代价地图基础：全局代价地图与局部代价地图概念、膨胀层原理、障碍物层配置
大家好，我是你们的老朋友。今天咱们聊聊代价地图。说实话，这东西刚接触时我也觉得挺玄乎的——不就是一张地图吗？怎么还分全局局部？但干过几个项目后，我明白了，这玩意儿是避障的灵魂。
先抛个问题：为什么机器人明明有地图，还是会撞墙？ 答案很简单——地图是静态的，世界是动态的。代价地图就是给静态地图加上“动态感知”的能力。说白了，它告诉机器人：哪些地方能走，哪些地方最好别去。
1. 全局代价地图 vs 局部代价地图
我习惯这么理解：全局代价地图是“战略地图”，局部代价地图是“战术地图”。
全局代价地图，说白了就是基于你给机器人的静态地图，加上一些固定障碍物的膨胀处理。它覆盖整个已知环境，分辨率可以低一些（比如0.05m/像素），更新频率也不用太快。它的任务只有一个——给全局路径规划器（比如A*、Dijkstra）提供可通行性判断。
我在项目中遇到过一个问题：全局代价地图如果分辨率设得太高，内存占用会爆炸。一个100m×100m的仓库，0.01m分辨率就是1亿个格子，每个格子存一个float...你想想看，树莓派直接卡死。
局部代价地图就灵活多了。它只关注机器人周围的一小块区域（比如3m×3m），分辨率可以高一些（0.01-0.02m），更新频率也快得多。它实时融合激光雷达、深度相机、超声波等传感器数据，把动态障碍物（比如突然跑出来的人、移动的箱子）标记上去。
嗯，这里要注意：局部代价地图的更新频率如果太低，机器人反应会迟钝。我见过一个案例，更新频率设成2Hz，结果机器人直接怼到人腿上去了。一般建议10Hz以上。
| 对比项 | 全局代价地图 | 局部代价地图 |
|---|---|---|
| 覆盖范围 | 整个已知地图 | 机器人周围（如3-5m） |
| 分辨率 | 较低（0.025-0.05m） | 较高（0.01-0.02m） |
| 更新频率 | 1-5Hz | 10-50Hz |
| 数据来源 | 静态地图 + 固定障碍物 | 传感器实时数据 |
| 用途 | 全局路径规划 | 局部避障 |
2. 膨胀层原理
膨胀层，名字听着挺唬人，其实道理很简单——把障碍物“变胖”。
为什么要这么做？因为机器人不是质点，它有尺寸。如果路径规划只考虑障碍物的实际轮廓，机器人擦着边过去，稍微偏一点就撞上了。膨胀层就是在障碍物周围加一圈“安全距离”，代价从中心向外递减。
我给大家拆解一下膨胀层的代价计算逻辑：
// 伪代码：膨胀层代价计算
for each cell in costmap:
if cell is obstacle:
// 障碍物本身代价最高
cost = 255
// 向外膨胀
for each neighbor within inflation_radius:
distance = euclidean_distance(cell, neighbor)
if distance < inflation_radius:
// 代价随距离线性/指数衰减
cost = 255 * (1 - distance / inflation_radius)
// 但不会低于某个阈值
cost = max(cost, 128)
这里有两个关键参数：
- inflation_radius：膨胀半径。设得越大，机器人离障碍物越远，但路径可能绕路。
- cost_scaling_factor：代价衰减因子。值越大，代价衰减越快，机器人可以更靠近障碍物。
3. 障碍物层配置
障碍物层是代价地图中最“动态”的部分。它负责把传感器检测到的障碍物实时标记到地图上。
配置障碍物层，核心是回答三个问题：
- 用什么传感器？ 激光雷达？深度相机？超声波？
- 障碍物怎么标记？ 直接标记？还是概率更新？
- 障碍物怎么清除？ 移动的障碍物离开后，地图要恢复原样。
ROS的costmap_2d包中，障碍物层的配置大概长这样：
# obstacle_layer.yaml
obstacle_layer:
enabled: true
observation_sources: laser_scan_sensor
laser_scan_sensor:
sensor_type: LaserScan
topic: /scan
marking: true # 标记障碍物
clearing: true # 清除障碍物
inf_is_valid: true # 处理激光雷达的inf值
obstacle_range: 2.5 # 障碍物最大检测距离
raytrace_range: 3.0 # 光线追踪最大距离
这里有几个参数我特别想强调：
- obstacle_range：设得太大会把远处的噪声也当成障碍物，设得太小又看不到远处的危险。我一般设成激光雷达有效距离的60-70%。
- raytrace_range：这个参数决定了“清除”的范围。比如一个障碍物移走了，光线追踪会把它从地图上擦掉。如果这个值设得太小，障碍物移走后地图上还会残留“鬼影”。
我的经验： 多传感器融合时，要给每个传感器设置不同的权重。比如激光雷达的置信度高，权重设大一点；超声波的噪声大，权重设小一点。我曾经在AGV项目里同时用了激光雷达和超声波，结果超声波把地面上的小坑都当成障碍物了...后来把超声波的marking关掉，只用它做clearing，问题就解决了。
4. 三个层的协作关系
代价地图其实是一个“图层叠加”的概念。静态地图层（Static Layer）提供基础地图，障碍物层（Obstacle Layer）叠加动态障碍物，膨胀层（Inflation Layer）在最外层做安全处理。
我习惯用Photoshop来类比：静态地图是背景图层，障碍物层是前景图层，膨胀层是滤镜效果。三个层叠加在一起，才形成最终的代价地图。
在ROS中，你可以通过layers参数控制哪些层启用：
# costmap_common_params.yaml
plugins:
- {name: static_layer, type: "costmap_2d::StaticLayer"}
- {name: obstacle_layer, type: "costmap_2d::ObstacleLayer"}
- {name: inflation_layer, type: "costmap_2d::InflationLayer"}
每个层都有自己的参数文件，互不干扰。这种插件化的设计，说实话，挺优雅的。
rviz的Costmap显示插件，可以分别查看每个层的效果。我调试时习惯先关掉膨胀层，看看障碍物层的数据是否准确，再打开膨胀层调参数。这样问题定位快很多。
好了，关于代价地图的基础概念就聊到这儿。记住一句话：全局地图看战略，局部地图看战术，膨胀层保安全，障碍物层保实时。这四个东西配合好了，你的机器人就能在复杂环境中游刃有余。
可可精品资料库