OS导航中的机器人模型与参数调优是确保机器人能够安全、高效地在各种环境中自主移动的关键环节。本文将基于一个具体的多边形机器人模型，系统性地总结在ROS Navigation框架下进行参数调优的实践经验。
🔖 关于本文
本文是基于
teb_local_planner进行调优的总结，内容包含机器人模型构建、costmap参数设置、teb_local_planner核心参数解析，以及实用的调试思路与方法。
🤖 一、机器人足迹模型（Footprint Model）：一切安全与规划的基础
机器人足迹模型是路径规划中碰撞检测的物理基础。一个精确的模型是确保后续规划有效的前提。
📌 1. 多边形（Polygon）模型
这是最精确、适应性最强的模型，它通过一系列顶点来勾勒机器人的真实外形。多边形的每条边都会参与到碰撞计算中，为狭窄环境下的导航提供了更高的安全性和灵活性。
以下是基于真实尺寸构建的一个多边形模型示例，其外形数据为：长度 = 0.21 - (-0.265) = 0.475 米，宽度 = 0.29 + 0.29 = 0.58 米。
**💡 设计原则**：顶点应精确描述机器人的物理外壳。对于多边形模型，请确保你的
min_obstacle_dist设置是一个合理的正数，代表外壳外的额外安全间距，而不是包含外壳尺寸的值。
📌 2. 其他模型简介
为方便对比，下表总结了其他几种常见的足迹模型类型及其适用场景。
| 模型 | 适用场景 | 关键参数 |
|---|---|---|
point |
资源极度受限的平台或理论验证 | 无需参数 |
circular |
近似圆形的机器人 | radius |
line |
细长型且宽度可忽略的机器人 | line_start , line_end |
two_circles |
近似两个圆形的机器人（如汽车模型） | front_offset , front_radius, rear_offset, rear_radius |
🗺️ 二、代价地图（Costmap）：构建机器人的"安全感知区"
代价地图是全局规划与局部规划的"底层数据"，决定了机器人对环境的感知与安全判断。
⚙️ 1. inflation_radius
inflation_radius 定义了障碍物周围代价膨胀的范围。机器人会尽量避免进入这个高代价区域。
-
调优策略
：这个值应略大于机器人外接圆半径，以确保机器人主体不会进入高代价区。对于上述多边形模型，**
inflation_radius建议设置为 0.6～0.8 米**。过小的膨胀半径可能导致机器人紧贴障碍物，而过大会使全局规划在狭窄通道中失败。
⚙️ 2. cost_scaling_factor
cost_scaling_factor 控制着膨胀区域内代价的衰减速度，值越大，衰减越快，高代价区域越集中。
-
调优策略
：
-
规划过于激进
：若机器人总是切角或紧贴障碍物，可以增大此值（如从 5 增至 10），让全局路径更平滑。
-
全局路径呈锯齿状
：增大此值有助于使规划出的全局路径更平滑。
-
🧭 三、teb_local_planner：精细化的局部路径调优
teb_local_planner 是 ROS 生态中最强大的局部规划器之一，它能生成复杂的避障轨迹，但计算开销相对较高。
🚦 1. 运动学约束 (Robot)
这些参数定义了机器人的物理极限，必须基于硬件实测，而非随意设置。
| 参数 | 推荐值 | 说明 |
|---|---|---|
max_vel_x |
0.25～0.3 m/s | 最大前进速度 |
max_vel_x_backwards |
0.2～0.25 m/s | 最大后退速度 |
max_vel_theta |
0.5～1.0 rad/s | 最大旋转角速度 |
acc_lim_x |
0.5 m/s² | 最大线加速度 |
acc_lim_theta |
0.5 rad/s² | 最大角加速度 |
🎯 2. 避障参数 (Obstacles)
这部分参数直接决定了机器人对障碍物的敏感度和行为。
-
**
min_obstacle_dist：这是机器人外壳与障碍物之间的最小硬性安全距离**。这是最重要的避障参数之一，设置不当会导致严重的导航问题。-
调优策略
：对于上述多边形模型，可初始设置为 0.2 米 。如果机器人在空旷地带"畏首畏尾"，可以减小 此值（如 0.1 米）；如果经常擦碰障碍物，则增大此值。如果参数选择过高，机器人可能会因为无法满足苛刻的安全距离而在窄道前"犹豫不决"。
-
-
**
inflation_dist**：这定义了min_obstacle_dist之外的软性缓冲区。它必须大于min_obstacle_dist才能生效。-
调优策略
：可设为
min_obstacle_dist的 2～3 倍，例如 0.6 米。增大此值会让机器人更早、更平缓地开始避障。
-
⚖️ 3. 优化权重 (Optimization)
优化权重决定了 TEB 在多目标优化中如何权衡不同的目标。
-
**
weight_obstacle**：避障项的权重。值越大，机器人越倾向于远离障碍物。 -
**
weight_optimaltime**：轨迹时间最优项的权重。值越大，机器人的运动越"大胆"，倾向于以更高速度通过，但也可能造成更激进的切角。对于上述多边形模型，可从 3 开始调整。 -
**
weight_kinematics_forward_drive**：鼓励前进运动的权重。值越大，越抑制倒车行为。对于不允许倒车的场景，可以设一个较大值。
👁️ 4. 轨迹规划 (Trajectory)
-
**
max_global_plan_lookahead_dist**：局部规划器向前采样全局路径的最大距离。-
调优策略
：增大 此值让机器人看得更远，能更好地预测弯道，但路径可能更不"贴线"；减小此值（如 1.0 米）会使机器人更严格地跟随局部路径，适合通过曲折的通道。
-
🆚 四、teb_local_planner vs. dwa_local_planner
在 ROS 中，teb_local_planner 和 dwa_local_planner 是最常用的两款局部规划器。为了帮助你根据项目需求做出合适的选择，下表梳理了它们在核心算法、轨迹质量和计算开销上的主要区别。
| 对比维度 | teb_local_planner |
dwa_local_planner |
|---|---|---|
| 核心算法 | **Timed Elastic Band (TEB)**：通过图优化模型在时间维度上调整轨迹，能更精细地平衡多种约束。 | **Dynamic Window Approach (DWA)**：在速度空间进行离散采样，模拟多条轨迹并选择最优。 |
| 轨迹质量 | 能生成更平滑、更复杂的避障轨迹，尤其适用于狭窄、动态的环境。 | 轨迹相对"粗糙"，但在结构化环境中表现稳定可靠。 |
| 计算开销 | 较高 。其图优化过程对计算资源有一定要求。 | 较低 。计算效率高，适合资源受限的平台。 |
| 参数数量 | 较多，灵活性高，调优空间大。 | 相对较少，更易于快速上手和配置。 |
如何选择？
-
选择 TEB
：如果你的机器人需要频繁通过窄道、动态障碍物多，或需要极致平滑的轨迹，并且计算资源充足，TEB 是首选。
-
选择 DWA
：如果你的平台计算资源有限，或在开阔、静态的环境中运行，DWA 是一个非常稳定和高效的方案。
🛠️ 五、调试工具与实战技巧
-
**
rqt_reconfigure**：这是 ROS 提供的实时参数调试工具，允许你在不重启节点的情况下修改和试验参数值。启动命令为rosrun rqt_reconfigure rqt_reconfigure。这是调优过程中的核心工具。 -
**
rviz**：这是可视化调试的重要工具。在 rviz 中同时显示全局规划路径、局部规划路径和膨胀区域，是快速理解机器人行为的最佳方式。
📐 一个关键的调优公式：窄道通过性
机器人的理论最小通道宽度可以通过以下公式快速估算：
理论最小通道宽度 = 机器人宽度 + 2 ×
min_obstacle_dist
对于示例中的多边形机器人（宽度 0.58 米，min_obstacle_dist=0.2 米）：
理论最小通道宽度 = 0.58 + 0.4 = 0.98 米。
这是一个理论值。在实际应用中，由于控制误差和定位噪声，你需要在理论值基础上增加一个安全裕度（通常为 0.1～0.2 米），以确保稳定通过。
💎 六、总结：一套高效的调优流程
-
确立基线
：首先，确保机器人模型 (
footprint) 精确。这是所有后续工作的基础。 -
优化全局路径
：暂时禁用速度指令或降低速度，专注于调整
costmap中的inflation_radius和cost_scaling_factor，观察 rviz 中的全局路径是否平滑、安全。 -
调整局部路径
：启用
teb_local_planner，从保守的运动学参数（低速度、低加速度）开始，逐步调整避障参数。 -
精细微调
：在典型场景（如窄道、拐角）中测试，重点调整
min_obstacle_dist、inflation_dist和weight_optimaltime。
-
反复迭代
：导航调优是一个不断试错和观察的过程。每次只改变一两个参数，并使用
rqt_reconfigure实时观察其影响。