全局规划器调参（NavFn）：让路径平滑不震荡

各位同学，欢迎来到第二章。上一章我们聊了Nav2的整体架构，今天咱们深入一个具体的东西——NavFn全局规划器。

说实话，我刚开始接触Nav2时，最头疼的就是全局路径规划。明明地图建好了，机器人却总走出一条锯齿状的路径，看着就难受。后来我才明白，问题出在参数上。今天我就把这些年调NavFn的经验，一次性讲清楚。

1. 代价地图权重（cost_factor）—— 安全第一

这个参数，说白了就是告诉规划器：你有多怕撞到障碍物。

代价地图权重控制的是路径对障碍物代价的敏感程度。值越大，路径越倾向于远离障碍物；值越小，路径就越敢贴着墙走。

核心逻辑：

cost_factor 偏大（如 3.0~5.0）：路径会绕大弯，安全冗余高，但可能绕远路
cost_factor 偏小（如 0.5~1.0）：路径更短更直接，但容易贴着障碍物走
默认值通常是 1.0~2.0，具体看你的场景

我在项目中遇到过这样一个坑：有一次在仓库里跑AGV，cost_factor设成了0.8，结果机器人总喜欢贴着货架走。一次转弯时，货架上的箱子稍微凸出来一点，机器人直接撞上了。后来我把cost_factor调到2.5，路径明显往外扩了一圈，虽然多走了半米，但再也没出过碰撞事故。

我的调参建议：

先设一个偏大的值（比如3.0），观察路径是否过于保守。如果绕路太多，再逐步降低。每次调整0.5，跑一遍看看效果。别一次调太多，容易矫枉过正。

2. 启发式因子（heuristic_factor）—— 路径的「直觉」

启发式因子控制的是A*算法中启发函数的权重。嗯，这里稍微有点理论，我尽量讲得通俗点。

A*算法在搜索路径时，会同时考虑两件事：已经走了多远（实际代价）和离目标还有多远（启发式估计）。启发式因子就是给「离目标还有多远」这个估计值加一个权重。

参数值	行为表现	适用场景
heuristic_factor = 1.0	标准A*，路径最优化	大多数室内场景
heuristic_factor > 1.0（如1.5~2.0）	更倾向于直奔目标，搜索更快	开阔环境、长距离导航
heuristic_factor < 1.0（如0.5~0.8）	更注重局部避障，路径更保守	狭窄通道、密集障碍物环境

你想想看，如果启发式因子太大，路径就会像「一根筋」一样直冲目标，遇到障碍物才急转弯，路径自然就震荡了。反之，如果太小，算法会花太多时间在局部区域绕来绕去，路径虽然平滑，但计算时间会变长。

注意：启发式因子不要超过2.0。我曾经试过设成3.0，结果路径直接穿墙了——因为算法太相信「直觉」，忽略了实际障碍物代价。嗯，那次调试花了我一整个下午。

3. 网格分辨率（tolerance / resolution）—— 细节决定成败

网格分辨率决定了规划器在多大粒度上考虑环境。分辨率越高（格子越小），路径越精细，但计算量也越大。

NavFn中主要通过两个参数控制：

tolerance：路径点到障碍物的最小容忍距离。默认0.5米，意思是路径点至少离障碍物0.5米远
resolution：代价地图的分辨率，通常与地图分辨率一致（如0.05米/像素）

我个人习惯这样调：

先看你的地图分辨率是多少。如果是0.05米/像素，那tolerance至少设成0.3米以上
如果路径出现锯齿状，试着增大tolerance到0.6~0.8米
如果路径太绕，适当减小tolerance

一个实用的经验公式：

tolerance ≈ 机器人半径 × 1.2 ~ 1.5

比如机器人半径0.3米，tolerance设0.4~0.5米比较合适。这样既保证安全，又不会太保守。

4. 其他关键参数

除了上面三个核心参数，还有几个参数也值得关注：

max_iterations：最大迭代次数。默认10000，如果环境复杂可以适当增大。但别超过50000，否则计算时间太长
smooth_path：是否对路径做平滑处理。建议开启，能有效减少路径震荡
allow_unknown：是否允许路径经过未知区域。默认false，建议保持关闭，除非你明确知道未知区域是安全的

避坑指南：

我曾经在调参时忽略了max_iterations，结果在复杂环境中规划器直接超时，机器人原地打转。后来把max_iterations从10000改到30000，问题就解决了。所以，如果你的环境比较复杂，记得检查这个参数。

5. 实战调参流程

说了这么多理论，咱们来点实际的。我一般按这个步骤调NavFn的参数：

先调cost_factor：从2.0开始，观察路径是否安全。如果贴着障碍物走，增加到3.0；如果绕路太多，降到1.5
再调heuristic_factor：保持1.0，看路径是否震荡。如果震荡明显，降到0.8；如果路径太直不灵活，升到1.3
最后调tolerance：根据机器人尺寸，用上面的经验公式算一个初始值，然后微调
跑一遍完整路径：从起点到终点，观察路径是否平滑、是否安全
反复迭代：一般需要3~5轮调整才能找到最佳组合

一个典型的调参结果（供参考）：

# 适用于0.3米半径的室内机器人
NavFn:
  cost_factor: 2.5
  heuristic_factor: 1.2
  tolerance: 0.45
  max_iterations: 20000
  smooth_path: true
  allow_unknown: false

记住，没有一套参数能通吃所有场景。每次换环境，都要重新调一遍。我刚开始也觉得麻烦，但后来发现，调参本身就是理解算法最好的方式。

好了，这一章的内容就到这里。下一章我们会聊局部规划器的调参，到时候再跟大家分享更多实战经验。