编辑推荐：
动态窗口法（Dynamic Window Approach, DWA）通过评估候选运动轨迹实现机器人局部导航。本文提出一种改进动态窗口法（Improved Dynamic Window Approach, IDWA），对轨迹评估进行两处修改。第一，设置距离阈值
动态窗口法（Dynamic Window Approach, DWA）通过评估候选运动轨迹实现机器人局部导航。本文提出一种改进动态窗口法（Improved Dynamic Window Approach, IDWA），对轨迹评估进行两处修改。第一，设置距离阈值，在每条预测轨迹上选取近期参考状态用于航向评估。第二，增加距离评分项，将预测终点到局部目标点的距离与预测轨迹到障碍点集的最小距离相结合。A*算法提供全局路径引导，IDWA负责评估局部候选运动。仿真对比报告了测试场景中完整IDWA配置的轨迹、仿真导航时间、速度响应及平滑度。Gazebo仿真与室内物理实验进一步展示了多机器人导航系统在含障碍环境中的运行情况。
改进动态窗口法在多机器人导航中的局部路径规划研究解读
一、研究背景与问题提出
林业移动机器人在执行果实采摘等任务时，需要在不规则树木环境中导航至指定目标，同时避开树木及其他机器人。多机器人系统可协同完成此类任务，但机器人之间也互为动态障碍，碰撞避免成为多机器人编队控制与导航中的关键问题。局部避障能力因此对林业导航至关重要。
动态窗口法（Dynamic Window Approach, DWA）是代表性的局部路径规划算法，在静态与动态障碍环境中表现良好，但其存在陷入局部最优、难以跟随全局引导路径的问题。已有研究通过修改评估机制或融合全局规划来改善DWA性能，例如利用全局路径关键点作为临时局部目标调整航向评估，或引入障碍密度因子引导机器人避开密集障碍区域。然而，现有方法或改变了航向评估所用目标，或仅刻画障碍环境整体特征，尚未有研究从预测轨迹内部选取航向参考状态，并同时结合目标接近度与障碍邻近度对单条候选轨迹进行距离评分。
二、研究内容与结论
研究人员提出改进动态窗口法（IDWA），在传统DWA基础上进行两项核心修改。其一，通过距离阈值在每条预测轨迹上选取近期参考状态用于航向评估，而非使用轨迹终点状态；其二，增加目标距离评分函数（goaldist），将预测终点到局部目标点的距离与预测轨迹到障碍点集的最小距离相结合，对每条候选轨迹进行评分。完整IDWA与A全局路径引导融合，A提供全局参考路径，关键点提供局部引导，IDWA负责局部候选轨迹评估与速度指令选择。
仿真对比实验在三种静态障碍布局下比较了传统DWA与IDWA的轨迹表现，结果显示IDWA导航时间更短。在动态障碍场景中，IDWA能够局部重规划以避开新增静态障碍与移动障碍并返回规划路径。与人工势场法（APF）、蚁群优化动态窗口法（ACO-DWA）及文献[20]算法的对比表明，IDWA在仿真导航时间、速度变化范围与平滑度方面表现良好，平滑度排序为APF > IDWA > ACO-DWA > DWA。三机器人场景实验记录了编队运动中的轨迹、速度与误差响应。Gazebo仿真与室内物理实验在含油茶树障碍的环境中验证了多机器人导航系统的实际运行能力，稀疏与密集场景下的速度响应曲线显示，密集场景中机器人出现更多加速、减速与转向调整。
三、主要技术方法
研究人员采用以下关键技术方法开展研究：基于速度采样的DWA运动学模型，在速度空间内受速度极限、加速度极限与环境障碍约束下采样并预测轨迹；改进航向评估函数，通过距离阈值选取预测轨迹上的近期参考状态计算航向偏差；新增目标距离评分函数，结合终点到目标距离与轨迹到障碍点集最小距离，并设置距离下界保证倒数项有限；A*全局路径规划与关键点选取提供局部引导；ROS1导航框架下通过move_base连接全局与局部规划接口，AMCL提供地图坐标系下的位姿估计，激光观测经障碍层机制更新代价地图，基于足迹的几何碰撞检测与膨胀层设置实现安全评估。物理实验在含六棵及四棵油茶树的两个场景中进行，另一移动机器人作为匀速动态障碍。
四、研究结果
4.1 单智能体路径规划
在三种静态障碍布局下对比传统DWA与完整IDWA，IDWA在显示场景中导航时间更短。A与IDWA融合后，A生成全局路径并提供关键点引导，IDWA沿引导进行局部轨迹选择。当新增静态障碍与移动障碍引入已规划路线时，机器人能够改变局部路线并继续向目标行进。与文献[20]算法对比，IDWA的线速度变化约为0.34 m/s，角速度约为0.51 rad/s，文献对应值约为0.34 m/s和1.2 rad/s。与APF和ACO-DWA在相同仿真条件下对比，平滑度排序为APF > IDWA > ACO-DWA > DWA。
4.2 多机器人场景中的运动响应
三机器人场景记录了编队运动轨迹及线速度、角速度和位置、速度误差响应。不同初始位置的机器人在含障碍路线上运动，响应曲线记录了运动与避障过程中的速度及误差变化，共同描述了机器人在含障碍场景中的运动与调整。
4.3 Gazebo仿真与物理实验
Gazebo仿真使用三个含激光测距仪和惯性测量单元的机器人URDF模型，在含静态障碍的封闭环境中运行。物理实验测试区含六棵油茶树，相邻树中心间距固定，另一移动机器人作为匀速动态障碍，导航机器人在无障碍段以约恒定速度运动。ROS1导航设置使用Cartographer构建的预建环境地图，各设备通过USB加载本地地图副本，AMCL结合里程计运动预测与激光观测更新位姿估计。稀疏与密集两种果树密度场景中记录了三个机器人的线速度和角速度主题数据，稀疏场景包含持续近似匀速区间，密集场景显示多次加减速与转向调整。
五、讨论与结论
研究人员通过修改航向参考状态并增加结合目标距离与障碍邻近度的goaldist评分，改进了DWA算法。完整IDWA与A*全局路径引导集成。局部规划实验报告了所测配置的轨迹、仿真导航时间、速度响应与平滑度。Gazebo与物理多机器人实验记录了相应导航系统的运行情况。比较性能结论针对所报告条件下的局部规划，为林业移动机器人局部导航提供了参考。
