2. 全局规划器参数调优：NavFn与Smac Planner核心参数解析、代价地图膨胀半径影响

各位同学，欢迎来到第二章。上一章我们搭好了仿真环境，这一章咱们来点真格的——调全局规划器。

全局规划器是什么？说白了，就是机器人脑子里那张“地图”。它负责在出发前，算出一条从A到B的路径。路径好不好走，直接决定了机器人会不会撞墙、会不会卡住、会不会像个无头苍蝇一样原地打转。

我个人习惯，调参之前先搞清楚两个问题：用什么算法？和地图怎么看？前者对应规划器选型，后者对应代价地图膨胀半径。咱们一个一个来。

2.1 NavFn vs Smac Planner：选哪个？

Nav2里最常用的全局规划器就两个：NavFn和Smac Planner。我刚开始接触Nav2时，也纠结过选哪个。后来踩了不少坑，总结出一点经验。

特性	NavFn	Smac Planner
算法核心	Dijkstra / A*	Hybrid-A* / State Lattice
路径平滑度	一般（折线多）	好（曲线平滑）
计算速度	快	较慢（尤其Hybrid-A*）
适用场景	简单环境、差速轮	复杂环境、阿克曼/全向轮
参数数量	少（约10个）	多（约30个）

你看，没有的好坏。如果你用的是差速轮，在走廊、仓库这种规整环境里跑，NavFn完全够用。但如果你做的是园区物流车，或者机器人需要原地掉头、倒车入库，那Smac Planner的Hybrid-A*才是正解。

2.2 NavFn核心参数调优

NavFn的参数不多，但每个都很关键。我挑三个最常调的说。

2.2.1 tolerance（容差）

这个参数控制“路径终点允许的误差”。默认是0.25米。什么意思？就是机器人走到离目标点0.25米范围内，就算到达了。

我在项目中遇到过一个问题：机器人每次停的位置都离目标点有偏差，大概0.3米左右。一开始我以为是定位不准，后来发现是tolerance设得太大了。调到0.1米后，问题解决。

2.2.2 use_astar（是否使用A*）

默认是false，用的是Dijkstra。Dijkstra保证最优路径，但慢。A*快，但路径不一定最优。

嗯，这里要注意：在Gazebo仿真中，如果你的地图很大（比如100x100米），Dijkstra可能要算好几秒。这时候我建议开启A*，能快不少。

# 在nav2_params.yaml中设置
planner_server:
  ros__parameters:
    use_astar: true  # 开启A*加速

2.2.3 allow_unknown（是否允许未知区域）

这个参数我吃过亏。默认是true，允许路径穿过未知区域。听起来没问题对吧？但你想，未知区域可能是墙，也可能是悬崖。机器人一旦走过去，可能就撞上了。

我曾经在仿真中遇到机器人“穿墙”现象，就是因为allow_unknown设成了true。代价地图里有一块未知区域，规划器直接画了一条直线穿过去。结果机器人一头撞在墙上。

2.3 Smac Planner核心参数解析

Smac Planner的参数多，但核心就几个。我挑最常用的说。

2.3.1 motion_model（运动模型）

这个参数决定了机器人怎么运动。可选值有：

• DifferentialDrive：差速轮，可以原地旋转
• Omnidirectional：全向轮，可以平移
• Ackermann：阿克曼转向，不能原地掉头

我建议根据你的机器人底盘类型选。选错了，规划出来的路径根本走不了。

2.3.2 w_heuristic_cost（启发式代价权重）

这个参数控制“路径长度”和“路径平滑度”的权衡。值越大，路径越短但可能不平滑；值越小，路径越平滑但可能绕路。

我个人习惯，在狭窄走廊里把权重调高（比如2.0），让规划器尽量走直线。在开阔区域调低（比如0.5），让路径更平滑。

2.3.3 analytic_expansion_ratio（解析扩展比例）

这个参数控制Hybrid-A*中“解析扩展”的比例。解析扩展就是直接计算从当前点到终点的直线路径，能加速规划。

默认是3.0。如果你发现规划时间太长，可以调高到5.0。但注意，调太高可能导致路径质量下降。

# Smac Planner参数示例
planner_server:
  ros__parameters:
    planner_plugins: ["GridBased"]
    GridBased:
      plugin: "nav2_smac_planner/SmacPlannerHybrid"
      motion_model: "DifferentialDrive"
      w_heuristic_cost: 1.5
      analytic_expansion_ratio: 3.5

2.4 代价地图膨胀半径的影响

膨胀半径，说白了就是给障碍物“加一圈安全距离”。这个参数直接影响全局路径的走向。

我画了一张图，帮你理解膨胀半径的作用：

从图上你能看到：

• 小膨胀半径（0.2米）：路径贴着障碍物走，距离短但风险高。机器人稍微偏一点就可能撞上。
• 大膨胀半径（0.5米）：路径绕开障碍物，距离长但安全。机器人有充足的空间调整姿态。

我建议这样调：

• 如果你的机器人是圆形，膨胀半径设为机器人半径的1.2倍。
• 如果是矩形，取长边的一半再乘以1.5。
• 在狭窄通道里，可以适当减小膨胀半径（但别小于机器人半径）。

2.5 实战调参建议

说了这么多，咱们来点实际的。我总结了一个调参流程：

1. 先调膨胀半径：设一个安全值（比如0.3米），确保机器人不会撞墙。
2. 再选规划器：简单环境用NavFn，复杂环境用Smac Planner。
3. 调核心参数：NavFn调tolerance和use_astar，Smac Planner调motion_model和w_heuristic_cost。
4. 仿真验证：在Gazebo里跑几个典型场景，看路径是否合理。
5. 微调：根据仿真结果，微调参数。

记住，没有一劳永逸的参数。同一个参数，在不同地图、不同机器人上，效果可能天差地别。多试、多调、多总结，才是王道。

好了，这一章就到这里。下一章我们聊局部规划器，那才是真正考验调参功夫的地方。到时候见！