DWA + MPC 分层协作：让移动机器人既敢绕障、又能贴住路径

原文：Autonomous Navigation of Mobile Robots: A Hierarchical Planning--Control Framework with Integrated DWA and MPC

作者：Zhongrui Wang、Shuting Wang、Yuanlong Xie、Tifan Xiong、Chao Wang（华中科技大学机械科学与工程学院；哈尔滨工业大学机器人技术与系统国家重点实验室）

期刊：Sensors 2025, 25, 2014（MDPI，2025-03-23 出版，DOI: 10.3390/s25072014）

图注：整篇论文的"骨架"------规划模块负责选局部目标、优化评价函数并用动态窗口法生成局部路径，跟踪模块用曲率自适应参考点驱动 MPC，感知模块把机器人状态与障碍位置回送给控制器。它想回答的是：规划与控制到底该怎样互相"知情"。

论文把"局部路径规划（改进 DWA）"和"轨迹跟踪（曲率自适应 MPC）"从各管一段改造成互相知情的一体化分层框架：在仿真里把规划成功率从 60% 提到 95%、平均路径缩短 8.58 m，在实车上把平均跟踪误差从 11.3 cm / 10.9 cm 压到 1.1 cm / 1.7 cm，而且控制回路只要 10 Hz。

研究背景与现有方法不足

在人机协作、智能制造的共享空间里，移动机器人被同时要求两件事：别撞人（过程安全） 与 快点把活干完（任务效率）。这本来是"规划 + 控制"两个模块的工作，工业界也习惯把它们分开做------规划器只关心"找一条几何上没障碍的路"，控制器只关心"跟着给定的路走"。

作者指出，这种解耦带来的坑在工程现场非常常见：

局部目标与全局路径脱节。 传统局部规划器常在机器人前方一个固定距离处取一个"局部目标点"，它可能正好落在障碍物上或障碍物背后，于是规划器在障碍附近反复生成不可行路径、原地"兜圈子"，直接把规划成功率拉到 60%（12/20）这类不可用的水平。
几何连续性与控制可跟踪性被忽略。 规划器输出的路径在障碍附近常有曲率突变（急拐），控制器为了追点会打出剧烈方向变化，既费能量也把跟踪误差推大，最终表现为"贴着障碍画龙"。论文用一张图（原文 Figure 1）总结了这类分层框架的典型失效。
绕障后回不到全局路径。 局部规划把机器人带偏之后，缺少"恢复"机制，机器人长时间沿局部路径游走，跟随误差持续累积。

一句话概括这层矛盾：规划器不知道"这条路控制上好不好跟"，控制器也不知道"我的跟踪误差会反过来把规划带偏"。此外，复杂环境下还要保证起点---终点之间的路径连通性和规划成功率，这要求局部规划具备自适应能力。

核心创新点

作者的做法不是把两个模块合并成一个巨型优化，而是让两个模块在各自的目标函数里显式地"看见对方"，并把这种耦合写成一个清晰的三模块框架（感知---规划---跟踪）。

1）分层框架本身就是一个贡献。 框架在路径生成阶段就引入路径跟踪约束，在控制阶段又反过来利用路径的几何特征（曲率），整体方案同时考虑轨迹可行性、绕障后与全局路径的连续性、以及跟踪精度。

2）局部路径规划层：在线局部目标点选择 + 改进评价函数。

当检测到需要绕障时，规划器不再取"固定距离"的局部点，而是在全局路径上以机器人当前位置为圆心、半径 2.0 m 生成一批候选子目标，用三项打分选出最优：障碍距离权重 0.5、与机器人距离权重 0.3、航向连续性权重 0.2。这一改动的直接效果是避免把目标点选在障碍里，从根上消掉了"在原地兜圈规划失败"的情形。
DWA 的评价函数中新增曲率连续性项（权重 0.3），与距离项 0.2、速度项 0.1、障碍项 0.4 共同打分。目的是让局部路径尽量"平顺"，为下游 MPC 降低跟踪难度。

3）轨迹跟踪层：曲率自适应参考点 + 自适应时域。

不再机械地"追离自己最近的那个路径点"，而是根据局部路径曲率在线调整参考状态（曲率大时提前"看向"前方弯道），从而缓解绕障模式下跟踪精度的塌陷；
预测时域 Np 与控制器时域 Nc 随曲率在 $5, 20$ 之间自适应：直线段用小时域省算力，高曲率段把时域拉长保精度------这是"精度与实时性之间自动换挡"的关键。

图注：整体流程可以看成一个带"双模式开关"的状态机：正常模式沿全局路径行驶，一旦检出障碍就切到避障模式（选最优局部目标 → 生成最优局部路径 → 跟踪局部路径），并在威胁解除后回到全局路径。两个模式共用同一套 MPC 跟踪器，只是参考轨迹不同。

图注：这一对示意图解释了"局部目标点该选在哪"：当机器人到全局路径的距离较小（上图）时可在较大范围内选点；当偏离较大（下图）时目标区域被限制在图中红色虚线段的"待选区域"，保证局部目标既避开障碍、又能把机器人拉回全局路径。

实验平台

仿真： 在全局路径上随机生成障碍物，构成 20 组随机障碍环境（用于规划层对比）；障碍物等效半径 0.2 m、机器人半径 0.15 m、安全裕度 0.1 m，模拟室内常见的立柱、家具之类的障碍。
实车： 阿克曼转向底盘的自研原型车（原文 Figure 16：车体上装了平面 LiDAR、IMU、微控制器、车载处理器）；计算单元为 NVIDIA Jetson TX1 ，软件栈是 ROS Melodic + C++ ，点云处理用 PCL，优化问题用 CasADi 框架 + 非线性规划求解器求解，控制回路频率 10 Hz；感知用最大量程 5 m 的平面 LiDAR + IMU 做障碍定位与自车状态估计。
对比基线： 规划层与标准 DWA 对比（两者都接同一套 MPC 跟踪器）；跟踪层与 PID 控制器（P=1, I=0.001, D=20）和标准 MPC（Np=10）对比。
关键参数： 最大线速度 0.3 m/s、最大角速度 1 rad/s；MPC 权重 Q=0.8、R=0.2、时域参数 µ=0.4；时域上限 Npmax=20、下限 Npmin=5；DWA/子目标权重如上文。
实车场景： Scene I 是带障碍的通道（含"从两个障碍之间穿过去"的窄通道导航）；Scene II 中有一个来回走动的人作为动态障碍，需要避让后重新回到全局路径。

图注：实车平台的正脸：阿克曼转向底盘、平面 LiDAR、IMU、微控制器与车载处理器。这张图值得看，是因为论文里"毫米级/厘米级"的结论最终是在这套 10 Hz 的嵌入式平台上跑出来的，而不是大算力工作站。

主要结果

规划层（20 组随机障碍环境）： 改进 DWA 把平均路径长度从 111.9768 m 降到 103.3942 m（减少 8.58 m，约 7.7%） ，规划成功率从 60%（12/20）提升到 95%（19/20）。作者把增益归因于两点：曲率连续性项带来的平顺路径，以及子目标选择策略带来的"更快回到全局路径"。

跟踪层（积分绝对误差 IAE 指标）： 曲率自适应 MPC 全面优于 PID 与标准 MPC：

方法	IAE-x	IAE-y
PID + DWA	25.5889	30.0039
MPC + DWA（标准 Np=10）	20.4195	27.4022
本文 MPC + DWA	11.2496	15.2733

即 x 方向误差比 PID 降低 56.04% 、比标准 MPC 降低 44.91% ；y 方向分别降低 49.10% 和 44.26%。

计算效率： 由于自适应时域让平均预测时域更短，最大计算时间降低 36.6% 、平均计算时间降低 23.5%------精度提升与算力下降同时发生，这也是本文最实用的一条结论。

实车结果： 与 PID 和基线 DWA 相比，分层策略把平均跟踪误差从 x: 0.113 m → 0.011 m（降 90.26%） 、y: 0.109 m → 0.017 m（降 84.40%），作者在结论中称绝对跟踪精度达到"毫米级"。Scene I 中机器人优先选择从两个障碍之间的窄通道穿过，使局部路径尽可能贴近全局路径；Scene II 中面对往返行走的人，机器人先向左侧避让、威胁解除后向右转恢复全局路径（原文 Figure 19--22）。

图注：三条曲线对比非常直观------PID+DWA（橙色虚线）峰值误差接近 0.4--0.6 m，MPC+DWA（蓝色虚线）在绕障段仍有 0.2--0.8 m 的尖峰，而本文方法（红色实线）绝大多数时间贴在 0 附近，只在避障瞬间出现小幅尖峰。

图注：上图说明时域确实在"换挡"------基线 MPC 恒定 Np=10，本文方法平时用 Np=5，遇到高曲率段瞬间拉到 20（局部放大窗里还能看到 10--15 的中间档）；下图箱线图显示计算时间的均值与最坏值同时下降。

对机器人工程实践的启示

10 Hz 的实时性不是靠算力堆出来的。 全部实车实验跑在 Jetson TX1 这一代嵌入式平台上，靠的是"自适应时域 + 曲率自适应参考点"这类算法侧的减负手段------对成本敏感的移动机器人产品，这比换更大算力板更划算。
别让规划器只交一条几何路径。 把控制器的"能否跟得上"写进规划代价函数（本文的曲率连续性项），比后续在控制器里做补偿省事得多；反之，控制器也要利用路径曲率信息，而不是简单追最近点。
局部目标的选取需要安全约束。 给候选子目标加"到障碍的最小距离"阈值，能消除"目标落在障碍里→原地打转→规划失败"这类现场常见故障，这是本文成功率从 60% 到 95% 的主因。
指标要成对评估。 只看跟踪误差会忽略算力代价，只看成功率会忽略路径长度；本文的表 2/表 3 与计算时间箱线图是很好的评估模板。
ROS 集成路径清晰。 LiDAR + IMU → PCL 点云处理 → 规划层/跟踪层两个模块 → CasADi 求解，均为 ROS Melodic 下的 C++ 实现，参数权重（曲率项 0.3、障碍项 0.4、时域上下限 5/20 等）可直接作为调参起点。

主要局限 + 未来方向

动态障碍场景偏弱。 实车只验证了"一个人来回走"，没有行人意图预测、没有多目标交叉冲突，也没有概率化的不确定性建模。作者把"概率式障碍意图建模 + 规划--控制协同优化"明确列为未来方向。
限速较低、感知范围有限。 最大线速度 0.3 m/s、LiDAR 量程 5 m，高速与开阔/大场景下的表现未知。
参数较多。 DWA 四项权重、子目标三项权重、MPC 的 Q/R/µ、时域上下限、曲率阈值等都需要按平台重调，论文没有给出自动整定方法。
缺少与其他现代局部规划器（如 TEB、MPPI）的横向对比，也未见开源代码/数据集发布说明。
未来方向： 动态不确定性下的规划--控制协同优化（概率式障碍意图建模）、以及带优先级协调的分布式多机协同导航。

总结

这篇 Sensors 论文给出的方法论很朴素但非常工程：让规划与控制互相"知情"。规划侧用"可选局部目标区 + 曲率连续的评价函数"保证局部路径又安全又好跟，控制侧用"曲率自适应参考点 + 自适应时域"保证既跟得紧又算得快。最终结果是规划成功率 60% → 95%、路径缩短 8.58 m、IAE 误差下降 44%--56%、计算时间下降 23%--37%，实车平均跟踪误差降至厘米级以下（1.1 cm / 1.7 cm），而这一切跑在 10 Hz 的 Jetson TX1 上。对于正在做底盘导航工程化的团队，它提供了一套可直接复用的"分层 + 双侧耦合"模板与一组经过验证的参数配置。