一、避障算法概述
大家好，我是老张。在机器人这行摸爬滚打了十几年，今天咱们来聊聊避障算法。说实话，这是每个做机器人的人都绕不开的坎儿。你想想看，一个机器人连路都走不明白，那还谈什么智能？
1.1 机器人避障问题定义
避障问题，说白了就是：让机器人从A点走到B点，路上别撞到任何东西。
听起来简单吧？但实际做起来，坑多得很。我记得刚入行那会儿，给一个移动底盘写避障程序，结果机器人在空旷的走廊里原地转圈——因为传感器把墙角的阴影当成了障碍物。嗯，这就是典型的「感知误差导致规划失败」。
从数学角度看，避障问题可以拆成三个子问题：
- 我在哪？——定位与地图构建
- 周围有什么？——障碍物检测与感知
- 我该怎么走？——路径规划与运动控制
这三个问题环环相扣。任何一个环节出问题，机器人都会「犯傻」。
核心要点：避障不是单一算法能搞定的。它是一套「感知-规划-控制」的闭环系统。我见过太多新手只盯着路径规划算法调参，结果传感器数据一塌糊涂，再好的规划算法也白搭。
1.2 常见传感器简介
传感器就是机器人的「眼睛」。选什么传感器，直接决定了你的避障策略。我按自己的使用经验，给大家排个序：
| 传感器类型 | 工作原理 | 典型距离 | 优缺点 |
|---|---|---|---|
| 激光雷达 | 发射激光束，测量反射时间 | 0.1m - 100m | 精度高、抗干扰强；但贵、怕灰尘 |
| 超声波 | 发射声波，计算回波时间 | 0.02m - 5m | 便宜、不怕光照；但分辨率低、有盲区 |
| 红外 | 发射红外光，检测反射强度 | 0.01m - 1.5m | 极便宜、响应快；但受环境光影响大 |
| 视觉 | 摄像头采集图像，算法识别障碍物 | 0.1m - 50m+ | 信息丰富、可识别类别；但计算量大、依赖光照 |
我个人习惯是：室内用激光雷达做主传感器，超声波做补盲。为什么？因为激光雷达的数据干净，做建图和定位都方便。超声波虽然精度差，但能检测透明物体——比如玻璃门，激光雷达就经常「看」不见。
小技巧：如果你做的是低成本项目，可以试试「红外+超声波」组合。红外负责近距离（<30cm）的精确检测，超声波负责中距离的覆盖。我在一个扫地机器人项目里就这么干过，效果还不错。
1.3 算法评价指标
调参之前，你得先知道「好」的标准是什么。我总结了三个核心指标：
安全性
这是底线。机器人不能撞墙、不能撞人、不能卡住。具体量化指标包括：
- 最小安全距离：机器人离障碍物最近能到多少？我一般设0.2m作为硬约束
- 碰撞率：运行100次，撞了几次？理想情况是0
- 急停响应时间：从检测到障碍物到完全停止，需要多久？
我曾经在一个仓储机器人项目里吃过亏。当时只关注路径平滑度，把安全距离设得太小。结果机器人贴着货架走，一个急转弯就把货物甩下来了...从那以后，我调参永远先保证安全，再谈效率。
平滑性
机器人走起来不能像喝醉了酒。平滑性差的表现有：
- 频繁急转弯（角速度突变）
- 走走停停（线速度波动大）
- 在狭窄通道里来回摆动
量化指标可以用曲率变化率或加速度均方根。说白了，就是看机器人走得「舒服不舒服」。
实时性
算法跑得够快吗？避障是实时任务，你不能让机器人等计算结果。我一般要求：
- 感知频率：≥10Hz（激光雷达通常10-20Hz）
- 规划频率：≥5Hz（动态环境需要更高）
- 控制频率：≥50Hz（电机控制环）
注意：这三个指标是互相矛盾的。安全性要求高，机器人就会频繁刹车，平滑性就差了。实时性要求高，算法就得简化，安全性可能打折扣。调参的本质，就是在这三个指标之间找平衡。
知识体系总览
下面这张图，是我自己梳理的避障算法知识框架。你可以把它当成整个课程的地图：
从这张图你能看出来，整个避障系统是分层设计的。底层传感器负责「看」，中间算法负责「想」，上层指标负责「评」。每一层都有各自的调参空间，这也是咱们这门课要逐一攻克的。
我的建议：刚开始学的时候，别急着调参。先把这张图刻在脑子里。遇到问题，先定位是哪个层出的问题——是传感器没检测到？还是规划算法算错了？还是控制没跟上？定位清楚了，调参才有方向。
好了，第一章就聊到这儿。避障这事儿，说难不难，说简单也不简单。关键是把基础概念吃透，后面调参的时候才能心里有数。
可可精品资料库