- 综合排序
- 最热优先
- 最新优先
- 来自专栏彩铅的随笔博客
《算法竞赛进阶指南》0x27 A-star
A-star 在先前提到的优先队列BFS方法中，是每轮从堆中取出的 “当前代价最小” 的状态进行扩展，这样每个状态第一次从堆中取出时，就得到了从初始状态到该状态的最小代价 如果目标状态是给定的，那么这个方法存在缺陷 （并且该事件发生在目标状态被取出优先队列之前） 这种 带有估价函数的优先队列BFS就成为A-star算法 只要保证对于任意状态state，都有f(state) <= g(state)，A-star算法就一定能
58820编辑于 2022-10-31 - 来自专栏具身小站
一款基于STM32F103和树莓派的无人车导航方案
Gmapping算法： SLAM雷达导航与视觉技术实现地图构建，并使用优化后的A-STAR算法有效减少了机器人运行时间和路径距离。 A-STAR 算法路径规划优化： 为提升搬运机器人在复杂环境下路径规划的效率与精度，对 A-STAR 算法的启发式函数进行了三方面的改进与优化： 在启发式函数中引入方向性加权机制，将传统的曼哈顿距离与角度夹角信息结合
21110编辑于 2025-10-28 - 来自专栏蓝桥杯算法
【“荔”刻出发 | 启发式A*算法原理&实现】
必须重构整个距离矩阵临时交通管制 无法增量更新 需全量重算 油价波动导致成本变化需重新执行完整算法重新构建成本矩阵 为了实现能够应对不同突发情况的场景的算法，我想到了采用启发式算法A-star A-star算法可以通过使用启发式函数来估计从当前节点到目标节点的成本，从而优先探索最合适的路径。而当A-star算法遇到以上情况时，只需要局部规划、动态调整启发函数，或者仅仅更新列表权重即可实现。 二、A-star算法原理A-star算法是综合考虑了到当前节点的实际代价g(n) 以及估算代价h(n) （与贪心算法不同，可以引导搜索方向）：f(n) = g(n)+h(n) ，当不考虑估算代价时，就会退化为 h(n)=0 ：退化为Dijkstra算法；（完全一致） h(n) > >g(n) ：A-star算法趋近于贪心算法（可能错过最优解）；A-star实现原理： 维护了一个开放列表（优先队列实现）和关闭列表 ； 在每次遍历过程中，将可能的f(n) 存入开放列表中，已经经过的节点存进关闭列表【与Dijkstra算法不同的只有将f(n) 改为g(n) 】； 当从开放列表中找到结束节点时，算法终止；三、A-star
73622编辑于 2025-07-01 - 来自专栏具身小站
基于UKF的建图规划方法
UKF的权重排序：通过高斯分布重采样方法根据粒子权值进行排序，保证 RBPF-SLAM 算法中采样粒子的多样性，新粒子的权值和粒子的大小成正比关系，排序后的高权值粒子采样示意图和粒子分布图如图所示： A-star 启发函数优化：启发函数采用曼哈顿和欧式距离相结合的方式构建，公式如下 A-star路径曲率和目标函数优化：传统A∗算法规划的路径拐点多，采用梯度下降法对路径曲率和规划目标函数进行改进，有助于获取平滑的全局路径
12410编辑于 2025-11-24 - 来自专栏量子位
Facebook开源看图问答模型Pythia：拿下VQA比赛冠军就靠它
比赛上，Facebook AI研究院（FAIR）队伍，A-STAR拿下了冠军。 建造平台的第一步，就是开源了A-STAR参赛所用模型的基础框架：Pythia，目前版本号v0.1。 队伍的名字——A-STAR，跟星星没什么关系，它是意思是能看、说话、行动、推理的智能体（Agents that See, Talk, Act, and Reason） 框架名字Pythia，也就是希腊神话中的皮提亚
66100发布于 2018-08-08 - 来自专栏具身小站
惩罚靠近障碍物的路径优化
全局路径规划 传统A-star算法综合代价函数：f(n)=g(n)+h(n)f(n)=g(n)+h(n)f(n)=g(n)+h(n)，其中g(n)表示从起点到当前节点 的实际代价，而 h(n ) 是从当前节点 双向A-star算法：通过从起始点和目标点发起的交替双向搜索来优化搜索过程，直至两个方向的搜索路径相遇，即交替选择前向和反向搜索中当前最优节点作为各自的新目标，确保了两个搜索方向能够有效地朝向对方进行。
19810编辑于 2025-11-24 - 来自专栏XINDOO的专栏
Qtech 暑假未讲到的算法（不完全）
五、搜索 假期讲了dfs和bfs的原理，它们的应用很广，还有一些衍生出来的算法，比如双向广搜、A-star搜索、跳点搜索。。。
49210发布于 2021-01-21 - 来自专栏具身小站
农业采摘机器人的路径规划
启发函数：A-star默认为：f(n)=g(n)+h(n)，代表当前节点的总评估值 g(n)：从起点到当前节点 n 的实际路径成本，通过逐步累加计算 ℎ(n)：从当前节点n到目标节点的估计成本 如果ℎ( 路径搜索方式：传统A-star算法默认为 8 邻域，表示机器人可能运动到 1 到 8 中的任意一个方向，会造成一些无用的额外运算，为避免无关节点浪费时间同时进一步提高搜索效率，根据当前节点与目标节点的连线与各方向的夹角
35210编辑于 2025-11-24 - 来自专栏arXiv每日学术速递
机器人相关学术速递[7.29]
embedded smart camera providing a practical and affordable solution to real-time active monitoring. 【9】 A-star path planning simulation for UAS Traffic Management (UTM) application 标题：UAS交通管理(UTM)应用的A-STAR路径规划仿真 在选择A-star算法后，本文采用曼哈顿距离和欧氏距离启发式算法实现了A-star算法的2D和3D两种版本。 After selecting the A-star algorithm, both the 2D and 3D versions of them were implemented in this paper algorithm execution time was 3.2 and 17.2 higher when using the Euclidean distance for the 2D and 3D A-star
49710发布于 2021-07-30 - 来自专栏gojam技术备忘录
QQ互联的注意事项
文章导航 A-star寻路记
1.4K20发布于 2019-09-08 - 来自专栏一点人工一点智能
SLAM+路径规划：巡检机器人算法设计
（1）全局路径规划 为确保巡逻机器人能够在全局和局部上有效地避开障碍物，并考虑到实际道路场景的网格地图相对简单，因此采用A-star算法作为全局路径规划方法，通过实时规划为机器人提供准确的避障方向。 A-star结合了启发式搜索和广度优先算法，通过代价函数 选择搜索方向并在起始点周围展开。启发式函数 计算每个周围节点的代价值，并选择最小代价值作为下一个扩展点。 A-star算法的代价函数是 其中， 是当前位置的代价函数， 是搜索空间中从起始位置到当前位置的代价值， 是从当前位置到目标位置的代价值。在A-star算法中，启发式函数的选择至关重要。 在A-star算法中的路径规划中，使用Closelist和Openlist来存储节点。已经被搜索且生成了代价值的节点被存储在Openlist中。 4.2.3 路径规划性能评估 经过测试，A-star算法规划出的路径与障碍物保持了一定距离，避免了机器人与其相撞。同时，全局路径规划效果良好，可以准确到达设定的目标点位置，满足精确定位导航的要求。
2.7K30编辑于 2023-08-25 - 来自专栏一点人工一点智能
SLAM+路径规划：巡检机器人算法设计
A-star结合了启发式搜索和广度优先算法，通过代价函数 选择搜索方向并在起始点周围展开。启发式函数 计算每个周围节点的代价值，并选择最小代价值作为下一个扩展点。 A-star算法的代价函数是h(n)其中， 是当前位置的代价函数， 是搜索空间中从起始位置到当前位置的代价值， 是从当前位置到目标位置的代价值。 在A-star算法中，启发式函数的选择至关重要。由于建图环境是一个带有障碍物的网格地图，曼哈顿距离被用作启发式函数，其定义为：(x_2,y_2)其中， 、 分别代表当前位置和目标位置的坐标。 在A-star算法中的路径规划中，使用Closelist和Openlist来存储节点。已经被搜索且生成了代价值的节点被存储在Openlist中。 4.2.3 路径规划性能评估经过测试，A-star算法规划出的路径与障碍物保持了一定距离，避免了机器人与其相撞。同时，全局路径规划效果良好，可以准确到达设定的目标点位置，满足精确定位导航的要求。
2K30编辑于 2023-05-30 - 来自专栏三代测序-说
三代测序人物系列 | Jonathan Göke
Jonathan Göke 教授Jonathan Göke是新加坡基因组研究所（Genome Institute of Singapore ，A-STAR GIS）的课题组负责人，同时也兼任新加坡国立大学 Max Planck Society and the German Academic Exchange Service，DAAD）的奖学金，并被选为基因组研究所的fellow（2014-2016年）和A-STAR
43920编辑于 2025-03-04 - 来自专栏具身小站
融合RTK的路径规划方案
全局路径规划： A－Star 算法为静态路网中求解最短路径的直接搜索算法，其也是一种启发式算法，在当前搜索节点往下一节点选择时，通过建立启发函数选取距离目标代价最小的点作为下一搜索节点。
29610编辑于 2025-10-28 - 来自专栏具身小站
一款履带机器人的覆盖规划方案
全局规划算法：A-star算法，本身是一种启发式全局路径规划算法，启发式函数通常使用欧几里得距离或曼哈顿距离来估计当前节点到目标节点的距离，为了全面覆盖使用曼哈顿距离 局部规划算法：DWA 算法，根据移动的机器人的当前位置和速度状态
16510编辑于 2025-11-26 - 来自专栏具身小站
一种无人车路径规划的优化思路
全局路径规划 传统A-star的综合代价函数：f(n)=g(n)+h(n)，其中g(n)表示从起点到当前节点 的实际代价，而 h(n ) 是从当前节点 n 到目标节点的估计代价，即启发函数。
43810编辑于 2025-11-24 - 来自专栏具身小站
融合IMU和里程计的路径规划
全局路径规划 传统A-star算法综合代价函数：f(n)=g(n)+h(n)，其中g(n)表示从起点到当前节点 的实际代价，而 h(n ) 是从当前节点 n 到目标节点的估计代价，即启发函数。
19310编辑于 2025-11-24 - 来自专栏新智元
斯坦福教授、A*算法发明者Nils Nilsson去世，吴恩达、LeCun等发文悼念
Hart和Bertram Raphael共同发明了A*（读作 A-Star）搜索算法，为人工智能领域带来了重大的影响。 A*搜寻算法，俗称A星算法，作为启发式搜索算法中的一种。
1K20发布于 2019-05-08 常用的搜索算法之迷宫求解问题
迷宫求解问题可以使用多种算法来解决，包括深度优先搜索（DFS）、广度优先搜索（BFS）、A*（A-star）算法、Dijkstra算法等。
73810编辑于 2025-04-05- 来自专栏具身小站
基于视觉ORB-SLAM和激光Cartographer融合的SLAM建图
使加权系数具有动态性，当 AGV 离障碍物较远时，提高 AGV 速度占比，当前进过程中，障碍物距离 AGV 较近时，提高 AGV 方向性占比 路径融合： 基于构建的全局栅格地图设置起点和终点，通过改进后的 A-star
69310编辑于 2025-11-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号