4、局部规划器参数详解：DWB、TEB、MPPI算法原理与核心参数

聊完了全局规划，咱们得把目光放到「脚下」了。局部规划器，说白了就是机器人「走一步看一步」的控制器。它负责把全局路径切成小段，再结合实时的激光雷达或点云数据，算出一条安全又平滑的局部轨迹。

ROS2 Nav2里主流的局部规划器有三个：DWB、TEB 和 MPPI。我这些年做项目，这三个家伙都打过不少交道。今天我就把它们的脾气秉性和核心参数，给你掰开了揉碎了讲清楚。

核心观点：没有最好的规划器，只有最合适的场景。DWB 稳如老狗，TEB 灵活但娇气，MPPI 暴力但吃算力。

4.1 DWB（Dynamic Window Based）—— 老牌劲旅

DWB 是 DWA 的升级版。它的核心思想很简单：在速度空间里采样，然后模拟出未来一小段时间的轨迹，挑一条最好的走。

嗯，这里要注意。DWB 不是直接对路径做优化，而是对「速度对」做优化。它只关心 (v, ω) 这个组合，也就是线速度和角速度。

4.1.1 核心参数

参数名	默认值	说明
`prune_plan_distance`	1.0	距离终点多远时，裁剪全局路径。设太小容易提前减速。
`max_vel_x`	0.55	最大线速度。别设太大，刹车距离会变长。
`min_vel_x`	0.0	最小线速度。设为负值可后退，但我不建议你这么做。
`max_vel_theta`	1.0	最大角速度。单位是 rad/s。
`vx_samples`	20	线速度采样数。越大轨迹越密，但计算量也大。
`vtheta_samples`	40	角速度采样数。转弯多的地方，这个值可以调高。
`sim_time`	1.7	轨迹模拟的时间长度。太长会看到远处的障碍物，但反应会变慢。

我的经验：在仓库场景里，我习惯把 sim_time 设到 2.0 秒，因为货架之间的通道比较长，需要提前预判。但在家庭服务机器人上，1.2 秒就够了，环境变化太快，看太远反而容易误判。

4.1.2 代价函数权重

DWB 用一组代价函数来评价每条采样轨迹。权重越大，这个因素就越重要。

# 典型的 DWB 代价权重配置
Critics: [
    "RotateToGoal",      # 朝向目标
    "Oscillation",       # 防震荡
    "ObstacleFootprint", # 障碍物碰撞
    "GoalAlign",         # 目标对齐
    "PathAlign",         # 路径对齐
    "PathDist",          # 到路径的距离
    "GoalDist"           # 到目标的距离
]

我个人习惯把 ObstacleFootprint 的权重设得高一些，大概 5.0 左右。安全第一嘛。但有一次在密集的桌椅环境中，我发现机器人老是在原地打转——原来是 Oscillation 惩罚太狠了，稍微有点抖动就被判定为震荡。后来我把震荡检测的周期从 0.5 秒调到了 1.0 秒，问题就解决了。

4.2 TEB（Timed Elastic Band）—— 灵活但娇气

TEB 的思路和 DWB 完全不同。它把路径看成一条「弹性带」，通过优化带上的离散位姿点来生成轨迹。每个点都带有时间戳，所以叫「时间弹性带」。

你想想看，TEB 其实是在求解一个非线性优化问题。它要同时满足：避障、运动学约束、时间最优、轨迹平滑……这么多目标，参数自然就多了。

4.2.1 核心参数

参数名	默认值	说明
`dyn_obstacle_inflation_radius`	0.6	动态障碍物的膨胀半径。设太小，机器人会贴着人走。
`include_dynamic_obstacle`	true	是否考虑动态障碍物。建议开启，除非你只在静态环境跑。
`min_obstacle_dist`	0.5	到障碍物的最小距离。低于这个值，优化器会拼命远离。
`weight_kinematics_forward_drive`	1.0	前向运动约束权重。阿克曼底盘建议设大一点。
`weight_optimaltime`	1.0	时间最优权重。设太大，机器人会开得飞快。
`max_global_plan_lookahead_dist`	3.0	向前看全局路径的距离。太长会忽略近处的障碍物。

我曾经踩过的坑：有一次在实验室里跑 TEB，机器人突然开始「蛇形走位」，左右摇摆个不停。查了半天，发现是 weight_kinematics_forward_drive 设成了 0.1，前向约束太弱了。差速底盘这个值至少得 100 以上，不然优化器会认为「横着走也没关系」。

4.2.2 TEB 的「脾气」

TEB 有个特点：它允许机器人后退。这在狭窄的走廊里特别有用——进不去就倒一把再进。但代价是，参数调不好就容易「抽风」。

我建议你从默认参数开始，先调 min_obstacle_dist 和 weight_optimaltime 这两个。前者决定安全距离，后者决定激进程度。其他参数，等跑起来发现问题再动。

4.3 MPPI（Model Predictive Path Integral）—— 暴力美学

MPPI 是 Nav2 里的新秀。它的做法很暴力：随机生成一大堆控制序列，然后用模型预测每条序列的未来轨迹，最后加权平均得到最优控制。

说白了，就是用「大力出奇迹」的方式做路径规划。采样数量够多，总能找到好路径。

4.3.1 核心参数

参数名	默认值	说明
`num_samples`	1000	每次迭代的采样数。越多越好，但越慢。
`num_iterations`	5	迭代次数。一般 3-5 次就够了。
`sigma`	0.2	控制噪声的标准差。越大，探索范围越广。
`temperature`	0.3	温度系数。控制采样的「随机性」。
`model_dt`	0.1	模型预测的时间步长。越小越精确，但计算量也大。
`costmap_weight`	1.0	代价地图的权重。避障强度。

性能提示：MPPI 的计算量跟 num_samples × num_iterations 成正比。1000 × 5 = 5000 次轨迹预测，CPU 版本大概需要 20-30ms。如果你有 GPU，可以轻松跑到 5000 × 10，效果会好很多。

4.3.2 什么时候用 MPPI？

我在做 AGV 项目时遇到过一种情况：仓库里堆满了各种形状的货物，DWB 老是卡在死角里，TEB 又震荡得厉害。换了 MPPI 之后，问题迎刃而解。因为它能「看到」更多可能性，不会一条道走到黑。

但代价是，你得有一块好显卡。如果用的是树莓派或者 Jetson Nano，我建议你还是老老实实用 DWB 吧。

4.4 三个规划器的对比总结

维度	DWB	TEB	MPPI
算法类型	速度空间采样	轨迹优化	随机采样 + 加权平均
计算开销	低	中	高（建议 GPU）
参数数量	少（约 20 个）	多（约 50 个）	中（约 30 个）
调参难度	简单	困难	中等
适用底盘	差速、全向	差速、阿克曼	通用
后退能力	不支持	支持	支持
动态避障	一般	好	优秀

我的选型建议：

做扫地机器人、送餐机器人 → 选 DWB，稳定可靠，调参快。
做自动驾驶小车、仓储 AGV → 选 TEB，轨迹平滑，能倒车。
做复杂环境巡检、特种机器人 → 选 MPPI，适应性强，但得配好硬件。

好了，局部规划器的核心内容就这些。记住一句话：参数是死的，场景是活的。别死记硬背参数值，多想想「这个参数在物理上代表什么」。理解了原理，调参就是水到渠成的事。