第四章：全局规划器：NavFn、Smac Planner（2D与Hybrid-A*）、规划器配置与调优

全局规划器，说白了就是给机器人画一条从A到B的“大路线图”。它不考虑路上的小障碍，只看全局地图。我刚开始接触Nav2时，觉得这玩意儿不就是个路径搜索吗？后来才发现，选不对规划器，机器人要么绕远路，要么直接卡死。

今天咱们就聊聊Nav2里三个主流的全局规划器：NavFn、Smac Planner 2D和Smac Planner Hybrid-A*。嗯，每个都有自己的脾气，你得摸透了才能用好。

核心观点： 没有最好的规划器，只有最合适的规划器。选型取决于你的机器人运动模型、地图大小和实时性要求。
全局规划器选型决策树 全局规划器 NavFn (Dijkstra/A*) 优点：轻量、快速 缺点：无运动学约束 适用：差速/全向机器人 Smac Planner 2D (A* 网格) 优点：支持代价地图 缺点：无运动学约束 Hybrid-A* 优点：带运动学约束 缺点：计算量大 适用：阿克曼/汽车 选择依据：机器人类型 → 地图大小 → 实时性要求

4.1 NavFn：老牌经典，轻量之选

NavFn是Nav2里最基础的全局规划器。它本质上就是Dijkstra或A*算法，在栅格地图上做路径搜索。我个人习惯在简单场景下用它——比如室内平地、差速机器人。

核心特点：

  • 基于代价地图的2D网格搜索
  • 支持A*（默认）和Dijkstra两种算法
  • 计算速度快，资源消耗低
  • 不包含机器人运动学约束
我的经验： 如果你用的是全向轮或差速机器人，且地图不大（比如100x100米以内），NavFn完全够用。我曾经在一个仓库项目里用它，跑了半年没出过问题。

配置示例：

# nav2_params.yaml 中的 NavFn 配置
planner_server:
  ros__parameters:
    planner_plugins: ["GridBased"]
    GridBased:
      plugin: "nav2_navfn_planner/NavfnPlanner"
      tolerance: 0.5          # 路径容差（米）
      use_astar: true         # 使用A*算法
      allow_unknown: false    # 是否允许通过未知区域

这里有个坑：tolerance参数。它表示如果目标点被障碍物占据，规划器会在多大半径内寻找替代点。我建议设成0.5米左右，太大容易让机器人走奇怪的位置。

4.2 Smac Planner 2D：NavFn的升级版

Smac Planner是Nav2后来引入的规划器，2D版本说白了就是NavFn的“Pro版”。它同样做网格搜索，但多了不少实用功能。

相比NavFn的优势：

  • 支持自定义启发式函数
  • 可以设置路径平滑度权重
  • 支持代价地图的动态更新
  • 路径更平滑，拐角更少
什么时候用Smac 2D？ 当你觉得NavFn的路径太“锯齿状”，或者需要更精细的代价控制时。我在一个医院导航项目里换用Smac 2D后，路径平滑度提升了30%以上。

配置示例：

# Smac Planner 2D 配置
planner_server:
  ros__parameters:
    planner_plugins: ["GridBased"]
    GridBased:
      plugin: "nav2_smac_planner/SmacPlanner2D"
      tolerance: 0.5
      downsample_costmap: false  # 是否降采样代价地图
      smooth_path: true          # 启用路径平滑
      smooth_path_radius: 0.3    # 平滑半径（米）
      max_iterations: 1000000    # 最大迭代次数
注意： downsample_costmap如果设为true，会降低地图分辨率来加速计算。但代价是路径精度下降。我建议只在超大地图（500x500米以上）时开启。

4.3 Smac Planner Hybrid-A*：带运动学约束的规划

Hybrid-A*是Smac Planner的“完全体”。它不光搜索路径，还考虑了机器人的运动学约束——比如最小转弯半径、前进方向等。说白了，它生成的路径是机器人真正能走的。

为什么需要Hybrid-A*？

你想想看，差速机器人可以原地转弯，但阿克曼转向的汽车不行。如果用NavFn给汽车规划路径，结果可能是：路径上有个90度直角弯，汽车根本拐不过去。Hybrid-A*就是为了解决这个问题。

核心参数：

参数名 说明 建议值
minimum_turning_radius 最小转弯半径（米） 0.4（根据车型调整）
reverse_penalty 倒车惩罚系数 2.0（越大越避免倒车）
change_penalty 方向变化惩罚 0.5（越大路径越直）
analytic_expansion_ratio 解析扩展比例 3.0（越大路径越优）
避坑指南： 我曾经在一个AGV项目里把minimum_turning_radius设得太小（0.2米），结果规划出来的路径全是急转弯，实际车辆根本走不了。后来改成0.6米才正常。记住：这个值一定要比实际转弯半径大10%-20%。

配置示例：

# Hybrid-A* 配置
planner_server:
  ros__parameters:
    planner_plugins: ["GridBased"]
    GridBased:
      plugin: "nav2_smac_planner/SmacPlannerHybrid"
      tolerance: 0.5
      minimum_turning_radius: 0.4
      reverse_penalty: 2.0
      change_penalty: 0.5
      analytic_expansion_ratio: 3.0
      max_iterations: 1000000
      smooth_path: true
      smooth_path_radius: 0.3

4.4 规划器调优实战

调优规划器，说白了就是平衡三个东西：路径质量、计算速度、可行性。我一般按这个步骤来：

  1. 先确定机器人类型：差速/全向用NavFn或Smac 2D，阿克曼用Hybrid-A*
  2. 调整代价地图：膨胀半径、障碍物代价等（这个后面章节会细讲）
  3. 试跑默认参数：看看路径是否合理，有没有绕路或穿墙
  4. 微调关键参数：比如tolerance、smooth_path、reverse_penalty
  5. 压力测试：在复杂场景下反复测试，看规划时间是否超标
我的调优口诀： “先看能不能走，再看好不好走，最后看快不快。”

常见问题与解决：

  • 路径穿墙：检查代价地图膨胀半径，或者增大tolerance
  • 规划超时：减小地图尺寸，或者用NavFn代替Hybrid-A*
  • 路径太绕：增大change_penalty或reverse_penalty
  • 无法规划：检查起点/终点是否在障碍物内，或者增大max_iterations
重要提醒： 不要盲目追求最优路径。有时候一条次优但稳定的路径，比一条最优但计算超时的路径强得多。我在一个实时性要求高的项目里，甚至故意把max_iterations设小，保证规划器能在100ms内返回结果。

嗯，全局规划器的内容差不多就这些。记住：选对规划器是第一步，调好参数才是关键。多试、多跑、多观察，慢慢你就能摸透每个参数的脾气了。

上一章 返回目录 下一章