1. 从'撞墙'到'绕行'：Bug 算法的直觉理解
想象一下，你被蒙上眼睛，站在一个空旷的房间里，有人告诉你：'向前走十步，就能拿到桌子上的苹果。'你开始径直向前走。走了五步，你的膝盖'砰'地一声撞到了什么东西——是一把椅子。这时候你会怎么做？你肯定不会继续硬着头皮往前撞，而是会伸出手，摸着这把椅子的边缘，小心翼翼地绕着它走，直到你感觉前方没有阻碍了，再重新判断苹果的方向，继续前进。
这个'撞到就绕'的朴素策略，就是Bug 算法最核心的思想。在机器人路径规划领域，Bug 算法就是这样一种简单、直接、不需要'上帝视角'地图的局部规划方法。它不关心整个房间的布局，只关心'我'现在在哪里，'目标'在哪里，以及'我'眼前有没有障碍物。这种特性让它特别适合用在未知环境探索、实时避障以及计算资源有限的场景里，比如扫地机器人，或者在一个陌生仓库里穿梭的物流小车。
在路径规划初期，往往觉得那些需要构建全局地图、计算复杂代价函数的算法（比如 A*、Dijkstra）才是'正统'。但在实际项目中，尤其是在一些嵌入式设备上，全局地图的构建和更新本身就是个巨大的开销。有时候，机器人只需要完成'从 A 到 B'这个简单任务，环境中的障碍物可能还会移动。这时候，Bug 算法的优势就体现出来了：它足够轻量，反应迅速，实现起来也简单。本文将把这个算法的数学思想'翻译'成实实在在的 Python 代码，看看这个'笨办法'到底有多聪明。
2. Bug 算法家族：三种绕障策略的深度剖析
别看 Bug 算法思想简单，它其实是一个'家族'，包含了 Bug0、Bug1、Bug2 等几个主要成员。它们共享'直线趋近'和'边界跟随'这两个基本动作，但在'何时离开障碍物'这个关键决策上，策略截然不同，这也直接导致了路径效率和计算复杂度的差异。
2.1 Bug0：直觉派的'见缝就钻'
Bug0 是最简单的版本，它的策略非常符合我们一开始的直觉：
- 直线朝目标走。
- 撞到障碍物？那就贴着障碍物的边绕。
- 绕的时候，随时检查：我现在能直接朝目标走了吗？如果能，立刻离开障碍物，回到步骤 1。
听起来很合理，对吧？但这里有个大坑。早期实现中曾遇到机器人'反复横跳'的问题。在一个凹形障碍物面前，机器人绕到某个点，发现和目标点之间没有障碍物了（视线可达），于是它兴冲冲地离开边界，直线前进。结果没走两步，又撞到了同一个凹形障碍物的另一侧，只好再次贴边绕行……如此循环，路径变得非常冗余。
Bug0 的数学描述很简单。假设机器人在时刻 t 的位置是 (x_t, y_t)，目标点是 (g_x, g_y)。在直线趋近模式下的移动增量是：
delta_x = sign(g_x - x_t) # sign 是符号函数，返回 1, 0, -1
delta_y = sign(g_y - y_t)
下一个位置就是 (x_t + delta_x, y_t + delta_y)。这个 sign 函数保证了机器人每一步都朝着目标方向移动至少一格。
它的计算复杂度是 O(n)，n 是路径步数。因为它几乎不做'记忆'和'比较'，只关注当下，所以速度最快，但规划的路径往往不是最短的，在复杂障碍物环境下表现不稳定。
2.2 Bug1：保守派的'彻底侦察'
Bug1 吸取了 Bug0 的教训，采取了一种更保守的策略：
- 直线朝目标走，撞到障碍物（记下这个'撞击点'）。
- 开始完整地绕障碍物一整圈。在绕圈的过程中，像一个侦察兵一样，默默记下所有边界点中，距离目标点最近的那个点（我们叫它'最近点'）。
- 绕完一整圈回到最初的'撞击点'后，它不直接离开，而是沿着边界，专门再走到刚才记下的'最近点'。
- 从这个'最近点'离开障碍物，继续直线前进。
这个策略保证了机器人至少能找到一条绕过当前障碍物的路径，并且是从障碍物周边离目标最近的地方离开的。理论上，这能产生比 Bug0 更优的路径。实测下来，在单个大型复杂障碍物面前，Bug1 的路径通常确实更短、更合理。
但是，它的代价是时间。Bug1 的计算复杂度是 O(n²)。为什么？因为绕行一整圈需要遍历障碍物边界点（假设有 m 个），同时，为了找到'最近点'，在每一步都需要计算当前点到目标点的距离（一次距离计算是 O(1)，但需要比较 m 次）。在最坏情况下，它需要遍历边界点两次（绕一圈 + 走到最近点）。所以，当障碍物很大、边界很长时，Bug1 会显得很慢。
