随着电子信息技术的发展,移动机器人在工业制造、医疗教育、物流运输、自动驾驶、抗灾救援等多个领域中得到广泛应用。而路径规划作为移动机器人领域中重要的研究方向,影响着移动机器人自主导航的性能。许多传统路径规划算法均存在路径不够平滑的缺陷,导致在实际应用中规划效果不够理想。Hybrid A~*算法由于考虑了移动机器人的最小转弯半径约束,在路径规划时可以对路径曲率进行约束,因此由Hybrid A~*算法得到的路径更适合移动机器人在实际中运行。本文针对移动机器人的最小转弯半径约束,提出了带有曲率约束的路径规划问题,并对该问题进行数学建模。本文首先研究了Hybrid A~*算法,从节点属性、节点扩展方式、启发函数和算法流程图四个方面进行了详细的原理阐述。虽然Hybrid A~*算法可以规划得到满足曲率约束的路径,但是所得到的路径依旧存在两点缺陷。一是路径与障碍物距离过近,可能导致移动机器人与障碍物发生碰撞;二是路径转向状态变化大,产生突变的规划速度,而一般的驱动控制模块都难以跟踪突变的路径和速度,从而导致实际规划偏离规划路径。针对上述Hybrid A~*算法存在的缺陷,本文进行了以下改进:(1)针对路径与障碍物距离过近的缺陷,本文提出了一个分段式距离惩罚因子c_d。该因子模型将地图分为碰撞发生区、碰撞风险区和无碰撞风险区,并根据应用需求在不同区域内对距离惩罚因子建立不同的模型。另外,模型中设置了放大系数k_d和风险分布系数a,分别用来调整距离惩罚因子的整体幅值和分布情况。最后通过将距离惩罚因子c_d叠加在路径代价函数g(n)上,以此来降低与障碍物距离较近的节点的优先级,从而最终使路径远离障碍物。(2)针对路径转向状态变化程度大的缺陷,本文提出了一个转向惩罚因子_tc模型。该模型首先需要在节点属性中加入转向标志t_i,然后通过子节点和父节点之间的转向标志差值的绝对值(35)t_i来表征路径转向状态变化的程度。另外,模型中设置了放大系数k_t,用来调整转向惩罚因子的整体幅值。最后通过将转向惩罚因子_tc叠加在路径代价函数g(n)上,使路径的转向状态变化减少,从而最终降低对驱动控制模块的性能要求。此外,本文利用大量仿真与移动机器人平台实验验证了改进的Hybrid A~*算法的有效性。