3. 全局路径规划器：从NavFn到Theta*的实战选择

全局路径规划，说白了就是让机器人知道「大方向怎么走」。你给它一张地图、一个起点、一个终点，它得算出一条能走的路。Nav2里默认带了好几个规划器，但很多人装完就跑默认参数，结果机器人要么贴墙走、要么绕远路、要么直接卡死。今天我就把NavFn、A*、Theta*这几个东西掰开揉碎讲清楚。

  核心观点： 没有最好的规划器，只有最合适的规划器。选错了，调参调死你。

3.1 NavFn规划器：老将出马，一个顶俩？

NavFn是Nav2里最老的全局规划器，也是默认配置之一。它的核心思路是「波前传播」——从目标点开始，像水波一样往外扩散，每个格子记录到目标的距离。然后机器人沿着梯度下降的方向走，就能到终点。

听起来挺简单对吧？但我在项目里见过不少人踩坑。有一次，一个朋友在仓库里跑AGV，地图稍微大一点（50m×30m），NavFn直接卡了十几秒才出路径。为什么？因为波前传播要遍历整个地图，地图越大，计算量呈平方级增长。

我的建议： NavFn适合中小型地图（20m×20m以内），或者对实时性要求不高的场景。如果你在跑室内扫地机、小型服务机器人，用它没问题。

NavFn的配置参数不多，核心就这几个：

参数	默认值	说明	我的经验
`allow_unknown`	true	是否允许通过未知区域	室内建议false，室外可以true
`use_final_approach_orientation`	false	终点是否调整朝向	建议true，否则机器人到终点会原地转圈
`planner_window_x`	0.0	规划窗口X方向大小（0=全图）	大地图建议设5-10米，减少计算量
`planner_window_y`	0.0	规划窗口Y方向大小	同上

注意： 如果你设了planner_window_x/y，机器人只能在窗口内规划路径。如果目标点在窗口外，规划会失败。我曾经因为这个排查了半天，最后发现是窗口设小了。

3.2 A*算法：核心参数调优，别只会改heuristic

A*是全局规划里的「万金油」。它用启发函数（heuristic）引导搜索方向，比NavFn聪明得多——不用遍历全图，只往目标方向搜。但很多人调A*只知道改heuristic_scale，其实还有几个关键参数。

先看A*的配置：

# A*规划器配置示例
planner_plugin: "nav2_navfn_planner/NavfnPlanner"  # 注意：Nav2里A*也走Navfn插件
use_astar: true                                     # 启用A*算法
allow_unknown: false
use_final_approach_orientation: true

# 核心调优参数
heuristic_scale: 1.0        # 启发函数权重，越大越贪心
tolerance: 0.25             # 终点容差（米）
max_iterations: 100000      # 最大迭代次数

这几个参数怎么调？我一个个说：

heuristic_scale：启发函数的权重。默认1.0是标准A*，保证最优解。如果你想要更快（可以接受次优），可以调到1.2-1.5。但别超过2.0，否则路径会变得很奇怪——我见过有人设3.0，结果机器人直接穿墙走了。
tolerance：终点容差。如果你的终点在障碍物上（比如导航目标点刚好落在墙上），A*会找不到路径。设一个0.25-0.5米的容差，它会在附近找可到达的点。这个参数在动态环境中特别有用。
max_iterations：最大迭代次数。地图越大、障碍物越多，迭代次数需求越大。默认10万次对于50m×50m的地图够用，但如果你的地图有100m×100m，建议调到50万次以上。

  避坑指南： 我曾经在一个工厂项目里，地图有大量狭窄通道（1米宽，机器人宽0.8米）。A*默认参数死活规划不出路径，后来我把heuristic_scale降到0.8，路径就出来了。为什么？因为启发式权重太高会让搜索太「贪心」，忽略了狭窄通道的细节。

3.3 A* vs Theta*：到底差在哪？

很多人搞不清A*和Theta*的区别。我直接说人话：A*只能走「网格方向」（上下左右+对角线），所以路径全是锯齿状的折线。Theta*在A*的基础上加了「视线检查」（line-of-sight check），只要两点之间没有障碍物，它可以直接拉直线。

看个对比：

特性	A*	Theta*
路径形状	锯齿状折线	任意角度直线
计算速度	快	慢（多了视线检查）
路径长度	次优（网格限制）	更优（任意角度）
适用场景	开阔环境、实时性要求高	狭窄通道、需要平滑路径
Nav2支持	原生支持（Navfn插件）	需安装第三方插件

你想想看，如果你的机器人要在仓库里走「S」形弯道，A*出来的路径全是90度折角，机器人每到一个折角就得停下来原地转弯，效率极低。Theta*可以直接切斜线过去，路径平滑很多。

我的建议： 如果你的机器人是差速驱动（可以原地转弯），A*的锯齿路径影响不大。但如果是阿克曼转向（汽车式），必须用Theta*或者后续加平滑处理，否则转弯半径不够。

3.4 规划器插件选择与配置：别装了就完事

Nav2的规划器是通过插件机制加载的。你可以在启动时指定用哪个，也可以在运行时动态切换。配置方式有两种：

方式一：通过参数文件配置

# planner_params.yaml
planner_server:
  ros__parameters:
    planner_plugins: ["GridBased"]
    GridBased:
      plugin: "nav2_navfn_planner/NavfnPlanner"
      use_astar: true
      tolerance: 0.25
      allow_unknown: false
      use_final_approach_orientation: true

方式二：通过launch文件配置

# planner_server.launch.py
from launch import LaunchDescription
from launch_ros.actions import Node

def generate_launch_description():
    return LaunchDescription([
        Node(
            package='nav2_planner',
            executable='planner_server',
            name='planner_server',
            output='screen',
            parameters=[{
                'planner_plugins': ['GridBased'],
                'GridBased.plugin': 'nav2_navfn_planner/NavfnPlanner',
                'GridBased.use_astar': True,
                'GridBased.tolerance': 0.25,
            }]
        )
    ])

如果你要装Theta*插件，需要额外安装：

sudo apt install ros-humble-nav2-theta-star-planner

然后配置：

planner_server:
  ros__parameters:
    planner_plugins: ["ThetaStar"]
    ThetaStar:
      plugin: "nav2_theta_star_planner/ThetaStarPlanner"
      heuristic_scale: 1.0
      line_of_sight_step: 1.0  # 视线检查步长（米）
      max_iterations: 100000

注意： Theta*的line_of_sight_step参数很关键。步长越小，视线检查越精确，但计算越慢。默认1.0米对于大多数场景够用。如果你的地图有大量细长障碍物（比如桌腿），建议调到0.5米。

3.5 实战选型建议

说了这么多，到底怎么选？我根据项目经验给个参考：

室内扫地机/服务机器人：NavFn就够了，地图小、路径简单，没必要上复杂的。
仓储AGV/工厂物流：用A*，地图中等、需要实时响应，A*的效率和最优性平衡最好。
狭窄通道/密集障碍物：用Theta*，虽然慢一点，但路径质量高，机器人不会卡死。
阿克曼转向车辆：必须Theta* + 后续路径平滑，否则转弯半径问题会让你崩溃。

嗯，最后说一句：不管你选哪个规划器，一定要在实际地图上跑一遍。仿真里看着完美的路径，到了真实环境可能全是坑。我吃过这个亏，所以现在每换一个规划器，第一件事就是拿真实数据测一遍。

📚 课程目录

3. 全局路径规划器：从NavFn到Theta*的实战选择

3.1 NavFn规划器：老将出马，一个顶俩？

3.2 A*算法：核心参数调优，别只会改heuristic

3.3 A* vs Theta*：到底差在哪？

3.4 规划器插件选择与配置：别装了就完事

3.5 实战选型建议