基于matlab实现改进的人工势场法，apf算法进行路径规划，通过改进斥力函数和引入模拟退火算法，克服局部极小值和目标不可达问题。 并附送未改进的apf算法，可做改进与未改进的效果比对使用，如图，未改进的算法会陷入局部极小值从而导致路径规划失败。 起始点位置，障碍物位置可以根据自己需求随便设置更改，自己设置地图进行路径规划，可自动生成斥力场，引力场，合力场。
在机器人路径规划领域，人工势场法（APF）是一种经典且应用广泛的方法。然而，传统的APF算法存在一些局限性，比如容易陷入局部极小值，导致目标不可达。今天咱们就来聊聊基于Matlab实现改进的APF算法，通过改进斥力函数和引入模拟退火算法来克服这些问题，同时也分享下未改进的APF算法，方便大家做效果比对。
未改进的APF算法
先来看未改进的APF算法实现。在Matlab里，我们首先要设定起始点、目标点还有障碍物的位置，这里咱们就根据需求随意设置一下。
% 定义起始点、目标点和障碍物位置 start = [0, 0]; goal = [10, 10]; obstacles = [2, 2; 4, 4; 6, 6];这段代码很简单，就是分别定义了起始点start、目标点goal以及障碍物位置obstacles，这里障碍物我们设置了三个点。
接下来是计算引力场和斥力场。引力场相对简单，引力与机器人到目标点的距离成正比。
% 计算引力 function F_att = compute_attractive_force(robot, goal, eta) F_att = eta * (goal - robot); end这个computeattractiveforce函数里，eta是引力系数，通过它来调整引力的大小，引力向量就是目标点减去机器人当前位置再乘以引力系数。
斥力场计算稍微复杂点，当机器人靠近障碍物时斥力急剧增大。
% 计算斥力 function F_rep = compute_repulsive_force(robot, obstacles, rho0, k) F_rep = [0, 0]; for i = 1:size(obstacles, 1) dist = norm(robot - obstacles(i, :)); if dist < rho0 F_rep = F_rep + k * (1/dist - 1/rho0) * (1/dist^2) * (robot - obstacles(i, :)); end end end在computerepulsiveforce函数中，rho0是一个距离阈值，当机器人与障碍物的距离dist小于rho0时，斥力开始起作用，k是斥力系数。从代码里能看到，距离障碍物越近，斥力越大，方向是远离障碍物。
最后就是计算合力，规划路径了。
% 计算合力并规划路径 step_size = 0.1; robot = start; path = robot; while norm(robot - goal) > step_size F_att = compute_attractive_force(robot, goal, eta); F_rep = compute_repulsive_force(robot, obstacles, rho0, k); F_total = F_att + F_rep; robot = robot + step_size * F_total / norm(F_total); path = [path; robot]; end这段代码里，step_size是每次移动的步长，机器人从起始点start出发，不断计算引力、斥力和合力，按照合力方向移动一小步，记录下路径path，直到接近目标点。但是呢，就像图里展示的，这种未改进算法很容易陷入局部极小值，导致路径规划失败。
改进的APF算法
改进斥力函数
为了克服局部极小值问题，我们先改进斥力函数。传统斥力函数在某些情况下会导致局部极小，我们可以让斥力函数在远离障碍物时也能起到一定作用，避免机器人过早陷入局部陷阱。
% 改进后的斥力计算 function F_rep_improved = compute_improved_repulsive_force(robot, obstacles, rho0, k) F_rep_improved = [0, 0]; for i = 1:size(obstacles, 1) dist = norm(robot - obstacles(i, :)); F_rep_improved = F_rep_improved + k * (1/dist^2) * (robot - obstacles(i, :)); end end对比之前的斥力函数，这里不再设置距离阈值rho0，而是让斥力在任何距离都起作用，只是随着距离增大斥力减小的速度更快，这样能引导机器人更好地避开障碍物，减少陷入局部极小的可能。
引入模拟退火算法
除了改进斥力函数，我们还引入模拟退火算法。模拟退火算法可以让机器人有一定概率跳出局部极小值。
% 模拟退火算法参数 T0 = 100; % 初始温度 alpha = 0.95; % 降温系数 T = T0; while T > 1e-3 F_att = compute_attractive_force(robot, goal, eta); F_rep = compute_improved_repulsive_force(robot, obstacles, rho0, k); F_total = F_att + F_rep; new_robot = robot + step_size * F_total / norm(F_total); if norm(new_robot - goal) < norm(robot - goal) || exp((norm(robot - goal) - norm(new_robot - goal)) / T) > rand() robot = new_robot; end path = [path; robot]; T = alpha * T; end在这段代码里，T0是初始温度，alpha是降温系数。在每次迭代中，计算新的位置new_robot，如果新位置更好（离目标更近），或者根据一定概率（与温度T有关），就接受新位置。随着温度不断降低，接受较差位置的概率越来越小，最后收敛到较好的路径。
通过这样改进斥力函数和引入模拟退火算法，我们就能有效克服传统APF算法局部极小值和目标不可达的问题，在Matlab模拟的地图中实现更优的路径规划啦。大家不妨自己动手试试，感受下改进前后的差别。
