局部规划器参数详解：DWB Controller、Regulated Pure Pursuit的参数调优

局部规划器，说白了就是机器人“脚下”的导航员。全局规划告诉你“去北京”，局部规划则负责“怎么绕过眼前这滩水”。今天咱们就聊聊Nav2里两个最常用的局部规划器——DWB Controller和Regulated Pure Pursuit。这两个家伙各有脾气，调参得当，机器人跑得顺滑；调不好，原地转圈或者撞墙都是常事。

核心观点：局部规划器的本质是“平衡”——平衡速度与安全、平衡跟踪精度与平滑性、平衡计算开销与实时性。没有万能参数，只有最适合你场景的配置。

一、DWB Controller：老牌劲旅的调参心法

DWB（Dynamic Window Approach）是经典DWA的升级版。我最早接触ROS1时就在用DWA，到了Nav2，DWB算是脱胎换骨了。它的核心思路很简单：在速度空间里采样，找出一条既安全又能跟上全局路径的轨迹。

1.1 关键参数与我的调参经验

参数名 作用 我的建议值
prune_plan_distance 距离机器人多远时裁剪全局路径 1.0 ~ 2.0（米）
max_vel_x 最大前进速度 0.5 ~ 1.0（室内）
min_vel_x 最小前进速度 0.05 ~ 0.1
max_vel_theta 最大旋转速度 1.0 ~ 2.0（弧度/秒）
min_in_place_vel_theta 原地旋转的最小速度 0.4 ~ 0.8
sim_time 轨迹预测的时间窗口 1.5 ~ 3.0（秒）
vx_samples 前进速度采样数 6 ~ 10
vtheta_samples 旋转速度采样数 20 ~ 40

避坑指南：我曾经在某个仓库项目里，把sim_time设成了5秒。结果机器人每次规划都“想得太远”，遇到窄通道时提前减速，导致后面堵车。后来改成2秒，问题立刻解决。你想想看，预测时间太长，计算量上去了，反应反而变迟钝。

1.2 代价函数权重——DWB的灵魂

DWB用一组代价函数来评估每条轨迹的好坏。权重调得好不好，直接决定机器人是“莽夫”还是“怂包”。

# 典型的代价函数权重配置
path_distance_scale: 32.0    # 跟踪全局路径的权重
goal_distance_scale: 24.0    # 趋向目标点的权重
obstacle_scale: 0.5          # 避障权重
trans_stopped_scale: 10.0    # 停止时平移惩罚

我个人习惯这样调：

  • path_distance_scale：如果机器人总在“抄近道”偏离路径，加大这个值。我一般从32开始，效果不好就加到48。
  • obstacle_scale：这个值很敏感。设大了，机器人离障碍八丈远就开始绕路；设小了，它贴着墙走。我在医院机器人项目里设到0.8，因为走廊窄，必须贴边走。
  • goal_distance_scale：快到终点时这个权重起作用。如果机器人总在目标点附近“画圈”，试着减小它。

小技巧：调参时别一次改多个参数。我习惯先固定速度限制，然后只调代价权重。每次改一个，跑一圈看看效果。用ros2 run nav2_dwb_controller dwb_controller --help可以实时查看当前参数。

二、Regulated Pure Pursuit：纯追踪的进化版

Pure Pursuit算法本身不复杂——就是让机器人去追一个“前瞻点”。但Regulated Pure Pursuit（RPP）加了些“规矩”，让它更适应真实世界。说白了，就是给纯追踪算法装了个“刹车”和“转向灯”。

2.1 核心参数解析

参数名 作用 典型值
lookahead_distance 前瞻距离，机器人看多远 0.5 ~ 2.0（米）
min_lookahead_distance 最小前瞻距离 0.3 ~ 0.5
max_lookahead_distance 最大前瞻距离 1.0 ~ 3.0
lookahead_time 基于速度计算前瞻距离的时间 1.5 ~ 2.5（秒）
rotate_to_heading_angular_vel 原地转向的角速度 1.0 ~ 2.0
use_velocity_scaled_lookahead 是否根据速度动态调整前瞻距离 true

这里有个坑：我曾经把lookahead_distance设成固定值3米，结果在窄走廊里机器人直接“看穿墙”了——它看到墙后面的路径点，一头撞上去。后来我启用use_velocity_scaled_lookahead，让前瞻距离随速度变化，低速时看近点，高速时看远点，这才稳当。

2.2 RPP的“规矩”参数

RPP相比传统Pure Pursuit，多了几个“监管”参数：

# RPP特有的调节参数
use_collision_detection: true
max_allowed_time_to_collision: 1.0
use_regulated_linear_velocity_scaling: true
use_cost_regulated_linear_velocity_scaling: true
regulated_linear_velocity_scaling_factor: 0.5
  • use_collision_detection：必须开。不开的话，机器人可能直接冲进障碍物。
  • max_allowed_time_to_collision：我习惯设1.0秒。意思是如果预测到1秒内会撞上，就强制减速。设太小了来不及刹车，太大了又太怂。
  • regulated_linear_velocity_scaling_factor：这个值控制转弯时减速的力度。0.5表示转弯时速度减半。我在AGV项目里试过0.3，转弯太慢，后面车催；0.7又太飘。最后还是0.5最稳。

注意：RPP对计算资源要求比DWB低，但它的“前瞻点”选择策略在U型弯或回环路径上容易出问题。如果你发现机器人在弯道里反复“点头”，试着减小lookahead_time或者增大min_lookahead_distance。

三、DWB vs RPP：怎么选？

很多朋友问我：“到底用哪个好？”我的回答是：看场景。

局部规划器选型决策流程 开始选型 计算资源是否充足？ 资源不足 → RPP 资源充足 → 继续判断 路径是否多弯道/窄通道？ 复杂环境 → DWB 简单环境 → RPP

我个人的经验法则：

  • 选DWB的场景：环境复杂，有大量动态障碍、窄通道、U型弯。DWB的代价函数更丰富，能处理更精细的避障。代价是计算量大，需要好一点的工控机。
  • 选RPP的场景：环境相对开阔，路径平滑，或者计算资源有限（比如用树莓派）。RPP参数少，调起来快，跑起来稳。

我的实战建议：如果你刚开始调参，先用RPP。它参数少，容易上手。等你对机器人的运动特性有了感觉，再尝试DWB。我在一个教育机器人项目里，学生用RPP两天就跑通了，换成DWB折腾了一周——不是DWB不好，而是参数太多，新手容易迷失。

四、调参实战：一个典型问题的排查

有一次，我在调试一台巡检机器人。现象是：机器人沿着走廊走得好好的，一到门口就开始“犹豫”，前进一下后退一下，像个新手司机。

排查过程：

  1. 先看全局路径——没问题，路径规划得很直。
  2. 再看局部规划器——用的是DWB。
  3. 检查参数：obstacle_scale设了0.2，偏小；sim_time设了4秒，偏大。
  4. 分析原因：sim_time太大，机器人“看到”门后的路径点，但门框附近的障碍物权重不够，导致轨迹评估混乱。
  5. 解决方案：把sim_time降到2.0秒，obstacle_scale升到0.6。

改完之后，机器人过门一气呵成。你想想看，有时候问题不在算法本身，而是参数让算法“想太多了”。

调参口诀：先调速度限制，再调代价权重；先保证不撞墙，再追求跑得快；一次只改一个参数，改完跑三圈。

好了，关于DWB和RPP的参数调优，今天就聊到这儿。这两个规划器各有千秋，关键是要理解它们背后的设计思想。DWB像是个“深思熟虑”的规划者，每条轨迹都要算清楚；RPP则像个“果断”的执行者，看准了就追。你的机器人适合哪个，试试就知道了。

可可精品资料库

← 上一章 📖 返回目录 下一章 →