4、代价地图参数：膨胀层、障碍物层、静态地图层与更新频率
代价地图，说白了就是机器人对周围环境的“风险认知图”。它把激光雷达、深度相机这些传感器数据，加上我们事先画好的静态地图，融合成一张带权重的网格图。每个格子都有一个代价值，值越高，机器人就越不敢靠近。
我刚开始调导航的时候，总觉得代价地图是个黑盒子。后来踩的坑多了，才明白它的三个核心层——膨胀层、障碍物层、静态地图层——各自管什么事，参数该怎么调。今天咱们就把这三层掰开揉碎，再聊聊更新频率这个容易被忽略的“隐形杀手”。
核心观点：代价地图不是一张图，而是三层图的叠加。每一层的参数都会直接影响机器人的避障行为和路径质量。
4.1 静态地图层：你的地图就是地基
静态地图层，就是咱们用SLAM建好的那张地图。它告诉机器人：哪些地方是墙，哪些地方是空地，哪些地方是未知区域。这张图一般不会变，除非你重新建图。
我个人习惯把静态地图层看作“底线”。不管传感器怎么变，墙的位置是固定的。这个层的参数不多，但有一个特别关键——map_topic，它决定了代价地图订阅哪个话题的地图数据。
| 参数名 | 默认值 | 说明 |
|---|---|---|
| map_topic | /map | 静态地图的话题名称 |
| subscribe_to_updates | false | 是否订阅地图更新（一般不用） |
| track_unknown_space | false | 是否将未知区域视为障碍物 |
| lethal_cost_threshold | 100 | 地图中多少灰度值算致命障碍 |
我的经验：track_unknown_space 这个参数，我建议在室内场景设为 false。如果设为 true，机器人会把没探索过的区域也当成障碍，路径规划会变得非常保守，甚至卡在门口出不去。
4.2 障碍物层：实时感知的“眼睛”
障碍物层负责把激光雷达、深度相机这些传感器的数据实时投影到代价地图上。说白了，它告诉机器人：“你左边有个箱子，前面有个人，别撞上去。”
这个层的参数最多，也最容易调出问题。我遇到过最典型的坑是：激光雷达数据频率太高，障碍物层更新不过来，导致地图出现“鬼影”——明明障碍物已经移走了，地图上还留着它的痕迹。
核心参数一览
| 参数名 | 默认值 | 作用 |
|---|---|---|
| observation_sources | 空 | 定义传感器源，如 laser_scan_sensor |
| ~source/marking | true | 是否在代价地图上标记障碍物 |
| ~source/clearing | true | 是否清除已消失的障碍物 |
| ~source/data_type | LaserScan | 传感器数据类型 |
| ~source/obstacle_range | 2.5 | 障碍物最大检测距离（米） |
| ~source/raytrace_range | 3.0 | 射线追踪清除障碍物的距离（米） |
| max_obstacle_height | 2.0 | 障碍物最大高度（米） |
| min_obstacle_height | 0.0 | 障碍物最小高度（米） |
注意：obstacle_range 和 raytrace_range 这两个参数，我见过很多人设成一样的值。其实 raytrace_range 应该比 obstacle_range 大 0.5~1.0 米，这样才能保证障碍物移走后，地图能及时清除残留的标记。
多传感器配置示例
如果你同时用了激光雷达和深度相机，可以这样配置：
observation_sources: laser_scan_sensor depth_camera_sensor
laser_scan_sensor:
sensor_frame: laser_frame
data_type: LaserScan
topic: /scan
marking: true
clearing: true
obstacle_range: 2.5
raytrace_range: 3.0
depth_camera_sensor:
sensor_frame: camera_depth_frame
data_type: PointCloud2
topic: /camera/depth/points
marking: true
clearing: true
obstacle_range: 1.5
raytrace_range: 2.0
嗯，这里要注意：深度相机的 obstacle_range 我一般设得比激光雷达小。因为深度相机在远距离时精度下降很快，设太大反而会引入噪声。
4.3 膨胀层：给机器人留点“面子”
膨胀层，说白了就是把障碍物“吹胖”一圈。为什么要这么做？因为机器人不是质点，它有自己的尺寸。如果不膨胀，路径规划可能会让机器人贴着墙走，结果一转弯就卡住。
膨胀层的核心参数就两个：膨胀半径和代价缩放因子。但就是这两个参数，能玩出花来。
| 参数名 | 默认值 | 说明 |
|---|---|---|
| inflation_radius | 0.55 | 膨胀半径（米），一般设为机器人半径的1.2~1.5倍 |
| cost_scaling_factor | 10.0 | 代价衰减速度，值越大衰减越快 |
调参口诀：膨胀半径决定“能不能过”，代价缩放因子决定“愿不愿意过”。半径太小容易撞，半径太大过不了窄门。缩放因子太大，机器人贴着障碍物走；太小，机器人绕大圈。
我记得有一次在仓库项目里，机器人要穿过一个只有0.7米宽的通道。机器人本体宽0.5米，按理说能过。但膨胀半径设了0.55米，结果代价地图上通道被堵死了。后来我把膨胀半径降到0.35米，同时把cost_scaling_factor从10.0调到15.0，让代价衰减更快，机器人就顺利通过了。
代价衰减曲线
膨胀层生成的代价值不是均匀的，而是从障碍物边缘向外指数衰减。公式大概是这样：
cost = exp(-1.0 * cost_scaling_factor * (distance - inscribed_radius))
其中 distance 是当前格子到障碍物的距离，inscribed_radius 是机器人内切圆半径。cost_scaling_factor 越大，代价下降越快，机器人就越敢靠近障碍物。
4.4 更新频率：别让地图“卡顿”
更新频率这个参数，很多人不重视。但我要说，它可能是影响导航稳定性的“隐形杀手”。
代价地图有两个更新频率：
- update_frequency：代价地图整体更新的频率（Hz）
- publish_frequency：代价地图发布到可视化话题的频率（Hz）
我见过一个案例：有人把 update_frequency 设成 20Hz，但激光雷达只有 10Hz。结果代价地图一直在“空转”，CPU 占用率飙升，机器人反而反应变慢。其实 update_frequency 跟传感器频率匹配就好，一般 5~10Hz 就够用。
| 场景 | 推荐 update_frequency | 推荐 publish_frequency |
|---|---|---|
| 室内低速（0.3m/s） | 5 Hz | 2 Hz |
| 室内中速（0.6m/s） | 10 Hz | 5 Hz |
| 室外动态场景 | 15 Hz | 10 Hz |
| 多传感器融合 | 10 Hz | 5 Hz |
避坑指南：我曾经把 publish_frequency 设得比 update_frequency 还高，结果 RViz 上看到的地图一直在“闪烁”，因为可视化数据比实际地图更新得快，显示的是中间状态。记住：publish_frequency 不要超过 update_frequency。
4.5 三层协同：一个完整的配置示例
最后，我给大家一个我常用的完整配置模板。这个配置在室内轮式机器人上跑过几百公里，稳定性不错。
global_costmap:
global_frame: map
robot_base_frame: base_footprint
update_frequency: 5.0
publish_frequency: 2.0
static_map: true
rolling_window: false
plugins:
- {name: static_layer, type: "costmap_2d::StaticLayer"}
- {name: obstacle_layer, type: "costmap_2d::ObstacleLayer"}
- {name: inflation_layer, type: "costmap_2d::InflationLayer"}
local_costmap:
global_frame: odom
robot_base_frame: base_footprint
update_frequency: 10.0
publish_frequency: 5.0
static_map: false
rolling_window: true
width: 4.0
height: 4.0
resolution: 0.05
plugins:
- {name: obstacle_layer, type: "costmap_2d::ObstacleLayer"}
- {name: inflation_layer, type: "costmap_2d::InflationLayer"}
obstacle_layer:
observation_sources: laser_scan_sensor
laser_scan_sensor:
sensor_frame: laser_frame
data_type: LaserScan
topic: /scan
marking: true
clearing: true
obstacle_range: 2.5
raytrace_range: 3.0
inflation_layer:
inflation_radius: 0.4
cost_scaling_factor: 12.0
你看，全局代价地图用了静态地图层，局部代价地图没用。因为局部规划器只关心机器人周围4米×4米的范围，用滚动窗口就够了，不需要全局地图。这样能省不少计算资源。
我的习惯：每次改完参数，我都会在 RViz 里打开代价地图的可视化，看看膨胀层是不是把通道堵死了，障碍物层有没有漏掉东西。肉眼观察比看日志快多了。
代价地图的参数调优，说白了就是找平衡。静态地图层给你基础，障碍物层给你实时性，膨胀层给你安全余量。更新频率则决定了这三层能不能协调工作。调好了，机器人走起来行云流水；调不好，它要么撞墙，要么原地转圈。