我这几年做机器人导航项目从建图、定位到全局规划一路趟过来说实话前面几步的成就感都来得比较“虚”地图画出来了路径规划出来了看起来头头是道可真让机器人跑起来才发现真正决定它能不能活着走到目标点的其实是藏在最后那几百毫秒里的local planner。这玩意儿在ROS导航栈里一直不怎么起眼但实车一跑就原形毕露——全局规划给了一条康庄大道local planner要是拉胯机器人照样原地转圈、贴墙摩擦、被一把椅子堵到死机。这个系列写到这里已经是第四篇前面聊过gmapping建图、AMCL定位、global planner选路今天这篇就是冲着local planner来的。不管你是在做机器人导航仿真还是已经上实物车准备做抓取、配送、巡检只要你发现机器人“有路不走、见障就懵”那问题大概率出在这里。1. 先搞清楚为什么有了全局规划还要一个local planner1.1 全局规划给出的只是一条“大方向”很多人第一次接触ROS导航栈最容易误解的就是全局路径规划。以为地图上画出来的那条红色连线就是机器人要走的实际轨迹。这种理解在仿真里跑直线还好一放到真实环境立刻出问题。全局规划器拿到的是静态地图它在这张地图上用Dijkstra或者A*算法算出一条从起点到目标点的路径。这个过程本身没有问题问题在于它赖以决策的世界是“静止”的。地图上标着这里是墙、那里是桌子机器人就沿着它们之间的空隙规划路径。可真实世界里充满了不在图上的东西一个人走过来了一把椅子被挪了位置一扇门被打开了。这些东西在全局地图上完全不存在全局规划器自然也不可能绕过它们。换句话说全局规划干的活是从地图层面找路它的粒度是“米”级的只负责保证在大尺度上方向正确。至于这中间怎么躲开突然冒出来的障碍物怎么在狭窄通道里调整姿态怎么平滑地从一个路径点过渡到下一个路径点全局规划一概不管。这里可以用一个生活化的例子来理解全局规划相当于高德地图给你规划的路线它告诉你“前方第三个路口右转”而local planner相当于你握方向盘的实际操作——路上突然有个坑你得绕一下前车慢得要死你得并线超车。高德不会帮你避让路上的临时情况但它保证了大方向没错。在机器人导航里local planner干的就是“握方向盘”这个活。1.2 local planner到底在谁的指挥链里干活把local planner放在整个导航系统的指挥链里看它的位置就非常清晰了。在ROS的move_base框架里整个导航决策流水线大概是这个顺序传感器数据进来先喂给costmap生成障碍物代价地图全局规划器基于全局costmap计算出宏观路径local planner拿到这条全局路径的一小段结合本地costmap的实时障碍物信息计算出机器人接下来几百毫秒到几秒内应该执行的速度指令最后这个速度指令通过cmd_vel话题发给底盘驱动。关键就在这里local planner其实从来没有拿到过完整路径它从全局规划器那里得到的只是一段“局部视野”。move_base会不断把全局路径上距离机器人当前位置最近的一段切出来转发给local planner让它在短距离内规划一条可执行的真实轨迹。这样做的目的是实时性——局部规划的视野只需要覆盖机器人的制动距离和动态避障范围处理起来速度很快能跟得上传感器数据的更新节奏。这种“一大一小”的规划架构几乎是所有移动机器人导航系统的标准设计。全局规划保证最优性和可达性局部规划保证安全性和实时性。两者互相配合缺一不可。很多人调导航时只看全局路径走得漂不漂亮忽略了local planner才是真正拿着方向盘的手这是根子上的误区。1.3 costmaplocal planner的“眼睛”和“触觉”local planner本身不直接处理激光雷达或深度相机数据它读的是costmap。costmap本质上是一张栅格地图每个栅格上存着一个“代价值”表示机器人走到这个位置的“危险程度”。这个值从0到2550是完全安全254是接近障碍物255是直接撞墙。costmap分为全局costmap和局部costmap。全局costmap主要服务于全局规划虽然也实时更新但更新频率低、范围覆盖整个地图主要用于宏观路径选择。局部costmap则是local planner的主场它只围在机器人周围一小片区域内比如3米乘3米以高频率刷新实时反映周围几米内的障碍物分布。在costmap里除了原始障碍物栅格还会生成一层“膨胀区域”inflation layer。这层膨胀区域的意义在于机器人是有体积的不能像质点一样贴着墙根走。膨胀半径会把障碍物向外“撑大”一圈撑出来的区域代价值随距离递减。local planner在做轨迹评价时会优先考虑让机器人远离高代价区域但又不至于完全避开所有非零区域——毕竟现实中走廊就那么宽一点代价都不敢碰的话机器人寸步难行。注意costmap膨胀半径调大机器人会显得“很怂”离障碍物老远就开始绕调小了小车贴着墙走看着勇猛但稍微有点定位误差就蹭上了。对大部分人来说这个参数值得花很多时间反复实验。2. 主流local planner算法盘点与选型思路2.1 DWAROS里用得最多的“窗口扫描法”DWADynamic Window Approach动态窗口法是ROS导航栈里最经典、久经考验、也是默认使用的local planner算法。它的核心思路可以用一句话概括在每个控制周期内根据机器人当前速度计算出所有“下一时刻可能达到的速度组合”然后对每个速度组合模拟出一段轨迹用评价函数打分选分数最高的那个速度发出去。为什么叫“动态窗口”因为它不是盲目的在整个速度空间里采样而是只在一个受限的速度窗口内采样。这个窗口的大小由机器人当前速度、加速度极限和控制周期决定。比如机器人当前速度为0.5m/s加速度极限为0.5m/s²控制周期为0.1s那下一个时刻机器人能达到的速度就只在0.45到0.55m/s之间。这个范围就是一个动态变化的“窗口”每时每刻都在随当前状态移动。DWA的优势是算法简单、计算量小、容易调试对差分驱动机器人来说基本够用了。它不显式规划一条未来的路径而是通过“采样-模拟-评价”三步循环实现局部避障控制频率可以做到很高非常适合对实时性要求苛刻的场景。这也是它多年来一直霸占ROS默认local planner位置的原因。不过DWA的短板也明显它只考虑当前这一小段时间内的轨迹没有全局视野容易被局部环境“绕进去”比如在U形障碍物前面来回摆动。另外它对机器人的运动模型做了较大简化如果是阿克曼转向的车型或者全向移动平台DWA的表现就会差一些需要针对运动模型做定制修改。2.2 TEB把轨迹和速度一起当作优化对象TEBTimed Elastic Band时间弹性带是另一款主流local planner它的名字听起来玄乎实际思路却很优雅。它把机器人从当前位置到局部目标点之间规划出的轨迹想象成一条“弹性带子”这条带子上的每个点都连接着机器人的位姿、时间戳。然后通过构建一个多目标优化问题让这条“带子”在满足避障、运动学约束的前提下尽可能短、尽可能快、尽可能平滑地到达目标。TEB的“弹性”体现在它的优化机制上轨迹上的点之间像是有弹簧在拉扯太远就往回拉太近就往外推遇到障碍物会形成一个排斥力让轨迹尽量绕开目标点和时间约束又会让轨迹整体往前进方向拖动。最终通过图优化求解器比如g2o迭代求解让所有“力”达到平衡输出一串最优位姿序列再从中提取出当前控制周期的速度指令。跟DWA相比TEB有几个明显优势。第一它生成的轨迹更平滑转弯轨迹是连续过渡的不像DWA那样有生硬的折线感。第二它能自然处理机器人的运动学约束比如最小转弯半径、加速度限制对阿克曼车型和差速车的适配性都很好。第三TEB是可以“倒车”的在狭窄空间里会主动设计倒车动作来调整姿态这是DWA做不到的。但TEB也有代价。它的计算量比DWA大得多优化问题每一帧都要迭代求解对机载电脑算力有一定要求。而且TEB的超参数特别多每一条权重都要调调不好容易出现轨迹抖动、速度忽快忽慢、掉头过于频繁等问题。新手直接上手TEB很容易被它的一堆weight参数搞到心态爆炸。2.3 其他方案与选型对照表除了DWA和TEBROS生态里还有几个local planner方案虽然用的人相对少但各自有不可替代的场景。MPCModel Predictive Control模型预测控制是这几年学术界和工业界都很热的方案它把预测控制的思想引入局部规划在每个控制周期内滚动求解一个有限时域最优控制问题能显式处理各种复杂约束控制效果最稳但计算开销最大。还有基于纯跟踪Pure Pursuit的算法算法极简、只跟踪前方一个目标点适合做一些简单巡线任务碰到复杂障碍物就抓瞎。实际项目里怎么选我给一张对照表供参考方案计算开销动态避障能力轨迹平滑度倒车能力适用场景DWA低中等一般不支持差速底盘、室内平地、预算有限的算力平台TEB中高强高支持服务机器人、巡检车、复杂狭窄环境MPC高强高支持高速移动平台、车辆动力学约束强的场景Pure Pursuit极低弱依赖路径质量不支持巡线、沿固定路径运行2.4 我的选择心得与换用场景单从仿真demo来看DWA和TEB好像差别不大反正都能跑到目标点。但一旦上了实物车差异就非常明显。我做过的几个项目里室内小差速底盘用DWA比较多原因很实在拿一块树莓派或者Jetson Nano做机载电脑DWA跑起来非常轻松控制频率能拉到20Hz以上反应灵敏而且DWA的行为模式比较“耿直”基本只往前走不容易出现TEB那种为了调整姿态反复倒车、原地扭来扭去的“迷惑行为”。后来做一款楼宇巡检机器人底盘是差速转向但体积大、速度要求快通道经常有门框和临时摆放的杂物DWA就顶不住了。小车总是到了门框附近才开始慌慌张张地调整方向几次差点蹭到门框。换到TEB之后它在几米外就开始规划平滑的进门轨迹配合倒车动作在狭窄区域的表现明显上了一个台阶。所以选local planner不是越高级越好而是看你的底盘约束、环境复杂度、算力盈余这三者的平衡。仿真阶段务必把两种方案都跑一遍至少了解它们的脾性免得项目做到一半才换那才叫一个痛苦。3. DWA核心原理与参数调优实操3.1 DWA的“动态窗口”到底是什么DWA的运行流程可以拆成四个步骤。第一步是生成速度采样空间第二步是筛掉不可行速度第三步是对剩余速度组合模拟轨迹第四步是轨迹评分。先看速度空间。对差速驱动机器人来说速度组合就是线速度v和角速度ω的二元组(v, ω)。理论上这个空间是无穷大的但真正可能执行的速度范围要受到三重约束。第一重约束来自机器人硬件本身的速度极限线速度不能超过max_vel_x角速度不能超过max_vel_theta。第二重约束来自动力学也就是加速度极限——假设当前车速是0.3m/s加速度上限是0.3m/s²采样周期是0.1s那下一拍车速最高只能到0.33m/s最低只能到0.27m/s。第三重约束来自安全制动机器人必须保证在当前速度下、按照最大减速度刹停轨迹不能撞到障碍物。只要有一个采样速度组合过不了这三重约束中的任何一重就直接排除。剩下的速度组合构成一个多边形区域这个区域随着机器人当前状态每小时在动态移动这就是“动态窗口”名字的由来。这里有个很微妙的地方障碍物检测是放在采样之前还是采样之后的顺序直接决定了DWA的安全性预期。正常的DWA会在采样后模拟一段轨迹然后检测这条轨迹上所有点离最近障碍物的距离如果距离小于机器人半径这个速度组合就会被丢弃。所以DWA本质上是“先验后验”先采样再验证。这个过程每100毫秒左右重复一次够快到让机器人躲开动态障碍物。3.2 轨迹评价公式与权重理解速度空间筛完剩下的合法速度组合依然有很多个DWA靠一个评价函数来打分排序。ROS里经典的评分公式分三个分量——方位角代价heading、障碍物距离代价dist和速度代价vel。方位角代价衡量的是如果机器人以这个速度组合运动模拟轨迹末端机器人朝向与目标方向之间的夹角差。夹角差越小说明这个速度组合越能帮助机器人对准目标评分越高。障碍物距离代价衡量的则是模拟轨迹上离障碍物最近的距离。最近距离越大说明轨迹越安全评分越高。速度代价最简单就是鼓励机器人尽量跑得快速度越高评分越高防止机器人为了安全而长期龟速爬行。最终的综合评分是这三者的加权和。这就引出了调参的核心三个权重的相对大小决定了机器人的“性格”。如果path_distance_bias障碍物距离权重设得过大机器人会变得极度保守前面有一点代价区域就急刹车甚至卡住不动。如果goal_distance_bias目标方向权重设得过大机器人会猛打方向直扑目标结果往往一头撞上中间的障碍物。如果速度权重过大机器人会为了跑快而牺牲避障的安全边际走出来的轨迹比较“浪”。在代码层面这些权重在teb_local_planner和base_local_planner的参数文件里的名字略有不同写作时要留意当前ROS版本。实操心得DWA调参不要上来就动权重。先把速度极限、加速度极限、采样周期这些基础参数调到一个合理范围再动权重。基础的动态约束没调好权重怎么调都是在给错误系统打补丁。3.3 一个简单实现框架伪代码级理解了DWA的原理写一个简化版的实现就顺理成章了。下面这个伪代码框架可以帮你快速对照ROS源码里的base_local_planner逻辑是基本一致的每个控制周期 读取当前速度(v0, w0)、当前位置和姿态、 局部代价地图、当前局部目标点 生成候选速度列表 for dv in velocity_increment: for dw in angular_increment: v clamp(v0 dv, min_vel_x, max_vel_x) w clamp(w0 dw, min_vel_theta, max_vel_theta) 模拟轨迹 以(v, w)按sim_time时长正向积分 轨迹上均匀取点 if 轨迹上任意点a的栅格代价值大于阈值: 丢弃该速度组合 else: 计算heading_score 轨迹末端朝向与目标方向夹角 计算dist_score 轨迹离最近障碍物距离 计算vel_score v 总评分 α*heading β*dist γ*vel 记录到候选队列 选择总评分最高的速度组合发布到cmd_vel这里值得留意的是轨迹模拟这一步。DWA不是直接算出一条理论轨迹而是用运动学模型做“正向积分”——从机器人当前位姿出发按照一辆车在(v, w)下的运动规律一步一步往前推sim_time秒得到一条表现“如果我这样做我会走到哪里”的轨迹。sim_time一般设为1到3秒太短看不到完整避障效果太长计算量上去了还容易把误差放大。3.4 参数调试的顺序与踩坑记录DWA参数多但调试顺序有讲究。我先调的是速度极限max_vel_x直接决定了机器人最快跑多快配合acc_lim_x一起定。室内小底盘的典型起步参数是max_vel_x0.3m/s、max_vel_theta1.0rad/s、acc_lim_x0.5m/s²、acc_lim_theta1.5rad/s²。这个范围比较保守宁可先慢一点把流程跑通再加速度。然后调sim_time和sim_granularity。sim_time决定模拟轨迹的时长sim_granularity决定轨迹上的采样点间隔。采样点间隔越密障碍物检测越准但计算量越大。我一般先设置sim_time2.0s、sim_granularity0.05m如果机器人显得“近视”——到了障碍物跟前才突然转向就把sim_time调大到2.5s或3.0s如果机器人反应迟钝、转向犹豫就适当减小sim_time。最后才是调三个权重。一个很常见的错误是阈值卡得太敏感结果机器人动不动就“我全都要”式地紧急避让速度掉到接近零然后原地打转。我遇到过的情况是障碍物距离权重从0.1改成0.2之后小车在走廊里就开始画龙走两步停一下回头检查代价地图才发现膨胀层把整个通道染成了半红状态DWA根本找不到一条“足够安全”的轨迹。注意如果你在RViz里看到局部代价地图周围一圈全是刺眼的红色别急着骂local planner——先检查激光雷达安装高度、里程计漂移、tf树是否正常。local planner只是在它看到的地图上做决策地图本身脏了它再聪明也白搭。4. TEB原理与工程化要点4.1 时间弹性带轨迹被“弹性拉直”TEB跟DWA的思路完全不同它不扫速度窗口而是直接对整段路径做优化。它的名字里的“Timed”表示每个路径点都携带一个时间信息不只是地位移还记录“什么时候到达这里”“Elastic Band”表示整条路径被想象成一条有弹性的带子可以在外力作用下拉伸、弯曲、变形。具体来说TEB把局部轨迹表示成一串离散位姿点相邻点之间有固定或可变的时间间隔Δt。这个序列不是随便生成的而是基于当前全局路径的局部截取段初始化而来的。在优化过程中算法会在这些点之间施加若干“虚拟力”——目标吸引力让轨迹末端正好指向局部目标点 ——障碍物排斥力让轨迹点尽量远离障碍物和代价地图里的高价值区域 ——时间最优力希望总时间尽量短也就是速度尽量快 ——运动学约束力保证相邻位姿之间的运动符合机器人转弯半径、加速度等物理极限 ——平滑性约束力让轨迹点之间不要剧烈拐弯、不要抖动。这些“力”最终被统一形式化为一个多目标最小化问题通过图优化求解器迭代求解。每迭代一轮轨迹就会往“受力平衡”的状态靠近一步。这个过程持续到收敛或者达到最大迭代次数然后TEB从优化后的轨迹中提取当前需要执行的速度指令。这里有个有趣的特性优化过程中整条轨迹是不断“蠕动”的。你以为它最终会稳定在一条固定轨迹上其实每个控制周期它都在微调因为局部代价地图在更新、障碍物在移动、目标点也在切换。这种持续调整正是TEB能处理动态环境的原因但也意味着如果优化问题参数设置不当轨迹可能一直“扭来扭去”停不下来。4.2 目标函数与图优化求解我在这里把目标函数稍微展开一点但不会把公式写成大段数学推导尽量用“是什么意思”来翻译。TEB把优化问题写成几个目标项的和每项都带一个权重障碍物代价项每个位姿点到周围障碍物距离的惩罚函数。距离越近代价越高低于安全阈值时代价趋近无穷。这个项直接决定机器人与障碍物保持的“心理距离”。时间最优项所有相邻的时间间隔之和追求总时间最短。权重越大机器人越倾向于走快路哪怕稍微绕远一点。轨迹跟踪项轨迹偏离参考路径初始全局路径的代价。权重越大轨迹越贴合全局规划给出的路径。动力学约束项对速度、加速度、转弯速率的惩罚。保证优化结果不是数学可行但物理上跑不出来的轨迹。这个优化问题怎么解TEB用的是基于g2o通用图优化库的求解框架。整个问题被抽象成一个图结构位姿点作为图的顶点顶点之间通过“约束边”连接。约束边代表运动学关系、时间关系、障碍物距离关系等。图优化求解器通过不断调整顶点即位姿的值让所有边的残差最小化。残差这个概念对机器人工程师来说很关键。所谓残差就是约束边当前值与期望值的差比如障碍物约束要求“轨迹点离障碍物至少0.3m”当前值是0.1m残差就是0.2m。优化求解器就是不断迭代把这些残差压下去。如果你发现TEB规划的轨迹跟障碍物贴得太近往往是权重不足而不是求解器失效。4.3 TEB调参重点与典型陷阱TEB调参是个深坑我吃过不少亏把几个最关键的经验整理出来。第一个关注的是dt_ref这是TEB中两个相邻位姿之间参考时间间隔。dt_ref越小轨迹上的点越稠密优化出的轨迹更细腻但计算量也更大dt_ref太大轨迹显得“稀疏”在紧急避障时可能漏掉细节。我的经验值是在0.3到0.5s之间起步再看CPU占用和规划的细腻程度调整。第二个重点是一堆weight参数。weight_obstacle控制避障的优先级weight_time控制“多快到达”的优先级weight_shortest_path控制轨迹长度优先级。这三个参数在调的时候要特别小心因为它们是相互拉扯的。weight_obstacle设高了机器人见障碍物就绕一条直线被它绕成S形weight_time设高了机器人会在障碍物边缘强行加速通过看着都悬weight_shortest_path设高了它又会主动从障碍物边上“贴”过去因为这样路径最短。第三个是min_obstacle_dist。这是TEB规划轨迹时必须保持的最小障碍物距离单位是米。这个值比costmap的膨胀半径要独立得多设太小直接从视觉上就没有安全余量。我的建议是这个值不要小于机器人的底盘半径5cm还要考虑传感器噪声——激光雷达有系统偏差时标称20cm的实际距离可能只有15cm。再提醒一个很典型的TEB陷阱开启倒车。TEB默认是允许倒车的这在某些狭窄场景里很实用但代价地图和传感器覆盖范围如果不能覆盖车尾区域倒车就会变成“盲倒”。我一度遇到小车在走廊里疯狂来回倒车一查才发现车尾方向激光雷达有盲区TEB检测不到后面的障碍物只能靠位姿估计硬倒。解决办法是限制min_vel_x不允许为负或者确保车尾传感器覆盖充分。4.4 DWA与TEB在同一台小车上的对比实验为了给选型提供真实依据我曾在同一台差速底盘上、同一个工作环境里分别跑了DWA和TEB。环境是一条大约12米长的走廊中间摆了几把椅子当障碍走廊尽头放了一个目标点。激光雷达布置在底盘中央机载电脑是一块Jetson Nano。DWA跑下来的结果是平均速度0.28m/s全程无碰撞但在椅子附近会有明显的减速和小幅绕行动作轨迹看起来有一点“犹豫”。从开始到抵达目标点用了大约50秒。TEB跑同一路段时平均速度提到0.35m/s轨迹平滑得多在椅子之间走出了一个非常流畅的S形中间几乎没有停顿抵达目标点用了约38秒。代价也很明显TEB在Jetson Nano上的CPU占用比DWA高出一大截优化过程偶尔会出现1到2帧的延迟不过还没到影响控制稳定的程度。这个对比实验给了我一个很实际的选型参考算力足够、环境复杂、追求效率TEB是更好的选择算力紧张、行为保守、追求稳定DWA更香。没有绝对的好坏只有匹配不匹配。5. 仿真验证实战从导航到抓取的一整套流程5.1 仿真环境准备与地图构建聊了这么多理论实际操作才是检验真理的唯一标准。我在仿真环境里把local planner的完整调试流程走了一遍这里拿Gazebo配合TurtleBot3模型来做演示。这套组合的好处是开源免费、社区资料多、复现成本低用来理解导航栈的机制特别合适。仿真第一步是构建地图。TurtleBot3仿真里已经带了gazebo世界文件和地图文件直接用现成的就行。但如果你模仿的是真实场景请在仿真里尽量还原实际环境——门框宽度、走廊长度、桌椅摆放位置这些几何参数直接影响local planner的行为。我在仿真的摆放了跟办公室一致的桌椅和柜子这样后面跑了有效果才能指导实物部署。地图建好后先启动AMCL定位再用RViz设定目标点做一个快速验证机器人能不能从A点平滑走到B点。这个阶段不要急着上抓取先把导航的“基本功”验证到位。5.2 local planner的launch配置与启动在仿真里切换local planner关键在move_base的launch文件。你要在params目录下的local_planner参数文件里指定算法插件。DWA用的是base_local_planner的DWAPlannerROS插件TEB用的是teb_local_planner的TebLocalPlannerROS插件。把参数文件里base_local_planner这个键的值换成对应的插件名再启动move_base就完成了切换。参数文件的格式大同小异通常包含了机器人的速度上限、加速度上限、目标容差、代价地图配置等。以下是我在仿真中使用的局部规划参数核心片段能直接参考base_local_planner: teb_local_planner/TebLocalPlannerROS TebLocalPlannerROS: odom_topic: odom map_frame: map # 运动学约束以TurtleBot3为例 max_vel_x: 0.25 max_vel_x_backwards: 0.15 max_vel_theta: 1.0 acc_lim_x: 0.3 acc_lim_theta: 1.0 # 目标容差 xy_goal_tolerance: 0.15 yaw_goal_tolerance: 0.1 # 障碍物 min_obstacle_dist: 0.2 penalty_epsilon: 0.1 weight_obstacle: 50.0 weight_time: 5.0 weight_shortest_path: 8.0启动之后在RViz里查看局部路径那条彩色带子。如果机器人走得很顺彩色带子会稳定地贴在全局路径附近速度指令平滑如果出现轨迹扭曲、频繁掉头先看权重再看运动学约束有没有设太小。5.3 机械臂抓取与local planner的衔接仿真中做“导航抓取”任务时local planner的角色不止是把机器人开到目标点还要保证最终停位姿态符合抓取需求。这一点经常被忽略——机器人到达“目标点”不等于到达“可抓取位姿”。我在仿真里布置了一个抓取任务机器人需要从起点出发导航到桌子前的目标点然后机械臂把桌上的方块夹起来。难点在于目标点不能离桌子太近否则机械臂伸展范围不够也不能太远否则够不着。local planner的xy_goal_tolerance参数这时候就起作用了它决定了机器人停在多远的范围算到达。如果这个容差设得太大机器人可能在距离目标点半米外就认为“我到了”机械臂往下伸直接抓空。正确的做法是把导航目标点设置成“机械臂基准坐标系能达到的理想位置”然后在local planner的容差范围内要求尽可能精确地停位。我在仿真里把xy_goal_tolerance从默认的0.2m收紧到0.1myaw_goal_tolerance从0.1收紧到0.05rad这样机器人停下后机械臂的抓取成功率明显提升。实操心得做导航机械臂联合任务一定不要等到机器人“到了”再去伸机械臂。提前在仿真里标定好机械臂的抓取工作空间跟底盘停位偏差之间的映射关系然后反推local planner的容差要求。我见过太多项目卡在“导航到了但抓不到”这种问题上根子就是停位精度没跟抓取需求对齐。5.4 实测记录与数据复盘我在仿真里反复跑了十次完整的导航抓取流程记录了每次的导航时间、停位误差、抓取成功率。DWA版本的数据是平均导航时间45秒停位误差在x方向7cm、y方向4cmyaw方向偏差约0.06rad抓取成功率七成左右失败的几次基本都是停位时车头朝向偏了。TEB版本的数据明显更好平均导航时间36秒停位误差x方向4cm、y方向2cmyaw方向偏差0.03rad抓取成功率九成。这个数据很有说服力。差异主要来自TEB在接近目标点时会主动做姿态调整在路径末尾规划出一段平缓的“对齐轨迹”而DWA是到了目标点附近才开始匆忙转方向姿态调整的余地有限。如果你的项目涉及机械臂抓取、充电对接、停靠取货这类对接动作建议优先考虑TEB或者至少在目标点附近增加一个“姿态调整阶段”。仿真跑完后再上实物顺序一定要保持先在仿真里把参数调到行为和实物预期一致再上实物车验证。因为仿真是理想化环境很多实物上的噪声和摩擦效应它模拟不出来。仿真阶段把行为调顺了上实物后只需要微调传感器话题和里程计参数不需要从头再来。6. 常见问题与排查技巧实录6.1 典型故障现象与原因速查表做local planner调试的过程中我积累了不少“症状-病因”对照经验。整理成速查表放在这里遇到问题可以先把下面的原因排除一圈大概率能解决一半以上故障现象可能原因排查方向机器人原地转圈不走局部目标点太近或目标在代价地图高代价区检查全局路径是否生成、目标容差是否过大频繁急停、速度忽快忽慢加速度极限过大或代价地图噪声过大降低acc_lim_x检查里程计话题噪声贴着墙走、跟障碍物距离过近膨胀半径太小或weight_obstacle太低增大inflation_radius或加大障碍物权重到了目标点附近来回晃xy_goal_tolerance太小或yaw容差太紧适当放宽目标容差检查目标点姿态朝向轨迹转弯太急、画龙采样周期过长或sim_time太短调小控制周期增大sim_timeTEB频繁倒车前方障碍物密集、轨迹优化陷入局部极小限制最小速度不为负调整障碍物权重DWA在狭窄通道卡住局部代价地图里膨胀区域过宽缩小膨胀半径调整障碍物距离权重机器人反应迟钝、路径滞后传感器融合频率低或控制周期长提高move_base控制频率检查tf延迟6.2 排查思路与日志分析技巧排查local planner问题时不要上来就猛改参数。我习惯遵循三步走先看数据流再看代价地图最后才动参数。第一步看数据流。启动导航后在终端里用rostopic echo /cmd_vel观察速度指令是否规律再监听odom话题确认底盘反馈的里程计数据是否是合理的平滑变化。如果cmd_vel里速度指令跳变剧烈很可能是local planner在“纠结”如果cmd_vel一直为零但规划在跑问题可能出在目标点设置或代价地图上。第二步看代价地图。打开RViz把Map显示切到/local_costmap/costmap把代价值显示范围调成可见。仔细观察机器人周围一圈的代价分布如果障碍物周围的高代价区域过宽机器人当然不敢过如果高代价区域比实际障碍物偏了问题在传感器或tf上不在local planner上。这一步能筛掉大量假故障很多人卡在local planner上半天最后发现是激光雷达装歪了。第三步才动参数。每次只改一个参数改完跑一遍同一条路线对比效果。一次改多个参数的做法看起来省事实际上根本分不清是哪个改动起了作用。我个人的习惯是每调一个参数就记录当时的现象和结论整个调参过程下来你手上的参数档案就是这个项目最值钱的沉淀。6.3 调参先调什么的经验法则最后送一个我摸索出来的调参顺序基本可以套用在任何local planner上按照这个顺序走一遍能避免大多数“调了半天发现搞反了”的情况。从硬件约束开始速度上限、加速度上限、角速度上限。这些参数必须跟底盘的实际驱动能力匹配。把上限设小一点不丢人跑得稳比跑得快重要得多。再从传感器噪声出发如果激光雷达有抖动或者里程计有漂移先把这些数据喂进系统时做滤波别指望local planner能靠算法兜住脏数据。然后是运动学与安全约束最小障碍物距离、膨胀半径、安全制动距离。这几个参数决定机器人的“保命底线”。底线设定合理后机器人至少不会撞墙再谈效率。接下来才是行为权重目标方向权重、障碍物权重、速度权重这些参数决定机器人的“性格偏好”。最后是控制频率和优化细节sim_time、dt_ref等在行为表现基本满意后再收尾微调。熟悉这套流程以后你会发现local planner的调参不是玄学而是一个有明确因果关系的工程问题。每一步都有据可依每一个现象都能对应到某一层的参数排查效率能翻好几倍。——说回我自己从最初不知道local planner和全局规划有什么区别到后来能在仿真和实物上熟练切换DWA和TEB花了挺长时间踩坑。这个过程中最有价值的领悟就是导航系统是一个整体local planner只是最后一环前面任何一环出错都会在它身上体现出“症状”。所以遇到问题别急着骂local planner先把你自己的数据链路检查一遍。等哪一天你的机器人能在障碍物中间走出漂亮平滑的曲线、稳稳停在抓取点前那种成就感真的比看一百遍理论文章都爽。