3. 全局规划器调参（Smac Planner）：A* 与 Hybrid-A* 的实战艺术
全局规划，说白了就是给机器人画一条从起点到终点的「大路」。在 Nav2 里，Smac Planner 是干这活的主力。它提供了两种核心算法：A* 和 Hybrid-A*。很多人觉得选一个就行，其实没那么简单。我这些年调过的车，从室内差速轮到室外阿克曼底盘，这两套参数的脾气秉性完全不同。
今天咱们就掰开揉碎，把 A* 和 Hybrid-A* 的参数讲透。嗯，尤其是那些让你头疼的搜索超时、启发式权重，还有运动学约束。
3.1 A* 算法：2D 状态空间的快与慢
A* 在 Nav2 里默认跑在 2D 栅格地图上。它不考虑机器人的朝向，只关心 (x, y) 坐标。说白了，它把机器人当成一个点。好处是快，坏处是规划出来的路径经常是锯齿状的，机器人走起来一顿一顿的。
3.1.1 搜索超时（timeout）
这个参数我吃过亏。默认值是 5.0 秒，但在大场景里，比如 100m x 100m 的仓库，5 秒根本搜不完。我曾经遇到过机器人走到一半突然停下来，就是因为搜索超时了，规划器返回了一条空路径。
3.1.2 启发式权重（heuristic_weight）
这个参数控制 A* 的「贪心程度」。权重越大，算法越倾向于直接往目标点冲，搜索速度变快，但路径可能不是最优的。权重越小，搜索越保守，路径更短，但耗时更长。
我习惯的做法是：在动态障碍物多的场景，把权重设到 1.2-1.5，让路径稍微绕一点，但更安全。在空旷场景，设 1.0 就行，追求最短路径。
3.1.3 2D 网格代价与路径平滑
A* 的路径是由一个个网格中心点连起来的。如果不做平滑，路径就是折线。Smac Planner 内部有一个 smooth_path 参数，默认开启。但注意，平滑会改变路径点，可能导致路径穿过障碍物。
# 典型 A* 参数配置
planner_server:
ros__parameters:
SmacPlanner:
planner_plugin_types: ["nav2_smac_planner/SmacPlanner2D"]
tolerance: 0.25
max_iterations: 1000000
max_planning_time: 5.0 # 搜索超时
heuristic_weight: 1.2 # 启发式权重
smooth_path: true # 是否平滑路径
smooth_path_alpha: 0.1 # 平滑强度
3.2 Hybrid-A* 算法：SE2 状态空间的真实感
Hybrid-A* 才是真正为机器人设计的规划器。它考虑了 (x, y, theta) 三个维度，也就是位置加朝向。规划出来的路径自带转弯半径约束，机器人能直接跟着走，不用再二次平滑。
我记得第一次用 Hybrid-A* 时，觉得它太慢了。后来才发现，不是算法慢，是我参数没调对。
3.2.1 最小转弯半径（minimum_turning_radius）
这是 Hybrid-A* 的灵魂参数。它告诉规划器：我的机器人最小能转多急的弯。单位是米。差速轮机器人可以设 0.0，因为它能原地转圈。阿克曼底盘比如车，一般设 0.5-2.0 米，具体看轴距。
3.2.2 运动学步长（motion_model_step_size）
这个参数控制 Hybrid-A* 在搜索时，每一步向前探索多远。默认是 0.2 米。步长越小，路径越精细，但搜索空间爆炸。步长越大，路径越粗糙，可能漏掉可行通道。
我踩过坑：在窄走廊场景，步长设 0.4 米，结果规划器直接穿墙了。因为步长太大，跳过了墙中间的缝隙。后来我改成 0.15 米，问题解决。
3.2.3 SE2 状态离散（se2_state_discretization）
Hybrid-A* 把连续空间离散成网格。这个参数控制每个网格里采样多少个朝向。默认是 72，也就是每 5 度一个朝向。朝向越多，路径越顺滑，但内存和计算量翻倍。
我个人经验：室内场景 36 个朝向（10 度间隔）就够用。室外高速场景，用 72 甚至 144，保证路径平滑，减少急转弯。
3.2.4 Reeds-Shepp 曲线与路径优化
Hybrid-A* 在搜索到目标附近时，会用 Reeds-Shepp 曲线生成一段连接路径。这段曲线考虑了前进、后退、转弯，能保证路径运动学可行。但注意，Reeds-Shepp 曲线默认只支持前进和后退，不支持原地转向。
allow_reversing 设成 false。
# Hybrid-A* 参数示例
planner_server:
ros__parameters:
SmacPlannerHybrid:
planner_plugin_types: ["nav2_smac_planner/SmacPlannerHybrid"]
minimum_turning_radius: 0.6 # 最小转弯半径
motion_model_step_size: 0.2 # 运动学步长
se2_state_discretization: 72 # 朝向离散数
allow_reversing: false # 是否允许倒车
max_planning_time: 10.0 # 搜索超时
heuristic_weight: 1.1 # 启发式权重
3.3 2D 与 SE2 状态空间的选择策略
很多新手会问：到底用 A* 还是 Hybrid-A*？我的回答是：看底盘。
| 底盘类型 | 推荐规划器 | 原因 |
|---|---|---|
| 差速轮（两轮/四轮独立驱动） | A*（2D） | 能原地转向，不需要转弯半径约束 |
| 阿克曼底盘（汽车式） | Hybrid-A*（SE2） | 必须考虑转弯半径，否则路径不可执行 |
| 全向轮（麦克纳姆轮） | A*（2D） | 全向移动，不受朝向约束 |
| 履带式底盘 | Hybrid-A*（SE2） | 虽然能原地转向，但转弯时滑移大，建议用 SE2 规划更平滑路径 |
嗯，这里要注意：即使你用的是差速轮，在某些场景下用 Hybrid-A* 也有好处。比如在狭窄通道里，Hybrid-A* 规划出来的路径更平滑，机器人走起来更稳，不会左右摇摆。
3.4 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全局规划参数：
- 先确定底盘类型：差速轮用 A*，阿克曼用 Hybrid-A*。
- 设置最小转弯半径：阿克曼底盘查手册，差速轮设 0.0。
- 调整搜索超时：从 5 秒开始，如果规划失败，逐步增加到 10 秒。
- 微调启发式权重：默认 1.0，如果路径太绕，增加到 1.2-1.5。
- 测试窄通道场景：如果规划器穿墙，减小运动学步长或增加朝向离散数。
- 观察实际执行效果：让机器人跑一遍，看路径是否平滑，有没有急转弯。
我曾经在一个项目里，Hybrid-A* 规划出来的路径总是贴着墙走。调了半天参数都没用。后来发现是代价地图的膨胀半径设得太小了。嗯，有时候问题不在规划器本身，而在上游的代价地图配置。
全局规划调参，说白了就是平衡的艺术。你要在搜索速度、路径长度、运动学可行性之间找到那个黄金点。没有万能参数，只有不断试错和积累经验。希望今天的内容能帮你少走一些弯路。