在机器人自主导航中，建图后的 避障策略 是核心环节之一。一个常见的问题是：
我应该用高程图（Elevation Map）还是将高度筛选后的障碍物点云投影到 2D costmap？二者有什么区别？如何正确处理高空障碍物？
本文就详细讲解一下这两个常用方案的异同、优缺点，并结合实际工程经验，分享常见配置策略，帮助大家合理设计自己的导航避障系统。
🗺️ 1️⃣ 高程图（Elevation Map）简介
高程图 是一个 2D 栅格地图，每个 cell 存储对应区域的 地面高度信息 。
它属于 2.5D 表达，常用于表达地形起伏、坡度、台阶等信息。
典型用途：
✅ 计算坡度（通过相邻 cell 高差）
✅ 判断地形是否可通行（traversability analysis）
✅ 轮式 / 越野 / 腿足机器人需要判断是否能翻越 / 爬坡
优缺点：
| 优势 | 局限 |
|---|---|
| 可以表达坡度 / 台阶 | 高空障碍物表达能力弱 |
| 地形可通行性分析 | 需要额外模块处理动态障碍物 |
坡度如何计算？
高程图中每个 cell 存 z，高度差 Δz 和水平距离 Δx/Δy 计算坡度：
s l o p e = Δ z Δ x 2 + Δ y 2 slope = \frac{Δz}{\sqrt{Δx^2 + Δy^2}} slope=Δx2+Δy2 Δz
这对于轮式机器人是否能安全行驶至关重要。
📌 2️⃣ 高度筛选障碍物点云 → 投影到 2D Costmap
另一种高效实用的方法是：
👉 将高度筛选后的障碍物点云投影到 2D costmap，直接作为导航中的 obstacle layer 使用。
处理流程：
1️⃣ 对原始点云按 z 轴筛选 → min_z, max_z
2️⃣ 将筛选后的点云投影到 (x, y) 平面
3️⃣ 对应 cell 设置为障碍物（lethal cost）
配置示例（ROS costmap_2d）：
yaml
obstacle_layer:
enabled: true
observation_sources: pointcloud_sensor
pointcloud_sensor:
data_type: PointCloud2
topic: /lidar/points
marking: true
clearing: true
min_obstacle_height: 0.05
max_obstacle_height: 1.4优缺点：
| 优势 | 局限 |
|---|---|
| 实现简单，实时性好 | 无法表达坡度、地形信息 |
| 高空障碍物可直接映射到 costmap | 依赖高度阈值，阈值选不好会误判 |
| 适合室内机器人 / AMR | 不适合需要 traversability 的复杂机器人 |
✈️ 3️⃣ 高空障碍物如何处理？
关键问题：
高程图无法直接表达高空障碍物！
- 高程图通常存地面高度（最低 / 平均 / 中位 z），不存高层结构。
- 如果直接存"这个格子很高"，无法判断底下是否可通行。
高空障碍常用处理方式：
| 机器人类型 | 策略 |
|---|---|
| 轮式机器人 / AMR | 只投影 base → robot_top 高度内障碍物，高空障碍通常忽略 |
| 高机器人 / 巡检机器人 / 送餐机器人 | robot_base → robot_top 高度障碍投影到 2D costmap，防止撞头 |
| 更复杂机器人 | 使用 voxel grid 存 3D occupancy，结合 2D costmap 导航 |
为什么不能简单存"这个格子很高"？
- 机器人是否撞 depends on robot 自身高度。
- 需要动态筛选影响当前机器人体积的障碍物 → 配合 height threshold + 投影策略处理。
🔄 4️⃣ 高程图 vs 高度筛选障碍物 → 导航中的配合使用
实际上，很多优秀的导航系统是 二者结合用：
| 图层 | 功能 |
|---|---|
| 高程图 | 计算 traversability cost → Global costmap |
| 高度筛选障碍物点云投影 | 动态障碍物实时避让 → Local costmap obstacle layer |
这样可以兼顾：
✅ 地面是否可走（坡度 / 台阶）
✅ 空中是否有障碍（实时投影）
✅ 动态障碍物的快速处理能力
🚀 5️⃣ 工程实战建议
常见配置经验：
1️⃣ Global costmap： 用高程图 → 生成 traversability cost → feed 给 Global Planner
2️⃣ Local costmap： 用 pointcloud → 筛选 robot_base → robot_top → 投影为 obstacle layer
3️⃣ 高度筛选参数要根据机器人高度合理设置 → 防止 "能过的地方 planner 判成障碍物" 或 "撞头"
4️⃣ 高机器人场景推荐用 voxel grid → 支持 3D costmap 表达复杂场景
📝 6️⃣ 小结
| 能力 | 高程图 | 高度筛选障碍物点云投影 |
|---|---|---|
| 坡度表达 | ✅ | 🚫 |
| 地形可通行性分析 | ✅ | 🚫 |
| 动态障碍实时处理 | 🚫 | ✅ |
| 高空障碍处理 | 🚫（需 voxel 补充） | ✅（通过高度筛选投影） |
| 实现复杂度 | 中等偏高 | 很低，容易集成 |
🎁 7️⃣ 推荐阅读
🔚 结语
希望本文能帮助你更好理解 高程图 vs 高度筛选障碍物点云投影 在导航中的作用差异和组合用法。
合理配置这两种图层，可以显著提升导航系统的 可通过性判断能力 和 动态障碍避让能力，打造更加智能和稳健的机器人导航系统 🚗✨。