第三章全局规划器调参：选对算法，让机器人走对路

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，找出一条从起点到终点的可行路径。很多朋友问我：「为什么我的机器人老是撞墙？明明全局路径看着挺好啊？」嗯，问题往往就出在全局规划器的参数上。

我个人习惯把全局规划器比作「导航仪」。你想想看，导航仪规划的路线好不好，直接决定了你开车顺不顺畅。机器人也一样。今天我们就来聊聊 NavFn、Theta*、A* 和 Dijkstra 这些算法，以及如何调参让路径既平滑又安全。

Nav2 里常用的全局规划器主要有四种。我整理了一张表，方便你对比：

我在项目中遇到过最头疼的情况：用 A* 规划出来的路径，全是锯齿状的折线。机器人走起来一顿一顿的，像在跳机械舞。后来换成 Theta*，路径瞬间顺滑了。所以，选算法不能只看名气，得看实际效果。

NavFn 是 Nav2 的默认全局规划器。它基于势场法，从目标点开始扩散「势能值」。机器人沿着势能下降的方向走，就能到达目标。优点是计算快，缺点是路径往往贴着障碍物走，不够安全。

Theta* 则是在 A* 的基础上做了改进。它每扩展一个节点，都会检查当前节点和父节点之间有没有障碍物。如果没有，就直接连过去，跳过中间节点。这样一来，路径就「拉直」了。

核心区别：NavFn 是「跟着感觉走」，Theta* 是「边走边看路」。Theta* 的路径更短、更平滑，但计算量稍大。

我曾经在一个仓库项目里，用 NavFn 规划路径，结果机器人老是贴着货架走，稍微有点定位误差就撞上去了。换成 Theta* 后，路径自动远离了货架，安全多了。

A* 和 Dijkstra 是图搜索算法的「老前辈」了。Dijkstra 保证找到最短路径，但它没有方向感，会向四面八方扩散。A* 则加了一个启发函数，告诉搜索「目标在右边，别往左边跑」，效率高很多。

但 A* 有个问题：启发函数如果设置不当，路径质量会下降。比如，启发函数权重太高，路径会变得「太贪心」，容易陷入局部最优。

我的调参建议：如果你用 A*，把启发函数权重设置在 1.0 到 1.5 之间。低于 1.0 就退化成 Dijkstra 了，高于 2.0 路径会变得不可靠。

说实话，我现在很少用纯 Dijkstra 了。除非地图特别小，或者我需要精确证明「这条路径是最短的」。大多数情况下，A* 加一个合理的启发函数，效果就足够了。

这是全局规划里最核心的权衡。平滑度好，机器人走得顺，但可能离障碍物太近。安全性高，路径离障碍物远，但可能绕路、拐弯多。

怎么调？我一般看两个参数：

注意：inflation_radius 设太大，机器人可能找不到路径，尤其是窄通道场景。我曾经在走廊场景里把半径设成 1.0 米，结果机器人死活过不去——因为走廊才 1.2 米宽。

下面这张图展示了平滑度与安全性的关系：

从图上能看出来，膨胀半径太小，安全性差；太大，平滑度差。最佳平衡区就在中间那一段。我个人习惯先设一个中间值，然后跑一次实际场景，看机器人反应再微调。

好了，理论说完了，咱们来点实际的。下面是我总结的调参步骤：

一个小技巧：在 Nav2 的配置文件中，把 allow_unknown 设为 false。这样规划器就不会把未知区域当成可通行区域，避免机器人「迷路」。

我曾经在一个工厂项目里，按照这个步骤调了一下午。最后机器人走得又稳又安全，客户看了直点头。嗯，调参这事儿，急不得，得慢慢试。

最后，分享几个我踩过的坑：

坑一：全局路径看着很好，但局部规划器就是跟不上。原因往往是全局路径的曲率太大。解决办法：在 Theta* 里开启 smooth_path 选项。
坑二：机器人老是走「回头路」。这通常是代价地图更新不及时导致的。检查一下 static_map 的订阅频率。
坑三：路径穿过障碍物。这大概率是膨胀半径设太小，或者地图有空洞。用 nav2_map_server 的 map_saver 工具检查一下地图完整性。

我曾经在调试一个医院配送机器人时，发现全局路径总是穿过一堵墙。查了半天，原来是地图里那堵墙的像素值不对，被当成了可通行区域。所以，地图质量是全局规划的基础，千万别忽视。

好了，全局规划器的调参就聊到这里。记住一句话：没有最好的算法，只有最合适的参数。多试、多调、多观察，你的机器人会越来越聪明的。

第三章 全局规划器调参：选对算法，让机器人走对路