3、局部规划器参数调优：DWB与MPPI控制器参数详解、速度与加速度限制调整
局部规划器，说白了就是机器人的“脚”。全局规划告诉它往哪走，局部规划决定每一步怎么迈。我见过太多项目，全局路径规划得漂漂亮亮，结果机器人一跑起来就撞墙、抖动、原地转圈——问题全出在局部规划器上。
今天咱们就聊聊Nav2里两个主流的局部规划器：DWB和MPPI。我会结合自己踩过的坑，把参数调优的门道讲清楚。
3.1 DWB控制器：经典但需要耐心
DWB（Dynamic Window Approach）是ROS1时代就有的老将。它的核心思路很简单：在速度空间里采样，找一条能走、走得稳、离目标近的轨迹。
我个人习惯把DWB的参数分成三类：采样参数、代价权重、速度限制。咱们一个一个说。
3.1.1 采样参数
DWB会在每个控制周期里生成一堆候选轨迹。采样参数决定了这些轨迹的“密度”和“范围”。
| 参数名 | 默认值 | 我的推荐值 | 说明 |
|---|---|---|---|
| vx_samples | 20 | 10-15 | 线速度采样数。太多会卡，太少路径粗糙 |
| vy_samples | 5 | 3-5 | 横向速度采样。全向机器人用，差速设1就行 |
| vtheta_samples | 40 | 20-30 | 角速度采样。这个很关键，调大能改善转弯 |
| sim_time | 1.5 | 1.0-2.0 | 轨迹预测时长。太长容易“想太多” |
我记得有一次在仓库项目里，机器人总是在走廊里左右摇摆。查了半天，发现是vtheta_samples设得太低，只有10。采样点不够，转弯时找不到平滑的轨迹。提到30后，问题立刻解决了。
vx_samples和vtheta_samples。采样少了，计算快了，反而更稳。别盲目追求高采样。
3.1.2 代价权重
DWB用一组权重来评价每条轨迹的好坏。权重越大，对应的因素越重要。
# 典型的代价权重配置
DWBLocalPlanner:
path_distance_bias: 32.0 # 离全局路径的距离
goal_distance_bias: 24.0 # 离目标点的距离
occdist_scale: 0.02 # 障碍物代价
forward_point_distance: 0.325 # 前视距离
stop_on_failure: true这里有个坑：occdist_scale千万别设太大。我曾经设到0.1，结果机器人离障碍物老远就开始急刹车，根本过不去窄门。0.02是个不错的起点，如果机器人太莽撞，可以慢慢提到0.03-0.04。
path_distance_bias和goal_distance_bias的比值决定了机器人是“贴线走”还是“抄近道”。比值接近1时，机器人会严格沿着全局路径走；比值差距大时，它会更倾向于直奔目标。我一般设32:24，稍微偏向路径。
3.2 MPPI控制器：新一代的“暴力美学”
MPPI（Model Predictive Path Integral）是Nav2里的新秀。它不采样速度，而是直接采样控制序列，然后用随机优化找最优解。说白了，它用计算量换平滑度。
我第一次用MPPI时，被它的参数数量吓了一跳——好几十个。但别慌，核心参数其实就几个。
3.2.1 核心参数
| 参数名 | 默认值 | 我的推荐值 | 说明 |
|---|---|---|---|
| iteration_count | 30 | 20-40 | 优化迭代次数。越高越平滑，但越慢 |
| batch_size | 1000 | 500-2000 | 每次迭代的轨迹数。越大越稳定 |
| time_steps | 56 | 40-60 | 预测的时间步数。影响前瞻距离 |
| model_predictive_controller_frequency | 20.0 | 10.0-20.0 | 控制频率。越高响应越快 |
嗯，这里要注意：batch_size和iteration_count是性能的“双刃剑”。我有个项目在工控机上跑，设了2000的batch和40次迭代，结果CPU直接飙到90%。后来降到500和20，效果差不太多，但CPU只有30%。
batch_size，而不是iteration_count。因为迭代次数少了，优化可能不收敛；但轨迹少了，只是“候选池”小一点，影响相对可控。
3.3 速度与加速度限制：安全底线
不管用DWB还是MPPI，速度和加速度限制都是必须设的。这不仅是性能问题，更是安全问题。
我见过最离谱的事：有人把最大速度设成2m/s，结果机器人在实验室里直接撞翻了一台显示器。你想想看，2m/s对于室内机器人来说，基本就是“狂奔”了。
3.3.1 速度限制
# DWB的速度限制
DWBLocalPlanner:
max_vel_x: 0.5 # 最大前进速度 (m/s)
min_vel_x: -0.1 # 最小前进速度 (负值表示后退)
max_vel_y: 0.0 # 最大横向速度 (差速机器人设0)
max_vel_theta: 1.0 # 最大角速度 (rad/s)
min_vel_theta: -1.0 # 最小角速度
min_in_place_vel_theta: 0.4 # 原地转弯的最小角速度
# MPPI的速度限制
MPPIController:
motion_model:
min_vel_x: 0.0
max_vel_x: 0.5
min_vel_theta: -1.0
max_vel_theta: 1.0我个人习惯把max_vel_x设在0.3-0.5之间。室内环境0.3就够了，走廊可以到0.5。角速度1.0 rad/s大概相当于每秒转57度，转弯够用。
min_in_place_vel_theta设成0.2，结果机器人原地转弯时特别慢，像在“磨蹭”。后来提到0.4，转弯利索多了。这个值太小，机器人会“犹豫不决”。
3.3.2 加速度限制
加速度限制比速度限制更重要。为什么？因为加速度决定了机器人启动和刹车的“猛不猛”。
| 参数名 | DWB默认值 | MPPI默认值 | 我的推荐值 |
|---|---|---|---|
| acc_lim_x | 2.5 | 2.5 | 0.5-1.5 |
| acc_lim_y | 2.5 | 2.5 | 0.5-1.0 |
| acc_lim_theta | 3.2 | 3.2 | 1.0-2.0 |
| decel_lim_x | - | - | 1.0-2.0 |
你看默认值，2.5的加速度，意味着0.2秒就能从0加速到0.5m/s。这对大多数室内机器人来说太猛了。我一般降到0.8-1.2，起步和刹车都柔和很多。
decel_lim_x参数，专门控制刹车加速度。这个值一定要比acc_lim_x大一点。比如加速设1.0，刹车就设1.5。这样机器人能及时刹住，不会“冲过头”。我吃过这个亏，有一次没设刹车限制，机器人差点撞墙。
3.4 DWB vs MPPI：怎么选？
很多学员问我：到底用DWB还是MPPI？我的回答是：看场景。
- DWB适合：算力有限（树莓派、工控机）、环境简单、对实时性要求高
- MPPI适合：算力充足（Jetson、高性能PC）、环境复杂、追求平滑轨迹
我个人的经验：如果机器人是差速底盘，在室内跑，DWB完全够用。如果是全向底盘，或者需要在狭窄空间里频繁转弯，MPPI的优势就体现出来了——它生成的轨迹更平滑，不会出现DWB那种“锯齿状”的路径。
3.5 实战调优步骤
最后，我分享一下我的调优流程。这套方法我用了好几年，屡试不爽。
- 先设速度限制：把
max_vel_x设到0.3，acc_lim_x设到0.8。安全第一。 - 跑一圈看看：让机器人沿着简单路径走。观察有没有抖动、急刹、原地转圈。
- 调采样参数：如果抖动，降低采样数；如果路径粗糙，增加采样数。
- 调代价权重：如果机器人离障碍物太近，增加
occdist_scale；如果偏离路径，增加path_distance_bias。 - 逐步提速：每次增加0.1m/s的最大速度，跑一圈确认没问题再继续。
- 最后调加速度：如果起步太猛，降低
acc_lim_x；如果刹车太慢，提高decel_lim_x。
嗯，这套流程的核心就是“循序渐进”。别想着一步到位，调参是个细活。
这张图把本章的知识点串起来了。你可以看到，DWB和MPPI各有侧重，但最终都要落到速度和加速度限制上。调参时，别跳着来，按这个结构一步步走，稳得很。
好了，局部规划器的调优就聊到这儿。记住：参数是死的，场景是活的。多试、多跑、多观察，你很快就能找到最适合自己机器人的那组参数。