📚 课程目录第2章行为树基础

2、行为树基础：行为树的核心概念、节点类型（控制节点、执行节点、装饰节点）与树结构

行为树（Behavior Tree，BT）是一种用于构建复杂、模块化、可复用决策逻辑的树形结构，最早广泛应用于游戏AI（如《光环》系列），近年来在机器人控制、自动驾驶、仿真系统等领域成为主流方案。与有限状态机（FSM）相比，行为树通过层级化的节点组合，将“决策”与“执行”解耦，使开发者能够以搭积木的方式快速构建、调试和扩展智能体的行为逻辑。在ROS2中，行为树通常通过BehaviorTree.CPP库实现，并与ROS2的动作（Action）、话题（Topic）和服务（Service）无缝集成。本章将系统讲解行为树的核心概念、节点类型与树结构，为后续章节中集成AI识别条件、任务状态管理和失败回退打下坚实基础。

上图展示了行为树的基本拓扑结构：根节点位于最顶层，向下连接控制节点（选择、序列、并行），控制节点再连接装饰节点和执行节点（动作、条件）。这种层级结构使得行为树天然具备“自顶向下决策、自底向上反馈”的特性。下面我们将深入剖析每个组成部分。

2.1 核心概念：状态、Tick与黑板

行为树的运行机制建立在三个核心概念之上：节点状态（Node Status）、Tick（心跳/触发）和黑板（Blackboard）。

节点状态：每个节点在执行后必须返回三种状态之一——SUCCESS（成功）、FAILURE（失败）、RUNNING（运行中）。RUNNING状态是行为树区别于传统决策树的关键，它允许动作节点跨多个周期持续执行（如机器人移动、机械臂抓取），而不会阻塞整棵树的运行。
Tick：行为树以固定频率（如10Hz或30Hz）从根节点开始，向下“打拍子”触发子节点执行。每个节点收到Tick后执行自身逻辑，并将状态返回给父节点。父节点根据子节点的返回状态决定是否继续Tick其他子节点。
黑板：黑板是一个共享的数据存储区，类似于全局变量池。树中的任何节点都可以读写黑板上的键值对，用于传递数据（如目标位置、传感器读数、AI识别结果）。在ROS2中，黑板通常与Blackboard::Ptr绑定，支持类型安全的读写操作。

  核心原理：行为树的本质是“数据驱动+事件驱动”的混合体。数据（黑板）驱动节点间的信息传递，而Tick机制驱动决策流程的推进。这种设计使得行为树天然支持“感知-决策-执行”闭环，非常适合与AI识别模块（如YOLO目标检测、语音识别）集成——AI识别结果写入黑板，行为树节点读取黑板并做出决策。

2.2 节点类型详解：控制节点、执行节点与装饰节点

行为树的节点分为三大类，每类节点承担不同的职责。下表总结了它们的核心特征与典型应用场景：

节点类型	子节点数量	核心逻辑	返回状态规则	典型应用
选择节点（Fallback/Selector）	多个	从左到右依次Tick子节点，遇到第一个SUCCESS则返回SUCCESS；若所有子节点均FAILURE，则返回FAILURE	任一子节点SUCCESS → SUCCESS；全部FAILURE → FAILURE	备选方案选择（如先尝试视觉定位，失败则用激光定位）
序列节点（Sequence）	多个	从左到右依次Tick子节点，遇到第一个FAILURE则返回FAILURE；若所有子节点均SUCCESS，则返回SUCCESS	任一子节点FAILURE → FAILURE；全部SUCCESS → SUCCESS	顺序任务执行（如先导航到目标，再执行抓取）
并行节点（Parallel）	多个	同时Tick所有子节点，根据成功/失败阈值决定返回状态	成功数≥阈值 → SUCCESS；失败数>允许值 → FAILURE	多传感器融合、同步动作（如边移动边避障）
装饰节点（Decorator）	1个	包裹单个子节点，修改其行为或状态（如取反、重试、限时）	由具体装饰逻辑决定	条件反转、失败重试、超时控制
动作节点（Action）	0个	执行具体操作（如发布速度指令、调用服务），可返回RUNNING	执行结果决定	机器人移动、机械臂控制、播放语音
条件节点（Condition）	0个	检查某个条件是否成立（如检测到障碍物、AI识别到目标），不修改世界状态	条件成立 → SUCCESS；否则 → FAILURE	传感器阈值判断、AI识别结果检查

2.2.1 控制节点：决策的骨架

控制节点是行为树的“决策中枢”，它们不执行具体动作，而是决定子节点的执行顺序和逻辑。选择节点（Fallback）用于“备选”场景，例如：选择[视觉定位, 激光定位, 航迹推算]——如果视觉定位失败，则尝试激光定位，再失败则使用航迹推算。序列节点（Sequence）用于“必须全部成功”的场景，例如：序列[检查电量, 导航到目标点, 执行抓取]——任何一步失败，整个序列即失败。并行节点（Parallel）则用于需要同时满足多个条件的场景，例如：并行[避障, 朝向目标, 接近目标]，只有当所有子节点都成功时才返回SUCCESS。

2.2.2 执行节点：动作与条件

执行节点是行为树的“手脚”，包括动作节点和条件节点。动作节点会改变系统状态或与外部世界交互，例如发布cmd_vel话题控制机器人移动、调用nav_to_pose动作服务。动作节点可以返回RUNNING状态，表示任务仍在执行中。条件节点则只做“检查”，不产生副作用，例如检查laser_scan话题中最近障碍物的距离是否小于0.5米，或检查AI识别结果中是否包含“person”类别。条件节点通常返回SUCCESS或FAILURE，不会返回RUNNING。

2.2.3 装饰节点：行为的“修饰器”

装饰节点是行为树的“魔法师”，它们包裹一个子节点，并修改其行为。常见的装饰节点包括：

取反节点（Inverter）：将子节点的SUCCESS变为FAILURE，FAILURE变为SUCCESS。例如：取反[检测到障碍物]——当没有障碍物时返回SUCCESS。
重试节点（Retry）：当子节点返回FAILURE时，重试指定次数。例如：重试(3次)[尝试连接WiFi]——最多尝试3次。
限时节点（Timeout）：给子节点设置执行时限，超时则返回FAILURE。例如：限时(5秒)[等待用户语音输入]——5秒内没有语音输入则失败。
重复节点（Repeat）：重复执行子节点指定次数或无限次，直到子节点返回FAILURE。

经验提醒：在ROS2中，装饰节点常用于处理AI识别的不确定性。例如，使用Retry节点包裹“AI目标检测”动作，当检测失败时自动重试，避免因单帧误检导致整个任务失败。但要注意设置合理的重试次数和间隔，防止无限循环消耗计算资源。

2.3 树结构设计：从根到叶的层次化组织

一棵完整的行为树通常包含以下层次：

根节点（Root）：树的入口，只有一个子节点，负责启动整棵树的Tick。
顶层控制节点：通常是选择节点或序列节点，定义任务的主流程。例如，一个巡检机器人的顶层可以是选择[执行巡检任务, 执行充电任务, 执行待机任务]。
中层控制节点：将复杂任务分解为子任务。例如，“执行巡检任务”可以分解为序列[导航到巡检点, 执行拍照, 执行AI分析]。
底层执行节点：具体的动作和条件节点，直接与ROS2接口交互。

这种层次化设计带来了三大优势：模块化（每个子树可独立测试和复用）、可读性（树形结构直观展示决策逻辑）、可扩展性（新增功能只需添加子树，无需修改现有逻辑）。

2.4 案例拆解：室内巡检机器人的行为树设计

下面通过一个室内巡检机器人的案例，展示如何将上述概念应用于实际工程。假设机器人需要完成以下任务：在走廊中巡逻，遇到障碍物时避让，检测到异常温度时报警，电量低于20%时自动充电。

初始现象与目标：机器人频繁卡在障碍物前，且无法自主处理低电量情况。目标是通过行为树重构决策逻辑，实现自主避障、异常检测和充电管理。

关键输入数据：

激光雷达话题：/scan（距离数据）
温度传感器话题：/temperature（浮点值）
电池电量话题：/battery（百分比）
AI视觉识别话题：/ai_detections（目标类别和置信度）

行为树设计：

根节点
└── 选择节点（主循环）
    ├── 序列节点（充电任务）
    │   ├── 条件节点：电量 < 20%?
    │   ├── 动作节点：导航到充电桩
    │   └── 动作节点：执行充电
    ├── 序列节点（巡检任务）
    │   ├── 条件节点：AI识别到异常目标?
    │   ├── 动作节点：导航到目标位置
    │   ├── 动作节点：执行拍照
    │   └── 动作节点：发布报警
    └── 序列节点（常规巡逻）
        ├── 装饰节点：重试(3次)[避障导航]
        │   └── 序列节点
        │       ├── 条件节点：前方有障碍物?
        │       ├── 动作节点：避障转向
        │       └── 动作节点：前进
        └── 动作节点：沿走廊巡逻

分析判断过程：顶层选择节点优先处理充电任务（电量不足时），其次是巡检任务（AI识别到异常时），最后才是常规巡逻。在常规巡逻中，使用Retry装饰节点包裹避障导航逻辑，当连续3次避障失败时，放弃该方向并重新规划路径。

实际操作步骤：

在ROS2中创建行为树XML文件，定义上述节点结构。
使用BehaviorTree.CPP库加载XML，并注册自定义的动作节点和条件节点（如CheckBattery、NavigateToPose）。
将AI识别结果写入黑板键ai_detections，条件节点AI异常检测读取该键并判断是否包含“fire”或“smoke”类别。
设置Tick频率为10Hz，运行行为树。

结果对比：重构前，机器人遇到障碍物时直接停止，等待人工干预；重构后，机器人能够自主避障、自动充电，并在AI识别到异常时主动报警。任务完成率从65%提升至92%，人工干预次数减少80%。

风险与代价：行为树增加了系统复杂度，调试时需要同时关注树结构和节点状态。此外，Retry节点可能导致重复尝试消耗时间，需合理设置重试次数。

复盘经验：行为树设计应遵循“先条件后动作”的原则，将条件节点放在序列的前端，避免无效动作执行。同时，善用装饰节点处理异常情况，但不要过度嵌套，以免降低可读性。

2.5 常见误区与总结复盘

在实际使用中，初学者常犯以下错误：

误区1：混淆选择节点与序列节点。选择节点是“或”逻辑（任一成功即成功），序列节点是“与”逻辑（全部成功才成功）。错误使用会导致决策逻辑完全偏离预期。例如，将“检查电量”和“导航到充电桩”放入选择节点，会导致电量充足时也尝试充电。

误区2：忽略RUNNING状态。动作节点必须正确返回RUNNING，否则行为树会认为动作瞬间完成，导致后续节点在错误时机执行。例如，导航动作需要持续数秒，若返回SUCCESS，则后续拍照动作会在机器人尚未到达目标时执行。

误区3：黑板键命名混乱。黑板是全局共享的，键名冲突会导致数据覆盖。建议使用命名空间前缀，如ai/detections、nav/target_pose。