什么是机器人路径规划·势场法
🎓
简单来说，你可以把它想象成一个“磁铁游戏”。目标点像一块大磁铁，用引力把机器人吸过去；而障碍物则像另一块磁铁，用斥力把机器人推开。机器人就像一个小铁球，在引力和斥力的共同作用下，自己找路绕开障碍物滚向目标。你试着在模拟器里拖动一下“起点”和“目标”的位置，就能看到机器人立刻开始规划新路径了。
🙋
诶，真的吗？那如果我把“斥力系数”调得特别大，会发生什么？
🎓
在实际工程中，这就像让机器人变得“极度胆小”。如果斥力太强，机器人会远远地躲开所有障碍物，路径会变得又长又绕，甚至可能因为障碍物之间的斥力场太强，导致机器人在中间“卡住”，也就是陷入了“局部极小点”。你可以在模拟器里把“k_rep”滑块向右拉到头，然后观察机器人的轨迹变化，是不是变得小心翼翼了？
🙋
哦！那这个“局部极小点”听起来是个大麻烦，有什么办法能解决吗？
🎓
没错，这是势场法的一个经典问题。比如在狭窄的走廊里，左右墙壁的斥力和前方目标的引力可能刚好平衡，机器人就停在那里不动了。工程现场常见的解决办法是结合其他算法。你可以点击模拟器里的“RRT对比”按钮看看。RRT算法会像一棵随机生长的树去探索空间，虽然路径可能不光滑，但能保证找到出路，常和势场法配合使用。
物理模型与关键公式
机器人感受到的总势能，是目标点产生的“引力势能”与所有障碍物产生的“斥力势能”之和。机器人总是沿着势能下降最快的方向（即负梯度方向）运动。
$$U_{total}= U_{att}+ \sum U_{rep}$$
其中，$U_{total}$是总势能，$U_{att}$是引力势能，$\sum U_{rep}$是所有障碍物产生的斥力势能之和。
引力势能使机器人趋向目标，其大小与到目标点距离的平方成正比；斥力势能则使机器人远离障碍物，只在障碍物影响范围内生效。
$$
\begin{aligned}U_{att}&= \frac{1}{2}k_{att}\cdot d_{goal}^2 \\[6px]
U_{rep}&=
\begin{cases}\frac{1}{2}k_{rep}\left( \dfrac{1}{d_{obs}}- \dfrac{1}{d_0}\right)^2, & \text{if }d_{obs}< d_0 \\
0, & \text{if }d_{obs}\ge d_0
\end{cases}\end{aligned}$$
$k_{att}$：引力系数，控制吸引力强度。
$k_{rep}$：斥力系数，控制排斥力强度。
$d_{goal}$：机器人到目标点的距离。
$d_{obs}$：机器人到障碍物表面的最近距离。
$d_0$：障碍物的影响半径，在此范围内斥力才生效。
现实世界中的应用
工厂AGV/AMR运输机器人：在自动化仓库中，自主移动机器人使用势场法进行实时局部避障。当激光雷达检测到突然出现的工人或货架时，机器人能迅速计算斥力，平滑地绕行，同时保持向目标货架前进的总体趋势。
无人机集群编队与避障：多架无人机在执行编队飞行时，每架无人机都将队友视为动态障碍物产生斥力场，将目标航点视为引力源。这使得集群能保持队形的同时，灵活规避突发障碍。
汽车辅助驾驶与自动泊车：在自动泊车系统中，车辆将目标车位作为引力点，将周围车辆、柱子和墙壁作为斥力障碍物，规划出一条平滑、安全的入库轨迹，并实时调整。
机械臂关节空间规划：在机械臂控制中，将关节角度空间映射为势场，目标姿态产生引力，可能导致碰撞或超出关节限位的区域产生高斥力势垒，从而规划出安全、高效的运动轨迹。
常见误解与注意事项
首先，人们常误以为“只要增大系数就一定能提升性能”，但这种想法是危险的。例如，若将斥力系数$k_{rep}$设置得过大，障碍物周围的斥力“陡坡”会过于陡峭，导致机器人产生振动或无法通过狭窄通道。反之，若引力系数$k_{att}$过强，机器人会强行贴近障碍物边缘通过，增加碰撞风险。关键在于平衡——例如在仓库的宽阔通道中，可从$k_{att}=1.0, k_{rep}=0.5$左右开始调试；而在狭窄通道中，则需要缩小斥力影响半径$d_0$，这种基于场景的调参必不可少。
其次，“计算量轻所以实时更新很容易”也是一种误解。虽然单步计算确实轻量，但当机器人陷入局部极小值时，会持续在原地计算，进入“无限循环”状态。实际实现时必须设置最大步数限制，或为停滞状态添加随机微小扰动等安全机制。
最后，本模拟器的“点质量”模型是高度理想化的。实际机器人具有尺寸与形状。例如规划宽度60cm的运输机器人时，需将障碍物半径加上机器人半径，以“膨胀障碍物”进行考量。在模拟器中尝试放大障碍物设置，可以直观体会这一概念。