扫地机器人全覆盖路径规划：内螺旋算法MATLAB仿真实现与调优

扫地机器人的路径规划，跟很多人想的不太一样：它最核心的诉求不是“怎么从A点走到B点”，而是“怎么把整块地方都走到”。这个全覆盖路径规划问题，听起来简单，实际上一做就会撞上覆盖率、重复率、边界处理和死循环这些坑。最近我把“全覆盖内螺旋算法”在MATLAB里完整实现了一遍，跑了大量仿真，也生成了过程截图。这篇把我从算法思路到代码实现，到看截图调参数的经验都捋一遍，给正在做同类项目的同学一个参考。

1. 先把问题说清楚：扫地机要的不是“走”而是“全面覆盖”

1.1 从“找路”到“全覆盖”的转变

做机器人路径规划，一般先接触的是点到点路径规划，比如给一个起点和一个终点，用A*或者Dijkstra算法找到一条最短路径。扫地机器人的需求完全不同：它的任务不是“到达”，而是“遍历”，必须覆盖工作区域内的每一个可行栅格。

刚开始接触全覆盖问题时，很容易走弯路。我一开始就踩过这个坑，想着怎么把A*改一下，把终点设成网格里最远的那个点，然后一段一段跑。跑到后面发现两个致命问题：一是轨迹交叉严重，重复覆盖的地方特别多；二是漏了一堆犄角旮旯，尤其是墙角和障碍物背后的区域。反复规划出来的路径图，看上去乱成一团，根本没有工程价值。

后来才意识到，全覆盖路径规划的核心是“策略”而不是“寻路”。寻路算法解决的是单次目标可达性，而全覆盖算法解决的是空间访问完备性。两种问题的数学建模方式、评价指标、优化方向完全不一样。做扫地机器人仿真项目，第一件事就是把这两种需求分清楚。

从评价指标上看，全覆盖规划主要看三个数字：“覆盖率”表示有多少可行区域被扫过，“重复率”表示扫过的区域中重复扫了多少，“转折次数”则影响机器人实际执行的效率和功耗。点到点路径规划只关心路径长度，覆盖率通常都是100%的，根本不需要考虑重复率。指标不同，背后的算法设计思路也就完全不同了。

1.2 为什么选内螺旋而不是乱走或弓字形

市面上常见的全覆盖策略有几种：随机碰撞式、弓字形来回、内螺旋、还有基于牛耕原理的往返式。每种策略都有自己的适用场景，我拿一个表格对比一下：

这个项目选择内螺旋算法，核心原因是它实现起来逻辑清晰，路径模式固定，特别适合在MATLAB里快速验证效果。内螺旋的路径会形成一层层向中心收缩的圈，视觉上非常直观，运行过程截图拿出来也比较容易讲解。更重要的是，在栅格地图上，内螺旋的转向逻辑可以完全规则化，不需要复杂的几何计算，这对仿真阶段来说是非常友好的。

1.3 这个项目的实际输入和输出

做一个MATLAB仿真项目，首先要想清楚“我要输入什么，程序要输出什么”。这个内螺旋仿真项目，输入是一张栅格地图，我用矩阵表示，0代表障碍物，1代表可通行区域，2代表机器人起始位置。

输出包括三部分：第一条是完整运动轨迹，也就是机器人从起点到停止所有经过的栅格序列；第二条是实时覆盖率变化数据，用来评估算法效果；第三条是运行过程截图，也就是标题里提到的“运行图过程截图”，记录机器人清扫到不同阶段时的空间状态。

我的建议是，在做这类仿真项目前，先把输入输出数据结构定下来。很多人一上来就画界面、写循环，结果跑到中途才发现地图数据格式没设计好，改起来特别麻烦。数据格式定清楚了，后面所有模块都会顺畅很多。

2. 内螺旋算法的核心逻辑和我理解的几个关键点

2.1 算法思想：一圈一圈向内收缩

内螺旋算法的思想非常朴素：机器人从起点出发，沿着某个方向一直走，走到障碍物、边界或者已经清扫过的地方，就向右转，继续走。因为总是贴着自己已经走过的轨迹往内收，整体路径就会呈现一个向内收紧的螺旋形状。

举个例子就很好理解了。想象你在一张白纸上用一支笔从外圈开始画圈，每一圈都比上一圈小一点，最后笔停在纸的中心——这就是内螺旋轨迹。扫地机器人走出来的轨迹正是如此，每一圈贴着上一圈的内侧推进。

那么为什么这种方式能覆盖整片区域呢？因为螺旋线的相邻圈之间只要保持足够的重叠，理论上就能铺满整个可用平面。栅格地图上，这种重叠体现在机器人移动步长上，每一步的长度只要不超过清扫宽度，轨迹之间就不会出现漏扫的缝隙。

2.2 转向判定不能靠“感觉”，要靠状态机

很多初学者实现内螺旋算法时容易想得太简单：碰到墙就右转嘛。真到了代码里，“碰墙”这个判断要拆成非常明确的条件。

我在实现中定义了一个转向状态机。机器人每个时刻有一个方向，编号分别为1、2、3、4，对应上、右、下、左。每次步进之前，先尝试向当前方向往前探一格，然后判断这个格子是不是障碍物、是不是边界外面、是不是已经清扫过。只要满足其中一个条件，机器人就原地右转一次。如果右转之后的前进方向还是不通，就继续右转，最多转三次。

这里有一个特别容易出错的地方：判断顺序。我一开始把“障碍物”判断放在最前面，忽略了“已经清扫过”的判断，结果机器人在已经扫干净的区域里反复穿行，导致重复率飙升。后来我把判断条件整理成“越界、障碍、已扫”三个依次进行检查，并且用同一个函数封装，才解决了问题。

2.3 边界情况和缺陷：螺旋不是万能的

内螺旋算法有一个无法回避的缺陷：对于某些凹形区域，比如房间中间有一堵很长的墙，墙后面的区域不会被螺旋扫到。这是因为螺旋的收缩逻辑是连续的，遇到凹形槽就会被切断。

有一个典型的场景：地图整体是一个矩形，但中间有一个L形障碍物。螺旋碰到L形障碍物的内角时，机器人会沿着障碍物边缘转向，结果就是墙后面留下一片盲区。这类盲区靠单纯的内螺旋是处理不了的，需要在螺旋路径结束后加一个检测模块，识别还没有覆盖的区域，再规划一次补扫路径。

我在实际运行中发现，这个问题不是算法程序写错，而是算法本身的能力边界。做项目展示时，这一点最好提前说清楚：内螺旋适合边界规整、障碍物少的区域，遇到复杂凹形区域需要配合回补策略。

2.4 三个评价指标怎么算

做任何算法项目，指标都要量化。我这里定义了三个指标，在MATLAB里每走一步就计算一次：

覆盖率 = 已清扫栅格数 / 可行栅格数。可行栅格指地图上所有值为1的格子，障碍物不算。

重复率 = 重复清扫次数 / 总清扫次数。如果一个格子被扫了两次，第二次就会被计入重复次数。

转角次数 = 路径中出现方向变化的次数。每换一次方向算一次。

这三个指标的计算逻辑，我直接写在了主循环里。每次更新地图状态之后，就重新统计一遍。这些数据最终会画成曲线，跟运行截图放在一起，作为分析算法性能的依据。

3. MATLAB实现：从地图建模到路径生成全流程

3.1 地图栅格化的两种方式

MATLAB里实现路径规划，地图栅格化是最基础的一步。我用了两种方式建地图，一种是小规模调试用的手工矩阵，另一种是大规模仿真用的灰度图转矩阵。

手工矩阵的写法很直接，适合快速验证算法逻辑。比如我项目里最初的测试地图就是这样的：

% 地图定义：1=可通行，0=障碍物 map = [ 1 1 1 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 1 1 1 ];

这种小矩阵的好处是每一步运行的结果都能用眼睛盯住，算法出没出错一目了然。算法逻辑验证没问题之后，再用大尺寸灰度图生成地图。灰度图的方式是：读入一张图片，把灰度值超过某个阈值的像素标记为可通行，低于阈值的标记为障碍物。

这种由图片生成地图的方式在项目展示时特别管用。因为图片可以随便画，想模拟什么户型就画什么户型，比手工敲矩阵高效得多。我建议你在仿真阶段至少准备三张不同复杂度的测试图，一张规整矩形，一张带内部障碍物，一张带凹形区域。这样才能全面评估算法的表现。

3.2 状态定义与初始化

机器人的状态我定义成一个结构体，字段包括x坐标、y坐标、当前方向、已清扫格数。初始化时，程序在地图矩阵里找到值为2的格子，把机器人放进去。

方向我用了整型变量来表示，1代表上，2代表右，3代表下，4代表左。为什么会需要一个方向变量？因为内螺旋的核心是“转向”，转向需要认知当前的朝向，如果方向变量丢失，算法就无法判断下一步应该往哪边走。

同时我还维护了一张清扫状态矩阵，尺寸跟地图一样，初始全是0。机器人每经过一个格子，就把清扫状态矩阵里对应位置改成1。这张矩阵是覆盖率计算的数据来源，也是转向判断的重要依据。

3.3 核心循环：步进、检测、转向

整个内螺旋算法的主循环，本质上就是“步进–判断–转向”三个动作的不断重复。我先把核心循环的简化版本贴出来，大家可以直接参考：

% 初始化 x = start_x; y = start_y; dir = 1; cleaned = zeros(size(map)); cleaned(x, y) = 1; traj = [x, y]; max_steps = 5000; % 最大步数，防止死循环 step_count = 0; while step_count < max_steps % 如果覆盖率已经达到100%，提前退出 if coverage >= 1.0 break; end % 尝试前进，如果走不通就转向，最多转三次 moved = false; for turn = 0:3 [nx, ny] = get_next_cell(x, y, dir_after_turn(dir, turn)); if can_move(map, cleaned, nx, ny) dir = dir_after_turn(dir, turn); x = nx; y = ny; cleaned(x, y) = 1; moved = true; break; end end % 如果转了三次都走不通，说明机器人被困住了，跳出循环 if ~moved break; end traj = [traj; x, y]; % 记录轨迹 step_count = step_count + 1; end

上面代码中的dir_after_turn(dir, turn)函数，就是根据当前方向和一个右转偏移量，计算最终朝向。为什么四个方向最多只需要试三次？因为如果连续转三次都堵住了，那第四次就会回到原来的朝向，结果一定也是堵住的，这种情况说明机器人已经被完全包围，继续下去只会死循环。

3.4 记录轨迹和保存过程截图

仿真过程中轨迹记录非常重要。我用一个traj矩阵，每一行存一个机器人所在坐标。这个矩阵不仅是绘制轨迹的数据来源，也是计算路径长度的基础。

过程截图则是在绘图循环里生成的。MATLAB在动态绘制时，我会把地图、轨迹线、机器人当前位置画在同一个坐标轴上。每走固定步数，就截图保存一次：

if mod(step_count, 10) == 0 plot_path(map, cleaned, x, y, traj); title(['Step: ', num2str(step_count), ' Coverage: ', num2str(coverage*100), '%']); drawnow limitrate; print(gcf, '-dpng', ['frame_', num2str(step_count, '%04d')]); end

这里的print函数会把当前图像保存成PNG文件。后续做实验对比时，这些截图可以像视频帧一样拼起来，或者直接做成GIF动画，展示效果会非常棒。

3.5 仿真参数对结果的影响

参数调优在这个项目里占的工作量不小，我列了一张参数影响表，方便大家参考：

其中一个关键的经验是：栅格粒度必须跟清扫宽度匹配。什么叫做匹配？也就是机器人一次清扫的宽度至少要覆盖两个相邻栅格。如果不匹配，就会出现一条漏扫缝隙，你从截图里能看到一条细长的未覆盖区域，看起来极其突兀。

4. 运行过程截图怎么读：一帧一帧看覆盖率增长

4.1 初始状态截图：地图和起点

运行过程截图的第一帧，显示的是初始状态：地图边界全部显示出来，障碍物用黑色块标出，可通行区域用浅色块标出，机器人起点用特殊颜色标记。

我第一次跑这个程序时，看到第一帧觉得非常直观。地图就是一张5乘5的小矩阵放大成的方格图，机器人是左上角一个红点。因为地图小，轨迹很快就把整个地图铺满了。后面换成大尺寸地图时，程图形才开始有了一帧帧演进的“过程感”。

这个阶段你需要注意检查一件事：地图数据是否跟设计一致。我调试时有一次把地图矩阵的行和列搞反了，结果截图里出现的房间形状跟预期完全不一样，像把一个横长房间画成了竖长房间。查了很久才找到问题。

4.2 前几圈：机器人沿边界走

内螺旋开始时，机器人会紧贴着边界走一圈。这个过程在截图里非常明显，轨迹沿外墙轮廓画出第一圈，然后才沿着第一圈内侧继续向内推进。

沿边界走这一圈是整个算法的骨架。因为这一圈决定了机器人对地图周界形状的认知。如果地图边界是不规则的，那么第一圈走出来的形状就反映了这种不规则性。看截图时，我通常会先看第一圈的轨迹线是否跟地图边界保持一个栅格距离。如果距离过大，说明清扫半径设置偏大；如果距离过小，可能发生边界碰撞。

这里的行走逻辑有一点值得多说：机器人不是“知道”边界在哪，而是每步都判断“前方是不是边界外”，一旦发现前方越界就转向。这种基于局部信息的决策方式，跟真实扫地机器人用传感器探测墙壁的原理是类似的。

4.3 中途的“快看快看，这里有盲区”

跑了几十步之后，内螺旋的局限就开始暴露了。在我设计的凹形测试地图中，L形障碍物背后有一小块区域始终没有轨迹线经过。从截图上看，这部分区域就像一个未被染色的孤岛，跟旁边密密麻麻的轨迹形成鲜明对比。

我第一次看到这片盲区时，第一反应是“代码写错了”。后来逐行排查，发现转向逻辑完全正常，才意识到这是算法本身的特性。内螺旋在遇到凹形障碍时会被“切断”连续路径，就像你用圆规画圆，圆心处有堵墙，圆规没法画下去。

发现了盲区，后面补扫就有的放矢了。我加了一段盲区检测逻辑，在螺旋结束之后扫描一遍清扫状态矩阵，把所有未覆盖但连通的区域找出来，对每一块未覆盖连通域重新执行一次内螺旋。这样整体的覆盖率就能提上去。

4.4 最终截图：全覆盖完成后的状态

当覆盖率到达100%时，最终截图的样子会比较好看：整个可通行区域都叠满了轨迹线，轨迹整体呈螺旋状纹理，只有障碍物上的颜色是空的。

拿到最终截图后，我会再仔细数一遍重复率。如果截图里出现了大面积的深色重叠轨迹，说明重复率太高，算法走了太多冤枉路。这种情况通常出现在地图过于狭窄、螺旋无法展开的区域。如果重复率过高，后面要考虑换用弓字形策略，或者把地图按连通区域切块分开清扫。

还有一个小技巧：最终截图上加一条覆盖率曲线，把过程数据可视化。在MATLAB里用plot画出覆盖率随时间变化的曲线，然后subplot把曲线和地图轨迹放在同一张图里。这个操作能大大提高截图的表达力。

5. 我实际调仿真时踩过的坑和排查思路

5.1 死循环：轨迹在某块区域疯狂转圈

这是最常见的故障，没有之一。现象是截图保存到某一帧之后就不再更新了，但MATLAB进程没退出，一直在跑。查看轨迹数据，发现机器人在一个很小的矩形区域里反复绕圈。

这类问题的根源通常是转向判定逻辑出了问题。我的排查方法是：在每次转向时打印一行日志，记录当前位置、当前方向、前方格子状态、转向后的方向。只需要打印二三十行，就能定位是哪一步决策陷入了循环。

最常见的原因有两个：一个是判断“已经清扫过”的条件没写对，机器人以为自己没扫过从而反复进入同一区域；另一个是转向次数上限设置成了“最多转三次”，但转向后的方向计算写错了，导致没有真正转向。

5.2 覆盖率100%但重复率异常高

有一次我跑出一个结果：覆盖率到了100%，但重复率高达40%多。看截图，轨迹线密密麻麻，整个地图上都叠了好几层。

排查后发现，是因为我把“清扫宽度”和“栅格步长”的关系搞错了。地图栅格设得很细，但机器人每一步移动却跨越了两个栅格，导致每两条相邻轨迹之间只会重叠一层，重复率自然高。

解决方式很简单：把步长调成一个栅格的距离。代价是运行步数会变多，截图的帧数也会相应增加。这个取舍要对覆盖率数据做一个权衡。

5.3 MATLAB绘图卡顿导致截图帧缺失

动态绘制大量轨迹线时，MATLAB的默认绘图速度会比较慢。如果每走一步都重新画一次完整地图，程序等图的时间就会远超算法本身的计算时间。

我后来用了三个优化办法。第一，用drawnow limitrate代替drawnow，它不会等每一帧都渲染完。第二，绘制轨迹时只绘制新加的那一段线段，而不是把所有历史路径都重新plot一遍。第三，截图间隔从每步一存改成每十步一存。

这三个优化加进去后，仿真运行速度提升非常明显，截图帧序列也完整了很多。

5.4 常见问题速查表

为了方便排查，我整理了一个速查表，都是项目调试过程中真实遇到过的问题：

这张表留着，项目演示前过一遍，会比临时排查高效得多。

6. 还能怎么改进：从仿真到真正能落地

6.1 螺旋加弓字形的混合策略

一个很自然的改进方向是，把内螺旋算法和弓字形策略混合起来。内螺旋适合处理封闭区域，弓字形适合处理开阔区域。既然如此，可以先用连通域分析把地图分成多个房间，每个房间内部根据形状特征判断该用哪种策略。

我做过一组对比测试：同样的凹形地图，纯内螺旋的覆盖率只有82%左右，补扫后到了97%。而用混合策略，覆盖率能到100%，重复率还低了8个百分点。这个数据说明混合策略非常有实用价值。

6.2 从仿真地图到真实环境定位

仿真里地图是已知的，机器人天然知道自己在哪里。但真实扫地机器人没有这个便利，它必须通过SLAM算法实时构建地图并定位。MATLAB仿真环节练的是“路径策略”，真实产品中还要加很多感知层面的东西。

我通常会建议初学路径规划的同学先在仿真环境里把策略逻辑调稳，不要一上来就碰真机。真机上除了控制误差，还有传感器噪声、电机延迟、打滑等等问题，这些因素叠加起来，会让一个仿真中好好的内螺旋算法直接失效。

6.3 如何评估一次改进是否有效

算法改进不能凭感觉，要有数据支撑。我会固定同一张地图、同一个起点，然后对比改进前后的覆盖率曲线。注意必须固定相同初始条件，否则路径不同没有可比性。

评估指标建议用这五个：最终覆盖率、平均重复率、总路径长度、总转角次数、运行时间。完整记录这五组数据，横向对比几次改进，就能知道某种策略变化到底值不值。

最后说一点我自己的体会。做这个MATLAB仿真项目时，最有价值的不是最终跑出一个漂亮的螺旋轨迹，而是在调试过程中理解“全覆盖规划”和“点到点规划”本质上的差异。我建议你也像我一样，故意设置几个非矩形地图和凹形障碍物，让算法暴露短板，再针对性地改进。把“盲区检测”这个模块加进去之后，你会对整个路径规划链条产生更通透的理解。

如果你也正在做类似项目，记住一个小技巧：把map、cleaned、traj这三个核心变量当作系统的心脏，所有功能都围绕它们设计。数据结构稳定，后面加什么功能都不会太乱。希望这篇里的代码片段和排查经验能帮你少走几步弯路。