Home / 机器人经典基础 / VFH：别把障碍挤成一股力，先看看哪里有通道

026｜VFH：别把障碍挤成一股力，先看看哪里有通道

论文：Johann Borenstein、Yoram Koren，The Vector Field Histogram—Fast Obstacle Avoidance for Mobile Robots，1991，IEEE TRA 7(3):278–288。DOI · 作者上传全文 · 原文重排副本。

先接住前作的问题

势场把障碍合成一个方向，窄门里可能互相抵消。VFH保留方向直方图来选择通道。

五个前置概念

五个前置概念：栅格表示保存空间证据；极坐标直方图把局部空间压缩到方向；平滑降低量化跳变；局部规划只决定眼前动作；控制延迟限制危险出现后可用的反应时间。

一、问题设定：狭窄通道的信息怎样避免被单一合力抹掉

用障碍斥力和目标引力相加，机器人可能在狭窄走廊左右摇摆，也可能因为两侧障碍很近而看不到中间实际可通行的缝隙。问题不一定是感知缺失，而可能是把丰富的空间结构过早压缩成了一个合力向量。

背景与问题：局部方向选择不是完整路径规划

输入是距离传感器读数、机器人当前位姿和目标方向，输出是转向与速度指令。算法在线运行，但不是在线强化学习；没有策略网络、价值函数或奖励。它在每个控制周期重新解释周围空间，利用短期感知记忆，而不预先知道整个障碍地图。

最直接的参照是作者此前的 Virtual Force Field，即 VFF。两者都积累栅格信息，但 VFH 在栅格与动作之间增加了极坐标直方图。这个中间层保留不同方向上可通行区域的结构，避免把障碍分布直接求和成一个无法分辨通道的向量。

栅格的 certainty value 是重复测距形成的信心计数，不应直接当作上一章严格贝叶斯后验。原文第 6 节实现使用 0–15 的数值；0 表示没有读数落到该格，并不能单凭这一点证明那里已经观测为空。

主要物理前提是机器人能够在足够快的感知与控制更新中调整方向，传感器能提前探测危险障碍。声呐漏检、最小测距和车身尺寸会实质限制通道，不是调一个阈值就能消除。

二、从栅格权重生成方向直方图，再选择候选谷

方法：栅格、直方图、谷与动作

第一步在当前机器人周围取活动窗口。对格子 $(i,j)$ ，记信心值 $c_{ij}$ ，相对机器人距离 $d_{ij}$ ，方向角 $\beta_{ij}$ 。按原文式 (2) 形成权重

$m_{ij}=c_{ij}^{2}(a-bd_{ij}).$

参数选取使活动窗口最远处权重降至零。平方强调反复出现的障碍读数，距离项强调近处障碍。这是启发式设计，不是从碰撞概率严格推导出的后验。

第二步将方向离散成扇区 $k$ ，累加对应格子：

$h_k=\sum_{(i,j):\operatorname{sector}(\beta_{ij})=k}m_{ij}.$

再用局部加权平均平滑，减少栅格量化造成的锯齿。原文实际采用 $5^\circ$ 角分辨率，即 72 个扇区；图 4 为了画清楚而使用 $10^\circ$ ，不能把图示设置误读成实现设置。

图4：活动窗口内栅格到极坐标障碍直方图的映射 — Johann Borenstein、Yoram Koren（1991），图 4，PDF 第 10 页；原文与图注；放大查看。原版权保留。

读图：每个活动格按相对方向进入一个扇区，再由距离和确定度贡献障碍密度；这一步连接二维地图与一维转向选择。

第三步给直方图设阈值，寻找连续低于阈值的候选谷。选择和目标方向相关的谷后，窄谷取中间方向；宽谷根据靠近目标的一侧边界与限定扇区宽度选方向，以保持合适的障碍间距。不是无条件对整个最大开口取正中。

最后根据前方障碍密度和转向需求降低速度。论文使用启发式速度调节，并讨论最低速度参数；这与显式计算制动距离的安全约束不是同一回事。其效果依赖具体车辆与更新延迟。

数学量 $h_k$ 是障碍密度，机制是通道识别，性能指标是运动速度、顺滑程度与通过能力。没有一个全局目标函数在这里被严格求最优，也不能把最低密度方向当成最短路方向。

从栅格到方向：信息到底丢在哪里

把第 $k$ 个角扇区里的单元贡献相加，可写成 $h_k=\sum_{(i,j)\in k}c_{ij}^{2}(a-bd_{ij})$ ，这里 $(i,j)$ 是格子索引， $c_{ij}$ 是信心计数， $d_{ij}$ 是距机器人的距离， $a,b$ 是距离权重的截距与衰减参数；活动范围需保证该权重非负。这不是规范化概率：加一倍重复观测或改变扇区宽度，都可能改变直方图数值，阈值必须和建图、分辨率一起定。降维保留“哪个方向障碍密集”，却不再完整保留沿该方向各个距离层的拓扑。

可复算教学例。 同一扇区两格的置信计数分别为2、1，距离权重为0.5、1，贡献为 $4\times0.5+1\times1=3$ ；相邻扇区只有一格，计数2、权重0.25，贡献为1。阈值2会保留后者。这里不能读成前者有75%碰撞概率，也不能由一个低谷推出有限车身一定能穿过。原文第3节对VFF离散力抖动的分析，解释了为什么作者宁可保留方向分布，而不是立即把所有障碍压成一个合力。原稿第3–4节

与势场是问题上的平行改进关系；与占据栅格是表示思想上的历史联系，VFH计数不能直接视为后者的后验概率。DWA进一步以速度可达性和制动条件筛选动作，两者不是仅仅换一个打分函数。

低谷表示候选方向，车身尺寸与传感器盲区决定它是否可用。下面按门宽例子检查这个接口，再把图11的速度放回具体设备条件。

本页定位：图 11内嵌图。

三、执行方向与速度选择，检查车宽和近距盲区

输入：新测距、当前位置、目标方向、直方图参数
积累命中格子的信心值，截取机器人周围活动窗口
将每格信心与距离转换为障碍权重
按方向累加成极坐标直方图并平滑
找连续低于阈值的扇区区间，形成候选谷
选择接近目标的候选谷
若谷窄，朝其中心；若谷宽，按边界和安全间隔选方向
根据当前前方密度与转向需求调节速度
输出速度和转向命令，下一周期重新计算

自构例子：方向可用，不等于车身能通过

设一辆宽 0.8 m 的机器人面对 1.0 m 开口。按几何尺寸，两侧各有 0.1 m 余量；若传感器最近可靠测距为 0.27 m，机器人居中时两侧墙进入近距盲区。原文设备据此给出 $0.8+2\times0.27=1.34$ m 的传感器约束尺度。

这个例子不是说所有 0.8 m 机器人都需要 1.34 m 通道，而是说明车体、传感器和控制共同决定能否安全通过。换成近距感知良好的传感器，结论会改变；只降低直方图阈值并不会改善近距可见性。

四、读Fig.11轨迹并结合硬件周期与检测边界

Fig. 11：沿 Start 到 Target 的连续路径看机器人如何穿过细杆障碍，旁边标注的是这次代表运行的速度与控制设置 — 原论文结果图／表摘引：Johann Borenstein、Yoram Koren（1991），Fig. 11，PDF 第 21 页；核对原文。原版权保留。

读图：沿 Start 到 Target 的连续路径看机器人如何穿过细杆障碍，旁边标注的是这次代表运行的速度与控制设置。它支持实时反应的可行性，不能给出任意未知障碍场的安全保证。

实机在由细杆构成的障碍场中连续通过，图 11 的代表运行平均速度为 0.58 m/s。这个结果证明所示系统的实时反应能力，不能理解为任意未知环境都不会碰撞或陷入死路。

本页定位：图 11内嵌图。

实验设置：速度必须与硬件和障碍一起看

这里链接的是 1991 年作者重排稿，PDF 页序不同于期刊印刷页。VFH+、VFH* 的后续改动不用于解释本篇原图。

项目	原文第 6 节设置
平台	CARMEL，Cybermotion K2A 同步驱动移动平台，约 125 kg
传感器	24 个超声波传感器，环直径 0.8 m，最近可探测距离约 0.27 m
计算	20 MHz Intel 80386 运行 VFH，另有传感器与底层控制计算机
最大运动能力	正文给最大速度 0.78 m/s、最大转向速率 120 度/秒
任务	未预先告知位置的细杆、家具等障碍；图 11 为约 1.4 m 间距的杆阵
时间预算	一个周期涵盖取声呐、更新栅格、直方图、动作计算和通信，27 ms
统计限制	给出代表运行与大量演示的文字说明，没有可复算的总次数、失败率与置信区间

本页定位：图 11内嵌图。

27 ms 约等于 37 Hz，这是按 $1/0.027$ 自行换算。它不是纯直方图函数耗时，更不是所有声呐都完成一次独立全景扫描的时间。对实时机器人来说，更新链路含哪些步骤，比只报“算法很快”更有意义。

五处证据与它们的边界

图 4 与式 (1)–(5)，第 4.1 节解释从格子到方向直方图，支持机制可执行；没有在图中证明任意地图都能保留所有几何信息。

本页定位：图 4内嵌图。

图 5–6，第 4.1 节把三个障碍簇和三个峰对应起来，说明中间表示保留空间差异。注意图 5 提到 1.2 m 间隙，是结构说明场景；不能据此断言实机安全通过了比第 6 节理论测距边界更窄的门。

图5：障碍场景与对应直方图栅格，保留a、b两面板及图例 — Johann Borenstein、Yoram Koren（1991），图 5，PDF 第 12 页；原文与图注；放大查看。原版权保留。

读图：先在(a)定位墙面、隔板和细杆，再在(b)看相应占据格；图例中的确定度不是直接的距离值。

图6：同一障碍直方图的笛卡尔与极坐标表示，含阈值与方向图例 — Johann Borenstein、Yoram Koren（1991），图 6，PDF 第 12 页；原文与图注；放大查看。原版权保留。

读图：上图的低谷对应可选方向，下图把同一密度映射回机器人周围；A、B、C峰需要与图5中的障碍一一对应。

本页定位：图 5内嵌图。

图 8–图 9，第 4.2 节说明宽谷沿障碍行走、窄谷居中的控制逻辑。作者将其与 VFF 的振荡问题对照；图中几何解释与实机展示相互支持，但没有多平台稳定性定理。

图8：离障碍过近、过远和合适距离时的三种转向 — Johann Borenstein、Yoram Koren（1991），图 8，PDF 第 14 页；原文与图注；放大查看。原版权保留。

读图：对照(a)、(b)、(c)中的目标方向与实际转向；控制规则会根据距离偏差向外或向内修正，形成沿障碍稳定行驶。

图9：目标方向受阻时从自由扇区中选择转向方向 — Johann Borenstein、Yoram Koren（1991），图 9，PDF 第 15 页；原文与图注；放大查看。原版权保留。

读图：目标方向落入受阻区域时，选择由自由谷边界限定的转向；这是一种局部决策，不能推出必然存在全局可达路线。

图 11，第 6 节给出约 3/4 英寸直径细杆、约 1.4 m 间距的代表测试，平均速度 0.58 m/s 且不停车。这一数字与摘要 0.6–0.7 m/s 的概括应分开，不必强行让单次例子等于摘要范围。

本页定位：图 11内嵌图。

第 6 节失败边界说明更细的 1/2 英寸杆在最大速度下检测不可靠，1×1 英寸方杆也存在困难。这比只读成功轨迹更能说明实际约束：算法无法回避根本没被传感器及时看到的物体。

五、限制局部到达、阈值和细障碍检测结论

VFH 的核心贡献是保留中间表示。地图不直接变成一个合力，而是先成为候选动作方向的结构。它让噪声累计、方向平滑和通道选择各自有了明确位置，也便于解释机器人为何朝某个方向行驶。

阈值仍存在两端风险。第 4.3 节指出阈值过高可能忽略障碍，过低会关闭可行窄通道；作者认为普通场景不必极度精调，并不意味着高速拥挤场景可以随便设置。信心平方也会放大持续错误读数，所以重复并不是正确的充分条件。

以下为模型分析。U 形障碍可以使局部目标方向反复诱导机器人进入凹区；需要全局记忆或上层子目标才能有系统地脱离。动态障碍还要求预测其未来运动，当前方向空闲不代表到达那里时仍然空闲。对转弯半径大的车辆，低密度方向也可能暂时无法执行。

论文第 4.5 节明确把它定位为局部规划器。它不是 A* 的替代物，而是能够接收全局路线上子目标的局部控制环。搭配方式是否有效还需统一检查全局路径、局部可执行性与传感器边界。

六、追问：只比较平均速度，怎样会把传感器能力误算成算法收益？

只比较平均速度，怎样会把传感器能力误算成算法收益？

参考答案：更可靠的检测范围、不同障碍尺寸或更强制动能力都能改变可安全运行的速度。应固定或明确列出这些条件，同时报告碰撞、停顿和到达情况。正文细杆检测边界说明，代表运行的平均速度不能脱离传感硬件解释。

七、继续检查候选方向是否来得及刹停

平行路线：DWA：先问刹不刹得住，再问走哪条路最快。在速度空间显式筛选可达且可刹停的动作，而不只选择几何方向。

八、自测与参考答案

问题1：为什么加一层直方图会比直接求斥力合力更有用？

答：合力只留下一个方向和大小，不保留多条通道的位置与宽度。直方图能区分左右障碍形成的两个峰以及中间的谷，使控制器选择通道而非在两股斥力之间被动平衡。

问题2：调高阈值让机器人通过窄门，为什么也可能增加碰撞风险？

答：较高阈值会把更多方向归为候选谷，其中可能包括真实障碍方向。只有接近到权重足够大时才被排除，而此时剩余转向与制动时间可能不够。阈值不是纯粹的“勇敢程度”，它与速度、噪声和距离共同作用。

问题3：直方图显示目标方向空闲，为什么仍不能证明最终到达目标？

答：它只描述当前局部窗口，窗口外可能是死路，车辆也可能无法执行所选方向。到达保证需要考虑全局连通性、运动约束和动态变化；局部避障成功只是整个导航链的一环。