近路径重叠增加，但仍然有部分角落因为局部凹形结构无法覆盖。我在日志里定位到漏扫区域，发现几乎都在凸块与墙之间的三角形死角，这个位置要求机器人必须贴边旋转才能进入，而我的离散模型无法模拟这种低速转弯动作。

6.2 与弓字形算法的对比实验

为了证明内螺旋的选择不是拍脑袋，我在同一地图上还写了经典的弓字形全覆盖算法作为对比。弓字形按行清扫，遇到障碍物则跳到下一行。实验数据如下：

弓字形在这个测试地图上明显更优。那为什么我还要推荐内螺旋？因为弓字形在跨越多障碍区域时，需要频繁规划“折返行”，一旦房间形状不规则，转弯次数会爆炸式增长。在我加的L形房间测试里，弓字形转弯次数从118次飙升到326次，而内螺旋只从173次涨到198次。这说明内螺旋对不规则形状的适应性更强，而弓字形对“矩形规整度”要求较高。

真实扫地机使用环境往往是客厅、卧室、厨房等不规则连通的区域，内螺旋不容易因为一个凸起的吧台就产生大量折返。这是算法选择的实际考量，不只是理论指标。

6.3 调试中发现的三个隐藏问题

1. 重复覆盖的“滚雪球”效应：在内螺旋靠近中心时，由于剩余区域狭小，机器人会在几个格子之间反复绕圈，导致重复率突然飙升。我设置了“同一格子最多进入两次”的惩罚机制，超过该格子后机器人强制跳过，虽然略降覆盖率，但能显著抑制重复率。

2. 边界噪声导致的外圈断裂：栅格地图本身没有噪声，但若用真实传感器建图，边缘会产生毛刺。一旦外圈内侧有一个假障碍，螺旋轨迹就会被截断，导致外层未扫区域被遗漏。我后来在预处理中加入形态学开运算，消除边缘毛刺。MATLAB里可以用imopen(map, strel('square', 3))。

3. 起点状态对整体覆盖率影响极大：同一个地图，起点从(2,2)改成(10,10)，覆盖率从100%降到90%。因为起点决定了第一圈的初始方向，如果起点太靠内部，算法会默认以那个内部点为“外墙”的基准，导致墙壁一圈被遗漏。建议任何内螺旋实现都把起点固定在可达区域的角落，更稳妥。

7. 从仿真到真实扫地机的距离：内螺旋算法的工程化改进

7.1 连续环境与栅格化的差异

虽然MATLAB仿真里机器人是跳格运动的，但真实扫地机要处理连续坐标，激光雷达或视觉里程计给出的位置也是连续的。把连续地图栅格化是常见做法，但栅格大小直接决定算法表现。我测试过10cm、20cm、30cm三种分辨率，结论是：栅格越小覆盖率越高、重复率也越高，计算量上升；栅格越大路径越平滑，但窄缝无法通过。

一般家用扫地机在室内，栅格建议设为机器人机身高度的1/2左右，比如机身高度20cm就用10cm栅格。这样既能分辨踢脚线边缘，也不会因为地图过大导致内存爆炸。

7.2 内螺旋的改良：多区域分解

真实户型往往被墙体分割成多个房间，这时不能用一个内螺旋覆盖全屋，否则机器人会跨越多道门，在不同房间之间反复穿梭。业界常用做法是分区再螺旋：先用栅格拓扑分析把房间分解成多个连通子区域，每个子区域内独立运行内螺旋，最后通过走廊或门口串联起来。

我在仿真里做过一个简化版分区实验：先把地图分割成两个矩形房间和一条走道，每个分区独立做内螺旋，最后用较短路径把三个分区连起来。结果整体覆盖率99.2%，重复率98.1%，明显优于单分区跑全图。这说明“分区+内螺旋”的组合才是工程实际中更可靠的方案。

但分区也有代价：如果分区不精确，有些通道会被误切，导致门廊处漏扫。我的经验是使用形态学腐蚀来分离房间窄门，腐蚀核大小要小于门宽，才能保留通道。

7.3 实时动态避障与局部规划

实际场景中不可能提前离线规划好一整条螺旋路径然后闷头执行——因为桌子、椅子、猫都有可能改变环境。更合理的架构是：大范围采用离线内螺旋规划，局部遇到动态障碍时，用速度采样局部规划器绕开，再回到原螺旋路径上继续覆盖。

我在MATLAB里模拟了这个思路，用了简单的“障碍扩展法”：在原有静态地图上预先标注动态障碍可能出现的区域，将机器人当前位置附近的可通行地图临时加上“风险圈”，内螺旋路径规划时避开风险圈，等离开风险圈后再恢复原始路径。实验表明：只要每条螺旋路径保留一定的“绕行余量”，覆盖率几乎不受动态障碍影响，但重复率会增加约10%。

如果你要在真实机器人上部署，还要考虑回充、尘盒检测、断点续扫等状态。断点续扫的实现思路就是保存当前已覆盖栅格地图，恢复时从“当前可达且未覆盖”的区域重新起一个内螺旋，效果非常好。

8. 个人体会：做这个MATLAB仿真项目最值钱的几个沉淀

这个项目从头到尾大约花了两周，白天上班晚上写代码。回头总结，最值钱的其实不是算法本身，而是我形成了一套“用运行图反推程序状态”的调试方法论。

举个例子，有一回我把收缩方向写反了，导致机器人从外圈越走越往外，轨迹不断扩张，最终跑到地图外面去。光看数值判别不出来，我直接盯着屏幕上的路径动画才发现方向颠倒。这个教训是：仿真动画永远比打印日志更快暴露逻辑错误。

另一个体会是，内螺旋算法虽然叫“螺旋”，但它不是数学上那种阿基米德螺线的方程轨迹，而是一连串离散的“直角转弯”。我们必须把它理解为“边界跟踪+内缩边界”的迭代过程。很多教材一上来就给出极坐标方程，反而把人带偏了。在栅格地图上，内螺旋天然就是正交折线，那些用三角函数画出来的螺线只适用于连续光滑环境的科研验证。

最后分享一个小技巧：判断算法是否健康运行，可以在MATLAB中实时统计“当前已清扫面积占比”，画成一条曲线。如果覆盖率曲线是平滑单调上升的，说明算法状态良好；如果曲线出现长时间的平台期，基本可以断定机器人陷入了死循环。我后来给程序加了一个监听器，一旦平台期超过200步就自动输出警告，省去了大量人工盯屏幕的时间。

如果你在做类似的扫地机器人全覆盖路径规划，我的建议是：不要一上来追求复杂算法，先把内螺旋在矩形地图上跑通，再逐步增加障碍、凹角、孤岛。每一层复杂度都对应一组意想不到的崩溃现场，而这些现场恰恰是理解机器人路径规划最好的教材。下一步我打算把这个算法移植到Python环境，换用连续坐标和更细的清扫宽度，再做一遍代价地图上的覆盖率对比，到时候再来更新对比数据。