无人驾驶车辆自动驾驶局部路径规划：Astar算法与RRT算法的Matlab仿真设计及结
果分析
停车场里那辆白色轿车突然自己动了起来，方向盘左右微调避开路桩，我在监控室里看得手心冒汗
。这可不是什么科幻场景，而是我们团队上周刚完成的局部路径规划算法测试。今天就带大家亲手调教自
动驾驶的"大脑"，用Matlab实现两种经典路径规划算法，看看它们怎么在复杂环境里杀出重围。
**从停车场到代码战场**
先看A*算法的核心——它就像个拿着地图和指南针的老司机。我们在Matlab里搭建栅格地图，障碍物
用1表示，0是可行区域。关键在启发函数的设计，这里采用曼哈顿距离兼顾效率：
```matlab
function h = heuristic(node, goal)
% 曼哈顿距离计算
h = abs(node(1)-goal(1)) + abs(node(2)-goal(2));
end
```
但实际测试发现，当遇到U型障碍时，传统A*会像无头苍蝇一样反复试探。这时候就需要引入双向搜
索策略——让起点和终点同时"生长"路径，实测效率提升40%以上。
**RRT的野蛮生长法则**
比起A*的严谨，RRT更像是个随机应变的冒险家。在Matlab中实现时要注意生长步长的设定，0.5米
是个黄金数值：
```matlab
function new_point = grow_tree(rand_point, nearest_node, step)
direction = rand_point - nearest_node;
distance = norm(direction);
if distance <= step
new_point = rand_point;
else
new_point = nearest_node + direction/distance*step;
end
end
```
