ego-planner-ros2核心算法解析

我们可以先看项目的组成

一、核心文件位置框架

复制代码

src/planner/
│
├── plan_manage/src/
│   ├── planner_manager.cpp    ← 【总调度】调用前端和后端
│   └── ego_replan_fsm.cpp     ← 状态机，决定什么时候重规划
│
├── path_searching/src/
│   └── dyn_a_star.cpp         ← 【前端】A* 搜索算法
│
└── bspline_opt/src/
    ├── bspline_optimizer.cpp  ← 【后端】轨迹优化
    └── uniform_bspline.cpp    ← B-spline 曲线表示

接着我们从启动脚本single_run_in_sim.launch开是往各个核心算法代码开始发散学习：

二、single_run_in_sim脚本调用

主要调用部分：

1.map_generator_node

2.mockamap_node

3.advanced_param_include

4.traj_server_node

5.simulator_include

解析以上：

1. 地图部分：

map_generator_node 和 mockamap_node 都是地图部分 single_run_in_sim脚本中二选一开启如果你要测试无人机穿越森林场景用 map_generator_node；如果要测试复杂室内/迷宫环境用 mockamap_node

2.advanced_param_include（轨迹规划的核心）：

include启动了advanced_param.launch.py

3.traj_server_node：

我们看看调用源代码：

cpp 复制代码

traj_server_node = Node(
    package='ego_planner',           # 所属功能包
    executable='traj_server',        # 可执行文件名
    name=['drone_', drone_id, '_traj_server'],  # 节点名，如 drone_0_traj_server
    output='screen',                 # 日志输出到终端
    
    remappings=[                     # 话题重映射
        ('position_cmd', ['drone_', drone_id, '_planning/pos_cmd']),
        # 原话题 position_cmd → drone_0_planning/pos_cmd
        
        ('planning/bspline', ['drone_', drone_id, '_planning/bspline'])
        # 原话题 planning/bspline → drone_0_planning/bspline
    ],
    
    parameters=[                     # 参数设置
        {'traj_server/time_forward': 1.0}  # 轨迹前向预测时间 1秒
    ]
)

包名： ego_planner**(但是文件夹名为plan_manage,具体名称由package.xml决定)**

可执行文件名称： traj_server (作为轨迹服务并非轨迹规划)

**节点名称：**drone_0_traj_server