3、全局规划器调优实战：代价地图膨胀半径、规划超时、路径平滑度权重调节

全局规划器，说白了就是机器人的“大脑地图”。它负责在已知地图上，找出一条从A到B的无碰撞路径。但这条路径好不好走，能不能走通，很大程度上取决于几个关键参数。

我个人习惯，调全局规划器之前，先搞清楚三个核心矛盾：安全 vs 效率、计算时间 vs 路径质量、路径平滑 vs 贴近障碍物。今天我们就围绕这三个矛盾，把膨胀半径、规划超时和平滑度权重这三个参数彻底讲透。

3.1 膨胀半径：安全与效率的博弈

膨胀半径，英文叫 inflation_radius。它决定了障碍物周围“危险区域”的大小。机器人会把膨胀区域视为不可通行区域。

嗯，这里要注意：膨胀半径不是越大越好，也不是越小越好。它直接决定了机器人能不能通过狭窄通道。

我在项目中遇到过这样一个案例：一台直径0.6米的机器人，在0.8米宽的走廊里死活过不去。检查发现，膨胀半径设了0.5米。你想想看，0.5米半径加上机器人自身0.3米半径，走廊宽度0.8米，两边各占0.8米，中间只剩0.2米——这哪过得去？

后来我把膨胀半径调到0.35米，机器人就能顺利通过了。但代价是，它离墙更近了，碰撞风险增加。

调参建议：

• 保守场景（人机共融、贵重物品运输）：膨胀半径 = 机器人半径 + 0.3m ~ 0.5m
• 高效场景（仓库、工厂）：膨胀半径 = 机器人半径 + 0.1m ~ 0.2m
• 狭窄通道场景：先测量最窄通道宽度，确保 2 * 膨胀半径 + 机器人直径 < 通道宽度

3.2 规划超时：别让机器人“想太久”

规划超时，参数名叫 planning_time。它决定了全局规划器最多花多少时间找路径。

说白了，这就是一个“时间预算”。超时了还没找到路径，规划器就返回失败，机器人原地不动。

我记得有一次调试，机器人每次规划都要花5秒以上。用户反馈说“机器人反应太慢了”。我一看日志，planning_time 设了10秒。规划器确实能找到最优路径，但代价是机器人每次都要等很久。

为什么会这样？因为全局规划器（比如 NavFn 或 A*）在复杂地图上搜索空间很大。如果地图有1000x1000个格子，搜索空间就是100万个节点。不加时间限制，它可能会遍历所有节点。

调参建议：

3.3 路径平滑度权重：让机器人走得更优雅

路径平滑度权重，在 Nav2 中通常通过 smooth_path 或 path_smoother 的参数来调节。核心参数是 smoothness_weight 和 curvature_weight。

你想想看，全局规划器默认生成的路径，往往是“折线”——直角转弯、锯齿形路径。机器人如果按这种路径走，会频繁加减速，不仅效率低，还容易磨损电机。

平滑度权重的作用，就是让路径更“圆润”。权重越大，路径越平滑，但可能离障碍物更近。

我在项目中遇到过：一台差速机器人，平滑度权重设了0.5，路径非常平滑，但有一次差点撞到墙角。因为平滑算法把路径“拉直”了，导致它切过了障碍物的膨胀区域。

调参建议：

• 差速机器人：平滑度权重 0.1 ~ 0.3，曲率权重 0.5 ~ 1.0（差速机器人转弯灵活，不需要太平滑）
• 阿克曼机器人：平滑度权重 0.3 ~ 0.6，曲率权重 1.0 ~ 2.0（阿克曼转弯半径大，需要更平滑的路径）
• 全向机器人：平滑度权重 0.05 ~ 0.15（全向移动对路径平滑度不敏感）

# 在 nav2_params.yaml 中配置
path_smoother:
  ros__parameters:
    smoother_type: "simple_smoother"
    simple_smoother:
      smoothness_weight: 0.3
      curvature_weight: 1.0
      max_iterations: 1000
      tolerance: 1e-8

3.4 三个参数的联动调优

这三个参数不是孤立的。它们之间相互影响，需要一起调。

举个例子：如果你把膨胀半径调大了，路径自然离障碍物更远，这时候平滑度权重可以适当增加，因为安全空间更大了。反过来，膨胀半径调小了，平滑度权重就要降低，避免路径切得太靠近障碍物。

规划超时则像一个“天花板”。如果膨胀半径大、平滑度权重大，规划器需要计算更复杂的路径，超时时间就要相应增加。

我的调优顺序：

1. 先定膨胀半径：根据机器人尺寸和场景确定基础安全距离
2. 再调规划超时：确保在膨胀半径下，规划器能在合理时间内找到路径
3. 最后调平滑度权重：在保证安全的前提下，让路径更平滑

嗯，这套流程我用了很多年，基本没出过大问题。你可以在仿真环境里先试，再上真车。