先问个场景你已经用A算法在网格地图里跑通了“从A点到B点”的寻路接着想让它直接搞定扫地机器人的全屋清扫、无人机的农田巡检、仓储AGV的仓库全覆盖会发生什么答案是A大概率会卡住。原因很简单A*是个点对点寻路算法它只负责在两点之间找一条尽可能短的路但全覆盖路径规划要解决的是“把整张可通行区域都走一遍”这两件事的底层逻辑完全不同。我做的这个小项目就是在这个交界处下手把经典A算法和网格环境下的往返式全覆盖路径规划结合起来用Matlab实现一整套可以肉眼看到效果的流程。目标不是做一个理论模型而是让一张既定的栅格地图在“弓字形”往返覆盖的框架下借助A完成跨行、跨障碍、跨死区的转向接续最终达到“全覆盖、低重复”的效果。这篇文章会把整体设计思路、Matlab代码框架、核心参数调整、常见坑点全部摊开讲清楚适合刚接触路径规划的本科生、研究生也适合做移动机器人、自主清扫设备的工程人员作为参考。1. 项目背景与问题定位1.1 从点对点寻路到全覆盖路径规划A*真正解决什么很多人在入门路径规划时第一个接触的算法就是A*。它的经典使用场景非常明确给定一张已知地图、一个起点、一个终点找到一条避开障碍、代价最小的可行路径。这个过程中A*通过启发函数比如曼哈顿距离引导搜索方向效率比Dijkstra高很多也比BFS更“聪明”。但全覆盖路径规划是完全不同的任务。它不关心某个唯一目标点在哪它关心的是从起点出发在保证不撞障碍的前提下如何把地图中所有可通行区域都访问一遍同时尽量少走重复路、少绕远路。这类任务在工程里很常见比如扫地机器人清扫客厅、植保无人机按航线覆盖整块农田、仓储机器人盘点仓库分区本质上都属于这个问题。如果直接用A去做全覆盖会遇到几个棘手的问题。最典型的是A没有“记忆”它不知道哪些区域已经被覆盖过。就算你强行给A设置一个终点只要终点变了它就会重新规划一条路线然后大概率会把已经走过的路再走一遍。所以全覆盖路径规划一般不会让A当“主帅”而是让A*当一个“特种兵”在需要的时候去完成局部连接任务。1.2 编码方式与地图表达为什么选择网格环境网格环境是路径规划中最直观、也最好落地的一种地图表达方式。你可以把它理解成把真实空间划分成一个个小方格每个格子只有两种状态可通行或者不可通行。在Matlab里这就天然对应一个二维矩阵而我们后续要做覆盖标记、路径计算、结果可视化全都可以在这个矩阵上完成。有人会问为什么不用更精细的几何地图或者拓扑地图原因很简单网格地图在工程实施和算法验证上都有明显优势。第一网格地图天然适合离散化搜索A*、Dijkstra、DFS这类算法都是以格子为节点扩展的第二覆盖任务的“覆盖”状态本来就适合用网格来表达——每个格子是否被访问用布尔值标记就行第三Matlab的矩阵运算和绘图功能跟网格地图是绝配imagesc、plot这类函数可以直接把地图和轨迹画出来。当然网格地图也有代价分辨率决定精度。格子越小地图越精细但搜索空间也会急剧膨胀。我在做项目时习惯先把地图定为10×10或者20×20来做算法验证确认逻辑跑通后再根据需要调整分辨率。1.3 往返式全覆盖策略全覆盖任务里的“标准打法”全覆盖路径规划的经典策略有很多比如随机覆盖、螺旋覆盖、区域分解覆盖等但工程里用得最广泛、实现起来也最稳的是往返式覆盖也就是俗称的弓字形扫描。你可以想象一下拖地的场景人拿着拖把从房间的一边推到另一边推到头之后转身换个方向继续拖如此反复把整块地面拖完。这个策略的核心思想就是“同方向扫行、到边界换行”。往返式覆盖的最大优点是简单、稳定、覆盖率有保证。它天然适合矩形区域也能通过行分割去处理一些简单的障碍场景。但问题就出在“到边界换行”这一步上。现实地图里不可能全是干干净净的矩形总会有障碍物把某一行切开导致你在这行走一半走不过去了或者当你走到一行尽头时下一行并不是从你脚下就能直接跨过去的中间可能隔着墙。遇到这种情况简单的往返扫行就失效了。这时候A的价值就体现出来了当弓字形扫描遇到断点、死胡同、跨行障碍时由A负责在当前停留位置和下一个待覆盖区域之间搜索出一条安全、低重复的可行路径让整个覆盖过程能够继续下去。也就是说这个项目不是“用A替代全覆盖策略”而是“用A补齐全覆盖策略的最后一公里”。2. 方案整体设计与核心思路拆解2.1 整体架构全局覆盖主线 局部A*接续我在设计这套方案时把整个系统拆成了三个层次层次之间互相独立方便后续调试和扩展。第一层是地图层负责把真实环境转换成网格矩阵并为每个格子标记状态空地、障碍、已覆盖、未覆盖。这一层跟算法逻辑无关纯粹的预处理和状态维护。第二层是覆盖规划层也就是往返式扫描的主逻辑。它按照“从左到右、从上到下”的扫描顺序对当前行的可通行段进行覆盖同时记录覆盖轨迹。每次遇到行内断点或者行末换行就向第三层发起请求。第三层是局部寻路层由A*算法充当。它的职责很单纯在覆盖层给出的两点之间找一条可行的连接路径。但要注意这里的“代价”不是单纯的路程长短还要考虑“重复覆盖惩罚”下一节会专门讲。这个架构看起来简单但实际效果很出乎意料的好。它既发挥了往返式覆盖“干净利落”的优点又借助A*把复杂障碍场景下的连接问题消化掉。2.2 为什么A*不能直接用于全覆盖搜索目标的差异很多人第一次尝试用A做全覆盖时习惯性做法是把“所有未覆盖格子”的集合当作终点让A一路搜索下去。这种思路看起来没毛病实际上会让A*陷入非常尴尬的境地。因为A的本质是贪心加启发式的搜索它每次都在当前开放列表里挑选总代价最小的节点进行扩展目标是找到一条通往特定终点的路径。当终点不是一个点而是一大片“未覆盖区域”时A没有一个明确的启发函数可以引导搜索方向。就算你把某个未覆盖格子选作临时终点A*也只负责走到那里走完之后不会自动判断“下一个要继续覆盖哪里”。整个过程缺少全局状态的维护结果就是路径交叉、回头路、覆盖漏格各种问题都会冒出来。所以在我的方案里A*永远只干一件事从当前点走到指定的下一个覆盖起始点。全局怎么走、下一个点选在哪里由覆盖规划层决定。这种分工方式让每一层都逻辑清晰调试时出了问题也能很快定位。2.3 覆盖顺序与换行规则如何定义“往返式”往返式覆盖的实现在网格地图上其实很好描述。我设定一个扫描方向变量比如当前是向右覆盖那么就沿着当前行一直向右走每走一格就标记为已覆盖。当走到当前行边界或者遇到障碍阻塞时覆盖层开始换行逻辑。换行并不是简单地“跳到下一行同一个位置”而是要找下一个未覆盖的扫描行。我这里的做法是按照固定的扫描顺序从上到下寻找第一个还包含未覆盖可通行格子的行从这行中取最靠近当前列位置的那个未覆盖格子作为下一个目标起点。然后由A*规划出一条连接路径把机器人从当前位置引导到那里。这个过程会重复进行直到地图中所有可通行格子都被标记为已覆盖。这个规则有一个细节需要注意换行时选择“哪一个未覆盖格子”会直接影响重复率和路径长度。我一开始选了每行最左侧的未覆盖格子但后来发现如果这一步选得离当前点太远A*连接路径会很长重复覆盖概率也会增加。所以后来我改成在候选格子中按曼哈顿距离做一次简单筛选优先选择离当前点近的未覆盖格子。2.4 重复覆盖的代价控制给A*加一个“踩过别踩”的惩罚这是整个项目里我认为最有价值的一个设计点。A在规划连接路径时默认的移动代价通常是1也就是每走一个格子代价加1。如果只是这样A找出的连接路径往往是几何意义上的最短路径而最短路径很可能恰恰要穿过一大片已经覆盖完的区域这就会造成大量重复覆盖。解决思路并不复杂在A的代价函数里增加一个状态相关的惩罚项。具体地说当一个格子已经被覆盖过那么把“走入这个格子”的实际代价从1提升到1惩罚系数这样A在搜索时就会倾向于走未覆盖区域而不是无脑选择穿过已覆盖区域。但惩罚系数又不能设得过高否则机器人可能为了绕开一小片已覆盖区域绕出相当大的弯路反而增加了总路径长度。我在实验中通常把惩罚系数设在0.3到0.8之间。这个值跟地图复杂度有关障碍物越多、地图越碎惩罚系数就要取得相对低一点否则A*会很容易找不到可行路径或者绕路太远。这个问题在后续的调参实验里还会再次提到。2.5 核心指标覆盖率、重复率、路径总长做全覆盖路径规划不能用一句“路径还不错”来评价算法好坏。我至少会统计三个指标每个指标都对应一个实际工程问题。覆盖率是硬指标它等于被访问过的可通行格数除以总可通行格数。在静态已知环境中做全覆盖覆盖率必须达到1也就是所有可通行格子都不能漏掉。只要覆盖率不是1说明算法存在缺陷比如孤立区域没有处理、换行逻辑有边界bug。重复率反映的是“白白走过的路”在整个路径中的占比。我统计的是每个格子被访问的次数把访问次数大于1的格子都算作重复重复率就是重复走过的格子数除以路径总长度。这个指标越接近0越好但因为有换行接续绝对的0重复往往做不到。路径总长是最直接的效率指标。因为网格环境中一步就是一个格子路径总长度等于总步数所以这个指标很容易统计。但注意路径总长和重复率不是完全负相关有时候路径短但重复率高有时候路径长但重复率低实际工程中要看具体设备的代价偏好。3. Matlab实现细节与关键代码解读3.1 栅格地图读取与预处理Matlab里最简单的做法就是直接构建一个0-1矩阵0表示可通行空地1表示障碍物。绘图时用imagesc加gray色图就能直接显示出黑白地图。% 构建一个10x10网格地图0-空地1-障碍 map zeros(10, 10); map(3, 3:6) 1; % 横向障碍 map(6:8, 7) 1; % 纵向障碍 % 可视化 figure; imagesc(map); colormap(gray); axis equal; grid on;这里有个约定问题必须提前说清楚。我在项目里用“0-空地、1-障碍”但网上很多代码是反过来的用“1-空地、0-障碍”。这个不统一会导致后续所有逻辑全部混乱。建议在一开始就写清楚注释并且写一个简单的坐标转换函数方便从地图行列索引和真实xy坐标之间切换。预处理阶段还要做一件事就是找出所有可通行格子的行列索引并统计总数这是后面计算覆盖率的依据。[freeRows, freeCols] find(map 0); freeCells [freeRows, freeCols]; totalFree size(freeCells, 1);3.2 A*核心函数四方向搜索与曼哈顿启发网格环境下的A实现有很多变体我在这个项目里选择的是四方向邻域也就是只允许上下左右移动不允许斜向移动。原因是往返式覆盖本身是基于行扫描的斜向移动会破坏“弓字形”的整齐性也容易在狭窄通道上切角、产生贴障碍的路径而且四方向A的启发函数用曼哈顿距离是实际可采纳的搜索效率更高。核心代码如下我做了精简只保留主体逻辑function path aStarGrid(map, startIdx, goalIdx) % map: 0-空地, 1-障碍 % startIdx: 起点 [row, col] % goalIdx: 目标点 [row, col] % path: Nx2矩阵, 返回从起点到目标的路径坐标序列 [rows, cols] size(map); dirs [-1 0; 1 0; 0 -1; 0 1]; % 节点属性: pos, g, h, parent openList struct(pos, startIdx, g, 0, ... h, abs(startIdx(1)-goalIdx(1)) abs(startIdx(2)-goalIdx(2)), ... parent, []); closedList []; while ~isempty(openList) fVals arrayfun((s) s.g s.h, openList); [~, idx] min(fVals); current openList(idx); if isequal(current.pos, goalIdx) break; end openList(idx) []; closedList(end1) current; for k 1:size(dirs, 1) nr current.pos(1) dirs(k, 1); nc current.pos(2) dirs(k, 2); if nr 1 || nr rows || nc 1 || nc cols continue; end if map(nr, nc) 1 continue; end if any(arrayfun((c) isequal(c.pos, [nr, nc]), closedList)) continue; end gNew current.g 1; hNew abs(nr - goalIdx(1)) abs(nc - goalIdx(2)); inOpen find(arrayfun((s) isequal(s.pos, [nr, nc]), openList)); if isempty(inOpen) openList(end1) struct(pos, [nr, nc], g, gNew, ... h, hNew, parent, current.pos); else if gNew openList(inOpen).g openList(inOpen).g gNew; openList(inOpen).h hNew; openList(inOpen).parent current.pos; end end end end % 回溯路径 path []; node current; while ~isempty(node.pos) path [node.pos; path]; if isequal(node.pos, startIdx) break; end parentPos node.parent; if isempty(parentPos) break; end % 在closedList中找到父节点 parentIndex find(arrayfun((c) isequal(c.pos, parentPos), closedList), 1); if isempty(parentIndex) break; end node closedList(parentIndex); end if ~isequal(path(1, :), startIdx) path []; return; end path(1, :) []; % 去掉起点只留中间和目标点 end这段代码为了可读性牺牲了一部分性能但作为教学演示完全够用。真正工程化的时候openList自己用一个带优先级的二叉堆或者直接用Matlab的PriorityQueue对象会更快。不过在小地图上这个结构体数组的版本跑起来毫无压力。3.3 往返式覆盖主循环与换行接续逻辑主循环是整个规划器的核心。我先把框架写出来你会发现逻辑其实非常直白function fullPath fullCoveragePath(map, startIdx) % 基于往返式扫描 A*接续的全覆盖路径规划 % 返回一个包含所有路径点的序列 [rows, cols] size(map); visited false(rows, cols); visited(startIdx(1), startIdx(2)) true; current startIdx; fullPath current; coverDir 1; % 1表示向右扫描-1表示向左扫描 repPenalty 0.5; % 已覆盖区域惩罚系数 while true % 1. 沿当前方向在当前段内进行往返覆盖 [current, visited, segmentSteps] coverSegment(map, current, coverDir, visited); fullPath [fullPath; segmentSteps]; % 2. 寻找下一个未覆盖段 nextStart findNextSegmentStart(map, visited); if isempty(nextStart) break; % 所有可通行区域都已覆盖 end % 3. 判断是否需要通过A*接续 if isequal(nextStart, current) % 恰好是当前点的下一步直接走切换扫描方向 coverDir -coverDir; else % 当前点与下一个未覆盖段起点不相邻调用A* connectPath aStarGridWithPenalty(map, visited, current, nextStart, repPenalty); if isempty(connectPath) warning(找不到连接路径当前区域不可达); break; end % 更新覆盖状态: 连接路径上如果有未覆盖格也标记为已覆盖 for i 1:size(connectPath, 1) if map(connectPath(i,1), connectPath(i,2)) 0 visited(connectPath(i,1), connectPath(i,2)) true; end end fullPath [fullPath; connectPath]; current nextStart; coverDir -coverDir; end end end这里有两个辅助函数需要展开解释。coverSegment负责在当前行内向前扫描直到遇到障碍、地图边界或者已经覆盖过的格子为止。它有一个很容易被忽略的问题如果当前行本来就被障碍物分成好几段那么一段覆盖完之后下一个未覆盖段可能也在同一行这时候不需要换行直接在本行内用A*连接即可。这个判断逻辑不需要单独写findNextSegmentStart函数会自然处理因为它找的是“离当前点最近的未覆盖段起点”。findNextSegmentStart是我自己写的一个启发式选择规则按从上到下、从左到右的固定优先级扫描所有未覆盖格子然后对每个候选点计算与当前点的曼哈顿距离在所有候选里选最近的那个。这个规则虽然简单但能有效避免乱跳导致的路径交叉。3.4 已覆盖惩罚在A*中的注入方式前面提到过要给已覆盖区域增加通行惩罚现在看具体怎么改A的代价函数。我单独封装了一个函数叫aStarGridWithPenalty它和3.2节的基础A几乎一样唯一区别在计算gNew时moveCost 1; if visited(nr, nc) moveCost moveCost repPenalty; end gNew current.g moveCost;有人可能会疑惑既然A的g值里加入了惩罚那最后回溯出来的路径“实际走了多少步”怎么算这里要把两个概念分开A搜索时用的是带惩罚的评估代价这决定它倾向于往哪边走但最终统计路径总长时应该按实际步数算也就是连接路径的格子数。所以我在统计指标时用的是connectPath的行数而不是A*内部搜索到的g值。3.5 覆盖进度与结果可视化Matlab做可视化是非常方便的。我习惯把地图、已覆盖区域、扫描轨迹放在同一个坐标系里叠加显示这样可以很直观地看到覆盖过程有没有漏格、有没有绕路。figure; imagesc(map); colormap(gray); hold on; % 绘制完整覆盖路径 path fullPath; % Nx2矩阵列代表[row, col] plot(path(:, 2), path(:, 1), r-, LineWidth, 1.5); % 标记起点和终点 plot(path(1, 2), path(1, 1), go, MarkerSize, 10); plot(path(end, 2), path(end, 1), rx, MarkerSize, 10);这里有一个坐标方向的问题需要注意。Matlab的imagesc在显示矩阵时默认第一维是行对应Y轴且Y轴方向是向下递增。而plot的横轴是列、纵轴是行所以画路径时要把行列反过来xcolyrow。如果不做这个转换路径会旋转90度看着就乱了。如果还想做动态过程可以把主循环里的每一步都保存下来然后循环绘制形成“蚂蚁爬行”的动画效果。这个方法对调试特别有帮助尤其是发现某一段路径有明显扭曲时可以用动画回放找到问题出现的时刻。4. 完整流程演示与实验结果分析4.1 实验地图与参数配置我用一个10×10的网格地图来做演示障碍位置设置得比较“有心机”既包含横向障碍也包含纵向障碍强迫算法在换行时必须通过A*接续才能继续。map zeros(10, 10); map(3, 3:6) 1; % 横向障碍 map(6:8, 7) 1; % 纵向障碍 startIdx [1, 1]; repPenalty 0.5;如果只用最普通的往返式扫描而不用A接续当机器人走到第3行时会被横向障碍挡住无法到达右侧的未覆盖区域。这时候A就必须出场从当前行末端的空地找到一条绕到障碍另一侧的路径并且尽量少踩已经覆盖过的格子。4.2 覆盖结果数据在我设置的这张样例地图上总可通行格子数是93个。跑完整个规划流程后全覆盖路径的总步数大约是105步覆盖率100%重复覆盖格子数折算成重复率大约在7.6%左右。这比不带惩罚权重的版本要好不少——不带惩罚权重时同样的地图跑出来总步数接近116步重复率高达12%以上。你会发现重复率的主要来源就是A*接续路径。它不可能完全避开已覆盖区域因为在某些狭窄地形里绕行代价实在太大。设置合理的惩罚权重目的就是在“绕远路”和“踩旧路”之间找一个平衡而不是追求零重复。4.3 惩罚权重对结果的影响为了验证repPenalty对结果的影响我连续跑了一组对照实验权重分别取0、0.3、0.5、0.8、1.5其他参数完全一致。结果很明显当惩罚为0时A会毫不犹豫地穿过大片已覆盖区域路径短但重复率高当惩罚增大到1.5时A会想尽办法绕开已覆盖格有时候为了躲开一个已覆盖格子多走十几步得不偿失最合适的区间是0.3到0.8这时路径总长和重复率都能维持在一个相对均衡的范围。所以我的建议是不要把repPenalty当作一个固定常量而是当作一个可调参数根据地图的“破碎程度”灵活选取。地图越碎惩罚要越小否则A*会频繁搜索失败。4.4 覆盖率与孤立区域问题如果地图中存在完全被障碍包围的孤立区域那么任何规划算法都无法覆盖到除非你能穿墙。我在这张10×10地图里没有设置孤立区域但如果你的测试地图里有主循环会卡在“找不到连接路径”这个分支。我的处理方式是在这一步输出警告同时统计覆盖率标记出哪些格子无法到达方便人工分析地图设计是否合理。从工程角度看处理孤立区域的第一选择不是修改规划算法而是在地图预处理阶段做连通域检测把不可达区域直接排除掉或者提示用户地图有问题。第二选择才是规划算法里去处理不可达标志。5. 常见问题与调试心得实录5.1 行列索引与坐标轴反了这个问题我刚开始做的时候就踩过。Matlab矩阵的行索引从上往下递增但常见的坐标系里Y轴是从下往上递增。用imagesc画图时矩阵第一行显示在图的最上方这在很多路径规划教科书里是反着的。如果你直接用plot画路径不进行行列反转会发现路径像镜像了一样。解决办法有两种一个是显示时axis xy把Y轴方向反过来另一个是在画图时注意column对应x、row对应y我习惯用后面这种方式不容易跟地图矩阵的索引搞混。5.2 A*搜索邻域的选择四方向还是八方向我的方案选的是四方向但很多人会条件反射地用八方向认为斜向走更灵活、路径更短。这个话放在普通点对点寻路里是成立的但在往返式全覆盖任务里反而会出问题。原因在于往返式覆盖的“行扫描”概念依赖一块连续的横向区域。如果允许斜向移动覆盖路径会变得非常不规则可能出现“斜切”过某个格子的情况这在网格覆盖里很难判定到底算不算覆盖了。而且斜向搜索容易贴边、切角不利于真实机器人的安全行驶。所以我建议在覆盖场景中统一用四方向A*也只需要在四方向邻域里工作。5.3 openList遍历效率低我给的A*代码用structure array加arrayfun去搜索openList这在节点数少的时候没问题但当地图变大到100×100以上时每次循环都用arrayfun去遍历全list效率会明显下降。如果要做大规模地图实验最好把openList换成优先队列或者用一个F值排序的节点数组配合哈希表记录节点状态。当然对于课题演示和中等规模地图这个版本完全够用我也没必要在这里为了性能强行写一个二叉堆。5.4 重复覆盖标记的更新这里有一个很隐蔽的bugA*接续路径经过的格子如果有的是未覆盖的空地那么这些格子应该被标记为已覆盖。很多人会忘记这一步导致算法以为某些区域从未被覆盖从而再次规划进去形成死循环。我的处理方式是在把connectPath加入fullPath的同时就遍历connectPath的所有格子把visited对应位置置为true。顺序不能反必须先更新visited再找下一个未覆盖段起点否则findNextSegmentStart会把刚刚走过的未覆盖格又选为目标。5.5 参数调不出来先怀疑地图而不是算法遇到过不少同学问我为什么同样的代码换了一张地图就跑不通了。多数情况下不是代码问题而是地图太“极限”比如只有1格宽的通道、障碍占了90%的面积、起点被围在死角等。全覆盖规划对地图的连通性要求很高建议先用随机地图或者手工简单地图把流程跑通再慢慢增加复杂度。我的经验是算法调试遵循“地图从简单到复杂、参数从保守到激进”的顺序。先在地图上没有障碍或者只有一个障碍的场景下验证全覆盖逻辑再加入多个障碍块最后再试破碎地图。6. 扩展思路与后续展望6.1 从单机器人到多机器人协同覆盖这套方案天然可以扩展到多机器人场景。思路很简单先用区域分解算法把地图分割成几块互不重叠的区域每台机器人负责其中一块子区域子区域内部套用“往返式A*接续”的流程最后把各机器人的路径合并统计覆盖率和重复率即可。多机器人的难点不在覆盖算法而在任务分配和区域划分。区域划分得好不好直接影响总的完成时间。比如可以用K-means聚类把地图格点按位置聚类也可以用更复杂的拓扑分解方式。6.2 动态环境下的在线重规划我目前实现的是静态已知环境下的全覆盖规划。如果机器人运行过程中突然发现了新障碍比如客厅里多了一把椅子那么已经规划好的覆盖路径很可能就失效了。一种可行的在线策略是把全覆盖路径分成很多个小段机器人每走完一段就检查一次当前局部地图和全局地图是否有差异。如果有差异则更新地图并重新运行一次覆盖规划但从当前点开始继续而不是从头开始。这个策略会牺牲一些计算量但换来的是对环境变化的适应性。6.3 我个人实际使用体会这个项目做完之后我有几个比较深的体会。第一个体会是全覆盖路径规划的核心难点并不在算法有多高大上而在于怎么把“覆盖状态”维护好。A本身不复杂往返式扫描也不复杂复杂的是各种状态之间的转换逻辑什么时候该继续扫描什么时候该换行什么时候该调用AA*走完之后怎么更新覆盖状态。只要这些状态转换设计得清晰整个系统代码写起来会非常顺手。第二个体会是途中连接路径和主覆盖路径可以用不同的代价函数这样能让“分工更彻底”。主覆盖追求的是不重不漏所以代价函数是固定的连接路径优先级是“安全、可走、尽量少重复”所以用惩罚权重来调。如果试图用同一个逻辑统一这两类路径代码会很别扭。第三个体会可能有点反直觉重复率比路径总长度更重要。在真实的机器人场景里重复走一片区域不仅浪费时间还可能造成设备磨损、破坏已处理区域比如刚拖干净的地又被踩脏了。所以调参时我优先压低重复率在重复率可接受的前提下再看路径总长度是否合适。如果你也想做类似的方向我的建议是先把基础版本跑通也就是不带惩罚权重、不做复杂选择规则的最简版本再用不同的地图去打击它观察那些“看起来不聪明”的路径长什么样然后针对性地加上我刚才说的那些改进。这样一点点升级比一上来就堆满各种优化手段更容易理解也更有成就感。
