第4章 DWA算法深度剖析

DWA，全称 Dynamic Window Approach，中文叫“动态窗口法”。
说白了，它就是个“贪心”的局部规划器——每一小步都选当前最划算的速度组合。
我最早接触 DWA 是在一个差速底盘的项目上，当时机器人总在走廊里左右乱晃，后来才发现是评价函数权重没配好。嗯，这一章咱们就把 DWA 的底裤扒干净。

4.1 动态窗口——速度采样空间

DWA 的第一步，就是找出所有“可能的速度组合”。
注意，不是所有速度都能用。受限于电机加减速、最大速度、安全刹车距离，真正可用的 (v, ω) 其实被限制在一个“动态窗口”里。

            动态窗口的约束条件：
            自身最大/最小速度：v ∈ [v_min, v_max]，ω ∈ [ω_min, ω_max]
电机加速度限制：当前速度加减速极限 (v₀ ± a_v·Δt)
安全制动：能在碰到障碍物之前刹停 (最大减速度)

        

我个人习惯把这三个约束画成三个圆（在速度空间里），它们的交集就是真正的“动态窗口”。
曾经有个项目，机器人一转弯就抖动，我查了半天发现是加速度限制设得太宽，窗口里包含了太多急转弯速度组合。嗯，调小加速度上限，抖动立刻消失。

4.2 轨迹预测——前向模拟

对窗口里的每一组 (v, ω)，DWA 都会“脑补”未来一段轨迹。
默认预测 3~4 秒，步长 0.1~0.2 秒。说白了，就是拿运动模型往前推演，看看机器人会走到哪里。

# 伪代码示意：轨迹预测
def predict_trajectory(v, omega, dt, steps):
    x, y, theta = 0, 0, 0
    traj = []
    for _ in range(steps):
        x += v * cos(theta) * dt
        y += v * sin(theta) * dt
        theta += omega * dt
        traj.append((x, y))
    return traj

这里有个坑：如果你用的机器人是阿克曼底盘，千万别直接用差速模型。我见过有人把 car-like 机器人当差速算轨迹，结果规划出来的路径根本转不过弯。

4.3 评价函数——三要素加权

每条预测轨迹都会被打分。DWA 的标准评价函数包含三个子项：

子项	含义	我的经验
heading	朝向误差：轨迹终点与目标点的角度差	权重太大容易“直愣愣”冲向目标，忽略障碍物
velocity	速度大小：鼓励快速移动	我一般给 0.1~0.3，太快容易刹不住
clearance	离最近障碍物的距离	这个权重低了会撞墙，高了会绕远路

调参小技巧： 我通常先固定 heading 权重为 1.0，然后调 clearance 让机器人刚好能通过窄门。velocity 权重最后加，用来微调速度。曾经在仓库项目中，clearance 权重从 0.2 提到 0.5，机器人就不再蹭货架了。

4.4 避坑指南 & 个人经验

DWA 看起来简单，但实际调参时容易踩坑。我列几个常见的：

窗口太小导致无解：如果动态窗口里所有轨迹都会碰撞，DWA 会直接卡住。解决办法是增大刹车距离或降低最大速度。
评价函数归一化：三个子项的量纲不同，必须归一化到 [0,1]。我习惯用当前窗口内的最大值做分母。
预测步数太多：预测 5 秒以上计算量暴增，而且远距离轨迹不准确。我一般设 3 秒，步长 0.15 秒。

⚠️ 曾经踩过的雷： 有一次我把 max_vel_x 设得很大，但加速度很小，导致动态窗口里全是低速组合，机器人慢得像蜗牛。后来把加速度和最大速度匹配起来，问题解决。记住：动态窗口的“动态”二字，就是强调它每帧都在变。

4.5 评价函数权重速查表

下面是我自己整理的一个初始参考范围，适合差速底盘室内导航：

参数	典型范围	说明
heading_weight	0.8 ~ 1.5	指向目标的重要性
velocity_weight	0.1 ~ 0.4	速度激励
clearance_weight	0.2 ~ 0.8	避障敏感度

你想想看，如果机器人总在空旷区域急刹车，大概率是 clearance 权重太高了。反过来，如果它贴着墙走，那就是 heading 权重过大。

最后说一句：DWA 的代码实现其实只有几百行，但调参能调一整天。