1. 避障算法概述
大家好，我是你们的老朋友。今天咱们正式开讲《避障场景决策算法精讲》的第一章。
说实话，做了这么多年机器人，我见过太多团队在避障上栽跟头。有的传感器选得挺好，算法库也堆了一堆，可机器人就是走不好。为什么？说白了，就是没搞懂从传感器到决策这条链路到底怎么串起来的。
这一章，咱们先把骨架搭起来。你理解了这条链路，后面每一章你都会知道它在整个链条里扮演什么角色。
1.1 一条完整的避障链路长什么样？
先看一张图，这是我个人习惯用的一个框架，帮你快速建立全局认知。
你看，整个链路分四层：传感器、感知、决策、执行。每一层都有它的坑。我当年做第一个AGV项目时，以为只要激光雷达扫一圈，然后找个路径规划库就完事了。结果呢？机器人对着一个纸箱子反复横跳，就是过不去。
后来我才明白，决策层才是避障的灵魂。传感器给你数据，感知层告诉你「前面有障碍」，但到底怎么走？是停下来等？是绕左边？还是减速通过？这些判断，全在决策层。
1.2 为什么需要决策算法？
你可能会问：我直接让机器人看到障碍就绕开，不就行了吗？
嗯，问题没这么简单。我给你举几个真实场景：
- 场景一：走廊里迎面走来一个人。你是靠左让？还是靠右让？如果两边都有障碍呢？
- 场景二：前方有个低矮的台阶，激光雷达扫不到。机器人是直接撞上去，还是先减速试探？
- 场景三：仓库里货架之间的通道只有80cm宽，机器人宽70cm。你敢不敢让机器人全速通过？
这些场景，光靠「看到障碍就绕」是搞不定的。你需要一个决策大脑，来权衡安全、效率、舒适度这些互相矛盾的目标。
决策算法的核心任务：
- 在多个可行方案中选出最优的一个
- 处理不确定性和动态变化
- 满足实时性要求（通常决策周期在50-200ms）
- 保证安全底线（宁可停，不可撞）
我记得有一次做园区物流机器人，遇到一个很刁钻的场景：前方有个行人突然蹲下系鞋带。激光雷达的点云里，这个人从「直立行人」突然变成了「一个矮柱子」。感知模块直接把这个目标丢了。结果决策模块以为前方没障碍，一脚油门就冲过去了……
从那以后，我养成了一个习惯：永远不要完全相信感知层的输出。决策层必须有自己的安全冗余机制。
1.3 决策算法的分类
目前主流的避障决策算法，我按自己的理解分成三大类。你想想看，它们其实对应了不同的「思考方式」：
| 类别 | 代表方法 | 核心思想 | 适用场景 |
|---|---|---|---|
| 基于规则 | 有限状态机、行为树 | 预定义规则 + 条件判断 | 结构化环境、已知场景 |
| 基于优化 | DWA、TEB、MPC | 构建代价函数，在线求解最优轨迹 | 动态环境、需要平滑运动 |
| 基于学习 | RL、IL、模仿学习 | 从数据中学习决策策略 | 复杂、非结构化场景 |
这三种方法没有绝对的好坏。我个人的经验是：工业场景优先用规则和优化方法，因为可解释性强，出了问题好排查。学术研究或者极端复杂场景，可以上学习方法。
避坑指南：我曾经在一个项目里全盘用强化学习做避障决策。训练了两个月，仿真里跑得飞起。一上真机，第一天就把实验室的墙撞了个坑。后来我花了三周时间，在决策层加了一层基于规则的 safety guard，才敢让它自由跑。
所以我的建议是：先用规则兜底，再用优化提效，最后用学习锦上添花。这个顺序别搞反了。
1.4 决策算法的评价指标
做工程嘛，总要有个衡量标准。我一般从这四个维度来评价一个决策算法好不好：
- 安全性（首要）：是否保证零碰撞？有没有死锁情况？
- 效率性：到达目标的时间、路径长度、能耗
- 平滑性：加速度变化率、转向角速度变化率（乘客舒适度）
- 鲁棒性：传感器噪声下、动态障碍物下是否稳定
这四个指标往往是互相矛盾的。你想更安全，就得牺牲效率；你想更平滑，可能反应就慢了。决策算法的本质，就是在这四个维度上找到平衡点。
注意：千万别追求「完美避障」。我见过太多团队花半年时间优化一个 corner case，结果产品交付日期一拖再拖。记住，80分的安全 + 100分的稳定，远好过100分的安全 + 80分的稳定。
1.5 一个简单的决策示例
说了这么多理论，咱们看一段伪代码。这是我早期项目里用过的一个简化版决策逻辑：
// 简化版避障决策伪代码
function decision_making(obstacle_list, robot_state, target):
// 1. 安全检查
if any_obstacle_too_close(obstacle_list, robot_state):
return EMERGENCY_STOP
// 2. 评估可行方向
feasible_directions = []
for angle in [-30°, -15°, 0°, 15°, 30°]:
if is_direction_safe(angle, obstacle_list, robot_state):
feasible_directions.append(angle)
// 3. 选择最优方向（兼顾目标方向和安全）
best_direction = None
best_score = -inf
for direction in feasible_directions:
score = 0.7 * alignment_with_target(direction, target)
+ 0.3 * clearance_from_obstacles(direction, obstacle_list)
if score > best_score:
best_score = score
best_direction = direction
// 4. 输出速度指令
speed = calculate_speed(best_direction, obstacle_list)
return (best_direction, speed)
这段代码虽然简单，但包含了决策算法的核心要素：安全兜底 → 可行空间搜索 → 代价评估 → 最优选择。后面每一章，我们都会在这个框架上不断加料。
1.6 本章小结
好，咱们捋一下这一章的核心：
- 避障完整链路：传感器 → 感知 → 决策 → 执行，决策层是大脑
- 决策算法解决的是「在不确定环境中如何安全高效地选择行为」
- 三大类方法：规则、优化、学习，各有优劣
- 评价指标：安全、效率、平滑、鲁棒，需要权衡
下一章开始，我们会深入具体的决策算法。但在此之前，我建议你先把这条链路刻在脑子里。以后不管学什么算法，都问自己一句：这个算法在链路里处于哪个位置？它解决的是哪一层的问题？
嗯，今天就到这儿。记住，避障不是堆算法，而是搭系统。