2. 避障系统核心原理：代价地图、膨胀层与传感器融合
说实话，很多新手一上来就调参数，结果越调越卡。为什么？因为没搞懂避障系统到底在算什么。这一章，我就带你拆开避障系统的黑盒子，看看里面最关键的三个东西：代价地图（Costmap）、障碍物膨胀层、还有传感器数据融合。搞懂这些，你调参才有方向。
2.1 代价地图（Costmap）—— 机器人的“风险热力图”
代价地图说白了，就是一张二维栅格图，每个格子都带一个“代价”值。代价越高，说明这个地方越危险，机器人最好别靠近。我个人习惯把代价地图想象成一张热力图——红色区域是障碍物，蓝色区域是自由空间，中间渐变就是风险过渡。
ROS 里维护了两张代价地图：全局代价地图和局部代价地图。全局的用于长期路径规划，局部的用于实时避障。嗯，这里要注意：局部代价地图更新频率高，参数稍微设得不对，CPU 直接飙满，卡顿就来了。
核心参数速览（我常调的几个）：
obstacle_range—— 传感器能检测到障碍物的最大距离。设太大，地图上全是噪点；设太小，近身障碍物来不及反应。raytrace_range—— 用于清除障碍物信息的射线长度。我一般设成跟 obstacle_range 差不多。inflation_radius—— 膨胀半径，后面会细说。cost_scaling_factor—— 代价衰减系数。这个值越小，障碍物周围的“危险区”扩散得越远。
2.2 障碍物膨胀层 —— 给机器人留出“安全缓冲”
你想想看，机器人本身是有体积的。如果路径规划只把障碍物当成一个点，那机器人肯定撞上去。所以膨胀层的作用就是：把障碍物“撑大”，让机器人始终跟障碍物保持安全距离。
我在项目中遇到过一件事：有台差速小车，明明激光雷达扫到障碍物了，但机器人还是蹭着墙走。后来发现是膨胀半径设得太小，只有 0.1 米。机器人 0.5 米宽，你想想看，不卡才怪。调大到 0.3 米之后，路径立马顺滑了。
避坑指南： 我曾经把 inflation_radius 设成 1.0 米，结果机器人过窄门的时候直接放弃治疗，因为膨胀后的障碍物把门堵死了。膨胀半径不是越大越好，要根据机器人尺寸和场景来。
膨胀层本质上是一个插件，在 costmap_2d 里通过 plugins 参数加载。典型的配置像这样：
plugins:
- {name: static_layer, type: "costmap_2d::StaticLayer"}
- {name: obstacle_layer, type: "costmap_2d::ObstacleLayer"}
- {name: inflation_layer, type: "costmap_2d::InflationLayer"}顺序很重要。我习惯把 inflation_layer 放在最后，这样它会对前面所有层（静态地图 + 传感器障碍物）做膨胀处理。
2.3 传感器数据融合 —— 多只眼睛比一只强
机器人一般不止一个传感器。激光雷达、深度相机、声呐、甚至红外。每个传感器都有自己的脾气。融合得好，避障如鱼得水；融合不好，地图上全是鬼影，机器人原地抽搐。
ROS 的 costmap_2d 通过 ObservationBuffer 和 ObservationSource 来管理多个传感器。你可以给每个传感器设置独立的 topic、sensor_frame、expected_update_rate。我个人习惯把激光雷达作为主传感器，深度相机作为辅助，因为激光雷达在室内更稳定。
| 传感器类型 | 优点 | 缺点 | 我常用的融合策略 |
|---|---|---|---|
| 激光雷达 (2D LiDAR) | 精度高，角度广 | 无法检测低矮障碍物 | 主避障，设 obstacle_range=3.5m |
| 深度相机 (RGB-D) | 能检测三维障碍物 | 易受光照干扰，视野窄 | 辅助检测桌腿、低矮物体 |
| 声呐 | 不受光照影响 | 分辨率低，有串扰 | 用于近距离补盲，0.2~1.0m |
⚠️ 重要警告： 多个传感器如果时间戳不同步，代价地图会出现“障碍物闪烁”。我曾经被这个问题折磨了两天，最后发现是激光雷达和深度相机的帧率不匹配。解决办法：在 launch 文件中用 message_filters 做时间同步，或者把 expected_update_rate 设成较宽松的值。
2.4 三个机制如何协同工作？
来，我帮你捋一遍流程：
- 传感器数据流入 —— 激光雷达、深度相机各自发布点云或激光扫描。
- 数据融合 —— costmap_2d 的 obstacle_layer 接收多个传感器的数据，通过
observation_sources合并成一张障碍物栅格图。 - 膨胀层出手 —— inflation_layer 根据
inflation_radius和cost_scaling_factor对障碍物栅格做膨胀，生成最终代价地图。 - 规划器读取 —— 全局/局部规划器基于这张代价地图计算无碰撞路径。
你看，任何一个环节出问题，比如传感器数据延迟、膨胀参数太激进、代价地图分辨率太低，都会导致机器人“卡顿”或者“绕远路”。
一句话总结： 代价地图是基础，膨胀层是安全保险，传感器融合是信息来源。调参的时候，先检查传感器数据是否干净，再调膨胀参数，最后微调代价地图分辨率。这个顺序我屡试不爽。
嗯，这一章的内容就到这里。不过在那之前，我建议你打开自己的机器人，用 rviz 把代价地图显示出来，观察一下膨胀层和传感器数据的样子。亲眼看到，比什么都管用。