注：以下展示效果速度为2X。右下角为机器人1，右上角为机器人2。使用的仿真器为Gazebo。

以下展示单机器人进行路径规划，我们让机器人从右上角跑到右下角，绿色线为规划的路径。

图（1）单机器人路径规划

我们将机器人放在机器人雷达扫描不到对方的位置，然后同时对两个机器人进行路径规划，绿色线为机器人2规划的路径，红色线为机器人1规划的路径。与单机器人规划的图（1）对比，图（2）中的机器人2和单机器人路径规划图（1）中的机器人2的规划均为从右上至左下角，但在多机器人协同规划中主动规避了机器人1所规划的路径。

图（2）多机器人协同规划

图（3）多机器人协同规划

我们将一个机器人1放在机器人2的必经之路上，机器人2主动规划出绕开机器人1的路径，但当机器人1离开原来的位置时机器人2会将路径重新修正为最优的路径。图中红色线为左方机器人规划的路径，绿色线为右方机器人规划出的路径。

图（4）最优路径实时修正

与协同规划不同，因为在比赛中无法获取敌方机器人的精确位置，因此利用全局规划很难规划出准确绕开敌方机器人的路线。但通过我们的local_planner，可以有效地绕开这些动态障碍物。图中绿色线为全局规划器规划的路径，红色线为局部规划器规划的路径，被移动的机器人（障碍物）为敌方机器人。

图（5）实时规避动态障碍物

我们在机器人的起点放置了一块正方体障碍物，在终点附近放置了敌方的车辆来减少机器人可运动的空间。在仅保留了机器人大约1.2个身位的通道情况下，机器人仍然能够很好的通过该区域。图中绿色线为全局规划器规划的路径，红色线为局部规划器规划的路径，被移动的机器人（障碍物）为敌方机器人。

图（6）无碰撞通过狭小区域

当路径规划出现失败的时候，例如在真实比赛的环境中可能会出现机器人被挤入costmap的致死区域，然而在A*算法中，这种情况会导致全局路径规划失败。因此我们引入了路径规划的Recovery行为，当机器人被挤入致死区域，我们可以通过清除机器人周围以r 为半径的代价值，从而联通了costmap，增加路径规划的成功率。
下图为我方机器人进入致死buff区域，并成功规划的例子：

图（7）路径规划Recovery行为

---