第3章：代价地图详解

各位同学，今天我们来聊聊代价地图。说实话，这是Nav2导航里最容易被忽视、却又最关键的部分。我见过太多项目，算法调了半天没效果，最后发现是代价地图参数没配好。

3.1 什么是代价地图？

代价地图，说白了就是一张「风险热力图」。机器人走到哪里，地图上就会标记出对应的风险值。0表示完全安全，255表示禁区。

嗯，这里要注意：代价地图不是静态的。它会随着传感器数据实时更新。你想想看，如果前面突然出现一个行人，代价地图必须立刻把那个区域标记为高代价。

3.2 全局代价地图 vs 局部代价地图

这两个东西，我刚开始学的时候也搞混过。后来在项目里摔了几次跟头，才真正理解它们的区别。

对比项	全局代价地图	局部代价地图
作用范围	整个已知地图	机器人周围（通常5-10米）
更新频率	较低（1-5Hz）	较高（10-50Hz）
主要用途	全局路径规划	局部避障与轨迹优化
数据来源	静态地图 + 长期传感器数据	实时传感器数据
分辨率	可较低（0.05-0.1m）	较高（0.02-0.05m）

我在项目里遇到过这样的情况：全局代价地图分辨率设得太高，导致规划耗时暴增。后来我学乖了，全局地图用0.1m，局部地图用0.05m，效果刚刚好。

3.3 膨胀层与障碍物层

代价地图由多个「层」叠加而成。最核心的就是障碍物层和膨胀层。

3.4.1 障碍物层（Obstacle Layer）

障碍物层负责把传感器数据「翻译」成代价。激光雷达扫到障碍物，就在对应位置标记高代价。

# 障碍物层典型配置
obstacle_layer:
  enabled: true
  observation_sources: laser_scan
  laser_scan:
    topic: /scan
    max_obstacle_height: 2.0
    min_obstacle_height: 0.0
    obstacle_range: 2.5
    raytrace_range: 3.0

这里有个坑：obstacle_range和raytrace_range的区别。前者是「多远能检测到障碍物」，后者是「多远能清除障碍物」。我曾经把这两个值设反了，结果机器人对着墙直冲过去……

3.4.2 膨胀层（Inflation Layer）

膨胀层，就是给障碍物「加个安全距离」。机器人不是质点，它有自己的尺寸。膨胀层确保机器人不会贴着障碍物走。

# 膨胀层典型配置
inflation_layer:
  enabled: true
  inflation_radius: 0.55  # 膨胀半径（米）
  cost_scaling_factor: 10.0  # 代价衰减因子

cost_scaling_factor这个参数很有意思。值越大，代价衰减越快，机器人越敢靠近障碍物。值越小，代价衰减越慢，机器人越保守。我个人习惯设10.0，比较中庸。

3.4 代价地图参数配置详解

配置参数，说白了就是调「灵敏度」。我整理了一份常用参数表，都是实战经验。

参数名	默认值	推荐范围	说明
global_frame	map	map/odom	全局坐标系
robot_base_frame	base_link	base_link/base_footprint	机器人本体坐标系
update_frequency	5.0	1.0-10.0	地图更新频率（Hz）
publish_frequency	2.0	0.5-5.0	地图发布频率（Hz）
resolution	0.05	0.02-0.1	地图分辨率（m/像素）
inflation_radius	0.55	0.3-1.0	膨胀半径（m）
cost_scaling_factor	10.0	5.0-20.0	代价衰减因子

3.5 代价地图的工作流程

为了让大家更直观地理解，我画了一张流程图。

流程其实很简单：静态地图提供基础信息，传感器数据实时更新障碍物层，然后膨胀层加上安全距离，最终生成完整的代价地图。

3.6 实战建议

最后，分享几个我在项目里总结的经验：

• 先调膨胀层，再调障碍物层。膨胀层影响的是「能不能过」，障碍物层影响的是「能不能看到」。我习惯先让机器人能安全通过，再优化障碍物检测。
• 分辨率不是越高越好。0.05m对于大多数室内场景已经足够。分辨率太高，计算量成倍增加，得不偿失。
• 注意传感器盲区。激光雷达在机器人正下方有盲区，代价地图会留下「空洞」。我一般会加一个超声波传感器来补盲。
• 测试时先跑仿真。在Gazebo里调好参数，再上真车。不然撞坏了墙，老板会找你谈话的。

好了，这一章就到这里。记住，代价地图的调优没有银弹，多试几次，找到最适合你机器人的参数组合。