自动引导车（Automated Guided Vehicle, AGV）作为智能仓储与柔性制造系统中的核心物流载体，其路径规划能力直接影响整体系统的运行效率与安全性。针对传统A*算法在全局路径规划中存在搜索节点冗余、转折角度过大、路径不平滑等问题，以及动态窗口法（Dynamic Window Approach, DWA）缺乏全局引导易陷入局部最优的不足，本文提出一种改进A*算法与DWA深度融合的双层路径规划方案。在全局规划层，引入动态加权启发函数、跳点搜索（JPS）剪枝策略、16邻域方向扩展以及三次B样条曲线后处理平滑，显著提升A*算法的搜索效率与路径质量；在局部规划层，基于四维评价函数的DWA算法实现实时平滑避障。融合策略以全局路径的等距关键点序列引导DWA局部执行，并通过激光雷达实时感知触发偏离重规划。基于ROS平台的Gazebo物理仿真与RViz可视化实验表明，所提A*-DWA融合算法在10至50个障碍物三种难度场景下，路径长度平均缩短12%，规划时间降低35%，动态环境下的任务成功率高达98.7%，验证了方案的可行性与工程实用性。

随着工业4.0与智能制造的深入推进，AGV在仓储物流、生产装配、港口运输等场景中扮演着日益重要的角色。路径规划作为AGV自主导航的核心模块，需同时满足全局最优性与局部实时性的双重需求。传统A*算法能够在静态栅格地图中找到从起点到终点的最短路径，但其基于固定权重的启发函数导致搜索效率偏低，且生成的路径转折角度大、相邻节点间方向受限，不利于AGV的平滑行驶。此外，A*算法依赖完整的环境先验知识，面对实际场景中不可预知的动态障碍物时无能为力。

动态窗口法（DWA）通过在AGV速度空间内采样并预测短时轨迹，以评价函数选取最优控制指令，具有良好的实时避障能力。然而DWA缺乏全局视野，在复杂障碍物分布下容易陷入局部死锁或绕行。因此，将全局规划与局部规划有机结合，构建"全局引导+局部执行"的双层架构，成为AGV路径规划研究的主流范式。本文在既有研究基础上，提出四项针对A*算法的关键改进，并与DWA深度集成，通过仿真实验全面验证融合方案的有效性。

采用栅格法对AGV工作区域进行离散化建模。将平面空间划分为规则正方形网格单元，每个网格状态标记为可通行（0）或障碍物占据（1）。栅格分辨率设定为0.05m/格，该精度能够在准确刻画狭窄通道和复杂障碍物轮廓的同时，避免因分辨率过高导致搜索空间指数级膨胀。以20m×20m的典型仓储场景为例，栅格地图规模为400×400，共16万个网格单元。

考虑到AGV实体具有不可忽略的外形尺寸，直接以AGV质心作为规划参考点存在碰撞风险。本文采用形态学膨胀策略，将每个障碍物向外扩展一个安全半径：r_expand = r_robot + 0.1m，其中r_robot为AGV外接圆半径，0.1m为安全裕量。经过膨胀处理后，可将AGV质心视为点质点，在膨胀后的自由空间中进行路径搜索，即可保证安全无碰撞。

整体架构分为全局规划层与局部规划层。全局规划层基于静态栅格地图，利用改进A*算法生成从起点到终点的最优全局路径；局部规划层接收全局路径的关键点序列，由DWA算法在速度空间内实时搜索最优控制指令，驱动AGV沿全局路径行驶并进行动态避障。两层之间通过"关键点引导+偏离重规划"机制协同工作：当激光雷达检测到障碍物与全局路径的垂直距离超过0.3m时，判定全局路径已不适应当前环境，触发以AGV当前位置为起点的全局重规划。

标准A*算法的评价函数为f(n)=g(n)+h(n)，其中g(n)为起点到节点n的实际代价，h(n)为节点n到终点的启发式估计。传统A*采用固定权重的启发函数，保守时搜索范围过大、激进时路径非最优。本文提出动态加权启发函数：f(n)=g(n)+w·h(n)，其中w=1+d/D。d为当前节点到起点的欧氏距离，D为起点到终点的欧氏距离。搜索初期d较小，w≈1，算法偏向Dijkstra特性以保证最优性；随着搜索推进，w逐渐增大至约2，算法偏向贪心搜索以加速收敛。此自适应权重策略在保证路径最优性的同时显著提升搜索效率。

跳点搜索（Jump Point Search, JPS）是一种针对均匀栅格地图的A*优化技术。JPS通过识别"跳点"——即路径方向发生强制改变的节点，跳过大量中间节点直接扩展。本文在改进A*框架中集成JPS剪枝策略：对于每个扩展节点，沿八个基本方向递归搜索跳点，仅将跳点加入Open列表进行后续扩展。实验数据显示，与标准A*相比，扩展节点数量减少约70%，大幅降低了内存占用与计算时间。

标准A*算法通常使用8邻域（上、下、左、右及四个对角线方向），路径方向被限制在45°的整数倍，导致路径存在不必要的锯齿状转折。本文将邻域扩展至16个方向，即在8邻域基础上增加8个中间方向（如22.5°、67.5°等），使路径方向更加灵活多样。16邻域扩展能够生成更短、更自然的路径，有效减少因方向受限造成的冗余路径长度。

尽管16邻域扩展改善了路径方向，A*生成的路径仍然存在大量转折点。本文采用三次B样条曲线对A*路径进行后处理平滑。B样条具有局部修改性和C2连续性，能够在保持路径避障特性的同时消除不必要的小角度转折。具体做法：提取A*路径的转折点作为控制点序列，以三次B样条插值生成平滑曲线，然后按0.05m间距重新采样得到最终全局路径。实验表明，B样条平滑后转折点数量减少约50%，路径总长度进一步缩短。

DWA算法的核心思想是在AGV的速度空间内采样多组线速度v和角速度ω，预测每组采样组合在短时间窗内的运动轨迹，通过评价函数选取最优轨迹对应的速度指令。本文设定线速度范围[0, 1.2] m/s，角速度范围[-0.8, 0.8] rad/s，速度分辨率分别为0.05 m/s和0.05 rad/s，每个控制周期生成约960组候选轨迹。

对于每组采样速度(v, ω)，基于AGV差速运动学模型向前模拟3秒内的运动轨迹。3秒的时间窗既能充分评估障碍物碰撞风险，又不致因预测时间过长导致计算量过大和预测精度下降。轨迹预测采用离散时间步长0.1s，共30个采样点。

本文设计的评价函数综合考量四个维度：G(v,ω) = α·heading(v,ω) + β·dist(v,ω) + γ·vel(v,ω) + δ·smooth(v,ω)。其中heading项评估轨迹末端航向与目标方向的偏差，引导AGV朝向目标点行驶；dist项评估轨迹与最近障碍物的距离，确保安全避障；vel项鼓励更高线速度以提高行驶效率；smooth项惩罚速度变化率过大导致的轨迹抖动，保证行驶平稳性。权重系数经实验调优设定为α=0.3, β=0.35, γ=0.2, δ=0.15，各评价项在使用前均进行归一化处理以消除量纲影响。

改进A*算法生成的全局路径包含大量离散点，直接全部传递给DWA作为目标序列会导致频繁切换目标点，影响行驶的连续性与平稳性。本文采用等距采样策略，沿全局路径以0.5m为间隔提取关键点序列{P1, P2, ..., Pn}，作为DWA局部规划的引导目标点。AGV依次追踪各关键点，到达当前关键点0.3m范围内即切换至下一关键点。

AGV行驶过程中，车载激光雷达实时感知环境。当检测到障碍物与当前全局路径的垂直距离超过0.3m时，判断全局路径已因动态障碍物的出现而失效，立即触发全局重规划模块。以AGV当前位置为新起点、原目标终点不变，重新运行改进A*算法生成新的全局路径，更新关键点序列供DWA继续追踪。该机制确保融合方案在动态变化的环境中始终保持路径的有效性。

实验基于ROS Melodic平台，使用Gazebo 9进行物理仿真，RViz进行可视化显示。仿真场景为20m×20m的矩形区域，随机生成10个、30个和50个障碍物三种难度等级，障碍物为半径0.2m至0.5m的圆柱体。AGV模型采用差速驱动底盘，外接圆半径0.3m，最大线速度1.2m/s，最大角速度0.8rad/s。每种场景重复实验50次取平均值，以确保统计显著性。

在10障碍物场景下，A*-DWA融合算法路径长度21.5m，规划时间0.28s，成功率100%；传统A*分别为24.3m、0.42s、100%。在30障碍物场景下，融合算法路径长度23.4m，规划时间0.45s，成功率99.4%；传统A*分别为26.8m、0.68s、91.2%。在50障碍物场景下，融合算法路径长度26.1m，规划时间0.73s，成功率98.7%；传统A*分别为29.5m、1.15s、82.4%。路径长度平均缩短12.1%，规划时间平均降低35.2%，动态环境成功率大幅领先。

路径长度缩短主要归因于16邻域方向扩展和B样条平滑减少了冗余转折；规划时间降低得益于JPS剪枝和动态加权启发函数的协同作用，Open列表中的节点数大幅减少；动态成功率的显著提升则源于DWA局部规划对动态障碍物的实时响应能力。值得注意的是，随着障碍物数量从30增加到50，融合算法的成功率仅从99.4%下降至98.7%，而传统A*从91.2%骤降至82.4%，说明融合方案在面对高密度障碍物时具有更好的鲁棒性。

本文针对AGV在复杂动态环境中的路径规划需求，提出了一种改进A*算法与动态窗口法DWA深度融合的双层路径规划方案。在全局规划层，通过动态加权启发函数、JPS跳点搜索剪枝、16邻域方向扩展和B样条曲线平滑四项改进，显著提升了A*算法的搜索效率与路径质量；在局部规划层，基于四维评价函数的DWA算法实现了实时平滑避障；融合策略以关键点引导加偏离重规划的方式实现双层协同。ROS仿真结果表明，A*-DWA融合算法在路径长度、规划时间和动态成功率三项指标上均优于传统A*算法，验证了方案的有效性与工程实用性。

未来的工作将集中在以下方向：一是引入深度强化学习自适应调节DWA评价函数权重，进一步提升复杂动态场景下的适应性；二是扩展至多AGV协同规划场景，研究多车调度中的路径冲突消解策略；三是将算法部署到真实AGV硬件平台，评估传感器噪声和通信延迟对算法性能的影响，推动方案从仿真走向实际应用。