局部规划方法讲了好几个了（DWA、TEB、Lattice Planner）。今天讲一个最老牌的——势场法（Potential Field）。这算法是Khatib在1986年提出的，快40年了，但面试中还是经常被问到。讲真，势场法的思想非常朴素：目标点产生引力，障碍物产生斥力，机器人沿着合力方向走。

势场法的核心优势是计算极快——每个控制周期只需要算一次引力和斥力的矢量和。劣势也很明显：局部最小值、狭窄通道中振荡、目标点附近不可达。但它的思想影响了很多后续算法，理解势场法对学习其他规划方法有帮助。

一、势场法的基本原理

势场法把机器人看作一个在力场中运动的质点。力场由两部分组成：

引力场：目标点产生引力，方向指向目标，大小和距离成正比（或二次函数）。离目标越远，引力越大。

斥力场：障碍物产生斥力，方向远离障碍物，大小和距离成反比。离障碍物越近，斥力越大。超过一定距离后斥力为零。

机器人受到的合力 = 引力 + 所有障碍物的斥力。沿合力方向移动一步，重复这个过程直到到达目标。

def potential_field(robot_pos, goal, obstacles):
    # 引力：指向目标
    F_att = k_att * (goal - robot_pos)
    # 斥力：远离障碍物
    F_rep = Vector2D(0, 0)
    for obs in obstacles:
        d = distance(robot_pos, obs)
        if d < rho_0:  # 影响范围
            F_rep += k_rep * (1/d - 1/rho_0) * (1/d**2) * normalize(robot_pos - obs)
    # 合力
    F_total = F_att + F_rep
    return normalize(F_total) * max_speed

二、势场法的三个经典问题

势场法有三个广为人知的问题，面试几乎必问。

局部最小值：引力和斥力可能恰好抵消——机器人卡在一个点上不动了。典型的场景是U型障碍物：机器人走到U的底部，两边墙壁的斥力和目标的引力平衡，卡住了。解决办法：加随机扰动（跳出局部最小值）、用虚拟目标（把目标临时移到别处引导机器人绕过去）、或者结合全局规划器。

狭窄通道振荡：机器人通过狭窄通道时，两边障碍物的斥力方向相反，合力在通道方向上来回摆动。机器人可能在通道口左右抖动，无法通过。解决办法：增加斥力的方向性（只考虑最近障碍物的斥力）、或者在通道中用虚拟墙引导。

目标不可达：当机器人接近目标时，如果目标附近恰好有障碍物，斥力可能大于引力。机器人到不了目标——在目标附近徘徊。解决办法：修改引力函数（离目标近时引力用线性函数而不是二次函数），或者让斥力在目标距离很近时衰减。

# 解决目标不可达的改进引力函数
def attractive_force(pos, goal):
    d = distance(pos, goal)
    if d < threshold:
        return k_att * d  # 线性引力（近处）
    else:
        return k_att * d**2 / 2  # 二次引力（远处）

三、势场法的工程应用

讲真，纯势场法在工程中用得不多——问题太多了。但势场法的思想被广泛借鉴。

DWA的评价函数中heading和clearance本质上就是引力和斥力。TEB的优化目标中也有避障项，思路类似。甚至深度强化学习中的奖励函数设计，也经常借鉴势场法的思想。

工程上如果要用势场法，一般做以下改进：

• 结合全局规划器（A*或RRT给出粗略路径，势场法做局部避障）
• 用虚拟子目标避免局部最小值
• 斥力只考虑最近的一个障碍物（避免振荡）
• 加入阻尼力（和速度方向相反的力，减少振荡）

势场法在机械臂中的应用：势场法最初就是为机械臂提出的（Khatib 1986）。在关节空间中，目标位姿产生引力，障碍物产生斥力。机械臂的关节沿着合力方向移动。这个思路在简单场景中效果不错——特别是障碍物少、空间开阔的场景。但在复杂cluttered环境中，关节空间的局部最小值问题很严重。

势场法与导航代价地图：在ROS导航中，代价地图（costmap）本质上就是一个势场——障碍物中心代价高，远处代价低。DWA和TEB在评价轨迹时都参考代价地图。所以可以说，代价地图就是势场法的一种离散化实现。

改进型势场法：学术界提出了很多改进版本。比如Harmonic Potential Field（调和势场）——用拉普拉斯方程求解势场，保证没有局部最小值（但计算量大，需要求解偏微分方程）。Navigation Potential Field——修改斥力函数，保证目标点是全局最小值。这些改进版在理论上解决了部分问题，但工程上因为计算复杂度太高，用得不多。

四、面试实战

Q：势场法的优缺点是什么？ A：优点是计算极快，实现简单，路径平滑。缺点是局部最小值、狭窄通道振荡、目标不可达。工程上需要配合全局规划器和各种改进策略。

Q：势场法和DWA有什么区别？ A：势场法在每个点算合力方向，沿合力方向走——没有速度概念，不考虑运动学约束。DWA在速度空间中采样，考虑了速度、加速度限制。DWA路径质量更好，但计算量更大。

Q：势场法在实际项目中用过吗？ A：纯势场法没有直接用过。但势场法的思想在很多地方用到过——比如深度强化学习的奖励函数设计中，用距离目标的负值作为引力奖励，用碰撞惩罚作为斥力。另外在做路径平滑时，用类似势场法的力来把路径推离障碍物。

Q：怎么解决势场法的局部最小值问题？ A：三种常见方法。一是加随机扰动——给合力加一个随机方向的小力，让机器人有机会跳出局部最小值。二是虚拟子目标——检测到机器人卡住时，临时设一个中间目标，引导机器人绕过障碍物。三是结合全局规划——用A*或RRT给出全局路径，势场法只负责局部避障。

Q：势场法的计算复杂度是多少？ A：每个控制周期O(N)，N是障碍物数量。计算每个障碍物的斥力是O(1)，求和是O(N)。加上归一化和移动是O(1)。总复杂度O(N)。非常高效——即使有上千个障碍物，单次计算也在微秒级。

Q：势场法能处理动态障碍物吗？ A：能。势场法天然支持动态障碍物——每个控制周期重新计算合力就行。障碍物的速度不影响势场计算（标准势场法不考虑障碍物速度）。但如果障碍物移动很快，机器人可能反应不过来——因为势场法没有预测能力。改进方案是加入速度势场——根据障碍物速度方向调整斥力方向。

Q：势场法的引力和斥力权重怎么调？ A：k_att和k_rep的比值决定了机器人的行为。k_att大，机器人更积极地朝目标走，但可能撞障碍物。k_rep大，机器人更保守，但可能绕远路。工程上一般k_att取1.0，k_rep取100-200（斥力影响范围rho_0取0.5-1.0m）。具体数值需要根据机器人大小和速度调。

Q：势场法在面试中怎么回答比较好？ A：先讲基本原理（引力+斥力），再讲三个经典问题（局部最小值、振荡、目标不可达）和解决方案，最后聊工程应用（DWA/TEB中的势场思想、代价地图的本质）。如果能提到Harmonic Potential Field和改进版本，面试官会觉得你理解得比较深。

小结

势场法的核心：目标产生引力，障碍物产生斥力，机器人沿合力方向移动。计算极快，但有局部最小值、振荡、目标不可达三个经典问题。

优势：计算快，实现简单，路径平滑。 劣势：局部最小值，狭窄通道振荡，目标不可达。

势场法虽然古老，但思想影响深远。DWA、TEB等现代方法中都能看到势场法的影子。在深度强化学习中，势场法的思想被用来设计奖励函数和课程学习策略。面试中势场法是基础考点——要能讲清楚原理和三个经典问题的解决方案。能聊到改进版本和工程应用就更好了。下一篇讲混合A*——结合A*搜索和非完整约束的规划算法。

---

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 

上一篇：第221篇 Lattice Planner——基于状态格子的局部规划

下一篇预告：第223篇 混合A*——结合A*搜索与非完整约束

有任何问题欢迎评论区留言，我会尽量回复。