工廠爆燃場景中救援機器人導航路徑規劃研究

摘要：為了提升救援機器人在工廠爆燃場景中的導航穩定性與風險適應能力，構建融合改進A*與動態窗口法（DWA）的混合路徑規劃算法框架，分析爆燃環境下多源動態風險特征，設計感知建圖、全局路徑生成與局部避障協同機制，并在ROS仿真平臺中開展性能評估。結果表明，該方法在路徑長度、避障安全性與任務完成率等指標上優于傳統單一策略，具備良好的實時響應性與災害環境適應性。

關鍵詞：救援機器人；爆燃場景；路徑規劃；動態避障

中圖分類號：TP242.3" " " 文獻標識碼：A" " " "文章編號：2096-1227（2025）10-0018-03

0 引言

工廠爆燃事故具有突發性強、危害性大的特點，對救援安全與效率構成嚴重挑戰。面對復雜多變的作業空間，具備自主導航能力的救援機器人逐漸成為提升應急響應效率與保障人員安全的關鍵技術載體。路徑規劃作為其核心環節，對環境建模精度、動態避障能力及實時性提出了更高要求，亟須面向災難特征的算法體系予以突破。

1 工廠爆燃場景特點分析

工廠爆燃事故具有顯著的動態突變性、環境極端復雜性與路徑規劃高約束性特點。動態突變性表現為事故突發且災情演進迅速，常伴隨二次爆炸或結構坍塌，導致障礙物分布與空間拓撲高度不確定，使靜態環境地圖迅速失效，要求路徑規劃系統具備在線感知與實時重規劃能力[1]。環境極端復雜性體現在爆燃后形成非結構化災害現場，不僅存在物理廢墟障礙，更彌漫著高溫熱輻射、有毒煙塵等多源風險場，嚴重干擾機器人傳感器正常工作，對環境建模與風險感知的準確性構成挑戰。這些特點共同形成了路徑規劃的高約束性，即算法需在嚴格的時間窗口內，同步解決地形突變規避、動態障礙物回避以及高風險區域最小化穿越等多目標優化問題，傳統適用于靜態或結構化環境的規劃策略難以直接應用，亟須發展能夠融合動態風險建模與實時避障決策的智能規劃方法。

2 混合路徑規劃算法設計

2.1" 算法整體框架

機器人路徑規劃是指在給定起點和目標點的情況下，機器人通過某種方法在分布有障礙物的環境地圖中自主搜索出從起點到目標點的無碰路徑。算法整體框架圍繞“全局可達性+局部機動性”的分層協同展開：感知融合層將激光雷達、熱紅外與煙塵濃度等數據經時空配準，構建占據柵格O（x，y）與風險代價圖R（x，y），并以滑動窗口在線更新[2]；規劃決策層同時維持改進A*生成的風險感知全局路徑πg與DWA采樣得到的可執行局部軌跡πl，二者通過協調器在風險梯度、路徑偏離和任務優先級約束下進行權重調度與重規劃觸發；控制執行層依據選優軌跡下發速度與姿態指令，實現對高溫遮擋、次生坍塌等不確定性的實時響應[3]。為統一評估與決策，系統在每個控制周期最小化目標函數：

λg，λl，λr∈[0，1]且自適應于風險密度ρ與‖R‖。其中，‖R‖表示當前位置的風險梯度模值；當其超過設定閾值γthr時，系統將認為環境風險發生劇烈變化，需立即觸發路徑重規劃。若機器人實際執行軌跡與全局路徑的偏離量δ超過設定閾值δthr=0.8m，或環境風險變化率κ超過設定閾值κthr=0.6，亦觸發全局路徑刷新機制，以應對可能發生的遮擋、熱源干擾或結構坍塌等突發風險。

2.2" 基于改進A*算法的全局路徑規劃

在全局路徑規劃模塊中，傳統A*算法在靜態環境下具備良好尋優能力，但面對爆燃場景中的動態高風險區域與空間突變，其啟發函數單一、對災害區域回避能力弱的問題暴露明顯[4]。為此，本文設計了一種風險感知改進A*算法，核心在于引入熱力風險場梯度項R（x，y）與可通行性權重ω（x，y）共同修正代價函數，實現路徑對高溫、坍塌等高危區域的主動規避。改進后的評估函數f（n）形式如下：

f（n）=g（n）+h（n）+λr·R（n）+λ·‖R（n）‖ （2）

式中：f（n）——當前節點的綜合代價值；

g（n）——起點至當前節點的代價；

h（n）——啟發函數；

R（n）——節點處風險強度；

‖R（n）‖——風險梯度；

λr，λ——自適應調節系數，用于提升算法對風險邊界的敏感性[5]。

2.3" 基于DWA的局部實時避障

針對全局路徑無法精確應對高動態環境下的障礙物突發特性，本文在局部路徑層引入基于DWA的實時避障策略，以速度空間建模為核心設計理念，實現對移動障礙、煙塵遮蔽和視距突變的快速響應[6]。具體設計中，首先基于機器人當前速度與加減速限制，構建瞬時速度采樣窗口Vd，并在每一控制周期內對候選軌跡集執行目標函數優化：

F（v，ω）=α·heading（v，ω）+β·clearance（v，ω）+γ·velocity（v，ω）（3）

式中：F（v，ω）——目標函數得分值；

heading——與目標方向的偏差度；

clearance——評估最小避障距離；

velocity——衡量行進效率；

α，β，γ——動態權重因子，可隨局部風險場R（x，y）調整。

在設計上，DWA模塊同步接收全局路徑πg與本地感知數據流，并結合速度約束模型，進行軌跡動態評估與選擇。

2.4" 全局與局部規劃的協同機制

基于任務約束驅動與風險梯度反饋的全局-局部規劃協同機制核心在于建立統一路徑意圖表達模型π（t）[7]，通過引入全局路徑πg與局部軌跡πl的協同勢函數Ψ：

Ψ（πl，πg）=λg·D（πl，πg）+λr·R（πl） （4）

式中：D（·）——軌跡偏離距離；

R（·）——路徑段的累積風險暴露度；

R（πl）——局部路徑段的風險暴露量；

λg，λr——動態調整系數，隨時間和場景風險密度ρ（x，y，t）實時更新。

機制中設置兩級觸發判斷策略，當路徑偏離δ＞δthr或環境梯度‖R‖gt;γthr時，立即由調度模塊觸發全局重規劃，并對局部目標區域施加風險抑制權重，避免路徑反復切換或震蕩（圖1）[8]。控制層通過共享路徑意圖與速度曲線，將局部DWA輸出與全局任務需求映射至一致的軌跡坐標系中。

3 仿真實驗與結果分析

3.1" 實驗平臺與參數設置

為驗證所提出的混合路徑規劃算法在高動態災害場景中的可實施性與系統適應能力，本文在ROSNoetic環境下基于Gazebo11搭建仿真實驗平臺，并構建具備熱輻射、煙塵遮擋與結構坍塌建模功能的多源動態風險場。仿真地圖基于工業廠區CAD模型簡化生成，嵌入風險密度圖ρ（x，y，t）及其梯度ρ，動態更新頻率設為5Hz，以模擬爆燃場景下災害區域的擴散性與突變性。機器人采用差速輪式移動底盤，加載激光雷達（270°視角，0.5°分辨率）、紅外溫度陣列與煙塵濃度傳感器，同時融合IMU與深度相機用于運動估計與遮擋判斷。路徑規劃模塊部署改進A*與DWA算法，其中DWA采樣周期設為100ms，全局路徑重規劃閾值δthr=0.8，風險突變響應閾值κthr=0.6。控制指令采用速度-曲率雙通道模型下發，所有模塊運行于Inteli7-11700CPU與16GB內存平臺，確保系統仿真具有實時性與穩定性。

3.2" 結果分析與討論

相較于傳統A*與單獨DWA策略，融合改進A*與DWA的混合方案在多次仿真實驗中平均路徑長度縮短12.7%，路徑轉向次數降低18.4%，全局重規劃觸發頻率控制在每60s以內，展現出更優的路徑穩定性與規劃連續性。尤其在熱源與煙塵密集區域，DWA局部策略對軌跡曲率的抑制作用明顯。根據表1中避障距離與風險穿越率統計，混合算法最小避障距離維持在0.23m以上，且高風險區域穿越率低于5.6%，說明系統在動態環境下具備較強的風險規避能力。此外，任務完成率始終保持在96%以上，局部失敗恢復時間控制在2.3s以內，驗證了路徑協同機制在復雜場景中對突發環境變化的快速響應性。系統整體運行延遲低于150ms，未出現控制解耦或指令失步問題。結合上述分析可得，混合算法在爆燃災害環境下的導航性能優于傳統方法，具備工程實用性與擴展潛力。

4 結束語

混合路徑規劃策略在災害場景中的應用有效提升了機器人在高動態復雜環境下的導航魯棒性與任務完成率，驗證了改進A*與DWA協同機制在風險規避與路徑穩定性方面的綜合優勢。受限于仿真環境對真實物理場景建模的簡化程度，部分極端條件下的應急響應能力尚待進一步實證驗證。后續工作可圍繞多機器人協同救援、三維空間建圖及異構傳感融合等方向拓展，以增強系統在實際災害環境中的適應性與工程部署能力。

參考文獻

[1]邵小強，劉明乾，馬博，等.基于阻塞柵格地圖的煤礦救援機器人路徑規劃[J].煤炭科學技術，2025，53（7）：249-261.

[2]任啟隆，徐媛媛，瞿良瑋，等.基于粒子濾波算法的救援機器人路徑規劃研究[J].新疆農機化，2025（3）：49-52+57.

[3]凌新宇，張立臣，黃洪斌.基于改進Lego Loam算法的移動機器人路徑規劃及導航研究[J].榆林學院學報，2025，35（2）：101-105.

[4]陳康康，陳晨.基于導航變量的多目標粒子群優化算法的移動機器人路徑規劃[J].農業裝備與車輛工程，2025，63（5）：132-135.

[5]沈躍，孫浩，沈亞運，等.基于改進A*算法的水空兩棲機器人多目標路徑規劃[J].農業工程學報，2025，41（6）：62-70.

[6]袁杰，張迎港，加爾肯別克，等.基于AFD融合算法的運輸機器人路徑規劃方法[J].農業機械學報，2025，56（6）：594-607.

[7]孫志強，唐森洋，羅興發，等.農業巡檢機器人路徑規劃研究應用現狀[J].農業裝備與車輛工程，2025，63（1）：18-24.

[8]謝檬，趙尤浩，徐軒，等.環境監測及清潔路徑規劃機器人控制系統研究[J].傳感技術學報，2025，38（3）：562-570.