1. 导航避障概述：机器人导航的三大核心问题

大家好，我是你们这门课的老朋友。做了这么多年机器人，我最大的感触就是——导航避障这玩意儿，看着简单，调起来真要命。今天咱们先不急着调参数，先把地基打牢。

机器人导航，说白了就是三个问题：我在哪？我要去哪？我怎么去？ 这三个问题对应着三大核心技术：定位、建图、路径规划。你想想看，一个机器人如果连自己在哪都不知道，它怎么敢动？

1.1 三大核心问题拆解

定位（Localization）：就是回答“我在哪”。我习惯用概率的方式来理解——不是精确的坐标，而是一个概率分布。比如机器人说“我有80%的把握我在走廊中间”。常用的方法有蒙特卡洛定位（MCL）和卡尔曼滤波。

建图（Mapping）：回答“周围长什么样”。建图不是拍照片，而是构建一个机器人能理解的地图。最常见的是占据栅格地图（Occupancy Grid Map），每个格子有三种状态：占据、空闲、未知。

路径规划（Path Planning）：回答“怎么去”。分两层：全局规划找大方向，局部规划躲小障碍。我在项目中遇到过，全局路径算得再好，局部避障参数没调好，机器人照样撞墙。

1.2 避障在导航中的角色

避障不是独立的技术，它是路径规划里的“安全员”。全局规划告诉你“走这条路”，避障告诉你“前面有坑，绕一下”。

我个人的经验是，避障分三个层次：

• 反应式避障：看到障碍就躲，像碰到烫手山芋。典型算法是VFH（向量场直方图）。优点是快，缺点是容易陷入局部死胡同。
• 预测式避障：根据障碍物的运动趋势提前规划。比如动态窗口法（DWA），它会模拟未来几秒的运动轨迹，选一条最安全的。
• 协同式避障：多机器人之间互相通信，商量着走。这个在工业场景里比较常见。

1.3 常见传感器选型与对比

传感器是导航的“眼睛”。选错了传感器，后面全白搭。我见过太多项目，传感器选型没做好，最后算法怎么调都救不回来。

目前主流的避障传感器有三种：激光雷达、深度相机、超声波。咱们一个一个说。

激光雷达（LiDAR）

这是目前最靠谱的选择。精度高、速度快、不受光照影响。我习惯用2D激光雷达做室内导航，比如RPLIDAR A系列，性价比不错。3D激光雷达（如Velodyne）精度更高，但价格也高，适合室外无人车。

• 优点：精度毫米级，扫描频率10-40Hz，全天候工作
• 缺点：价格贵（好的要几千上万），无法识别透明物体（玻璃、水面）
• 典型应用：扫地机器人、AGV、自动驾驶

深度相机（RGB-D Camera）

比如Intel RealSense、Kinect、奥比中光。它能同时提供彩色图像和深度信息。说白了，就是能告诉你“前面有个红色的椅子，距离1.5米”。

• 优点：信息丰富（颜色+深度），价格适中（几百到两千），适合做物体识别
• 缺点：受光照影响大（强光下深度数据会丢），有效距离短（一般5-10米）
• 典型应用：服务机器人、无人机避障

超声波传感器

这个老家伙还在用，因为它便宜、耐用、能检测透明物体。但精度嘛……只能说够用。

• 优点：价格极低（几十块），能检测玻璃、水面，不受光照影响
• 缺点：精度差（厘米级），有锥形盲区，容易受多径干扰
• 典型应用：扫地机器人补盲、倒车雷达

传感器对比表

传感器类型	精度	有效距离	价格区间	光照影响	透明物体	推荐场景
激光雷达（2D）	毫米级	10-30m	¥1000-5000	无	无法检测	室内导航
激光雷达（3D）	毫米级	50-200m	¥10000+	无	无法检测	室外无人车
深度相机	厘米级	0.5-10m	¥500-2000	强	可检测	服务机器人
超声波	厘米级	0.2-5m	¥20-100	无	可检测	补盲/防撞

1.4 传感器融合：1+1 > 2

现实中，很少只用一种传感器。我个人的做法是：激光雷达做主传感器，深度相机做辅助，超声波做补盲。

举个例子，扫地机器人通常用激光雷达建图，但遇到低矮的障碍物（比如拖鞋），激光雷达扫不到，这时候超声波就派上用场了。深度相机则用来识别“这是不是一只猫”，避免误撞。

嗯，这里要注意：传感器融合不是简单地把数据叠加，而是要用算法（比如卡尔曼滤波、粒子滤波）把不同传感器的数据“拧”在一起。这个后面我们会专门讲。

1.5 本章知识体系总览

下面这张图，是我自己总结的导航避障知识体系。你把它记在脑子里，后面学起来就不会迷路。

这张图把本章的核心内容串起来了。从上到下看：三大核心问题 → 避障角色 → 避障层次 → 传感器选型。你每次调参数卡住的时候，回来看看这张图，想想自己卡在哪一层。