3. 全局路径规划参数：A*算法参数解析、Dijkstra参数对比、全局代价地图参数设置
各位同学，咱们今天聊点硬核的——全局路径规划。说白了，就是让机器人在出发前，先在地图上画出一条从A到B的“大路”。我这些年调过的机器人，十有八九的问题都出在这一步。你想想看，全局路径都没规划好，后面的局部避障再牛，那也是白搭。
这一节，我带你手撕三个核心模块：A*算法、Dijkstra算法，还有全局代价地图。嗯，咱们一个一个来。
3.1 A*算法参数解析
A*算法，说白了就是“带方向的Dijkstra”。它比Dijkstra聪明的地方在于，它知道自己要去哪，所以不会像个无头苍蝇一样到处乱撞。
我个人习惯把A*的核心参数分成三组：启发式函数、搜索策略、路径平滑。
3.1.1 启发式函数（Heuristic Function）
这是A*的灵魂。启发式函数决定了“估算距离”的准确度。我见过很多新手直接拿欧几里得距离当启发式，结果路径拐来拐去，像喝醉了一样。
| 启发式类型 | 公式 | 适用场景 | 我踩过的坑 |
|---|---|---|---|
| 曼哈顿距离 | |dx| + |dy| | 四方向移动（如室内走廊） | 在斜向移动时路径会“锯齿状” |
| 欧几里得距离 | sqrt(dx² + dy²) | 八方向或自由移动 | 计算量大，且容易低估代价 |
| 切比雪夫距离 | max(|dx|, |dy|) | 八方向移动（如AGV） | 路径偏“直”，但可能撞角 |
| 对角线距离 | dx + dy + (√2 - 2) * min(dx, dy) | 八方向移动（推荐） | 我最常用，平衡了速度和精度 |
3.1.2 搜索策略参数
A*的搜索过程，说白了就是维护一个“待探索列表”。这里有几个关键参数，我一个个说。
- open_set大小限制：默认是无限大。但在大场景下，我建议设个上限（比如50000个节点）。否则内存爆了，你哭都来不及。
- 搜索步长（resolution）：默认是地图分辨率。我个人习惯设成0.5米，太大路径会“跳”，太小计算量爆炸。
- 路径剪枝（path pruning）：这个参数很多人忽略。开启后，算法会去掉路径上不必要的拐点。嗯，我建议默认开启。
3.1.3 路径平滑
A*出来的路径，往往是“折线”。直接让机器人走，它会一顿一顿的，像在跳机械舞。所以我们需要平滑。
ROS里常用的平滑方法有两种：
- 梯度下降平滑：迭代优化路径点，让它们更平滑。我一般迭代50次，再多就过拟合了。
- B样条曲线：用控制点生成平滑曲线。效果好，但计算量大。适合离线规划。
# 我常用的A*参数配置（yaml格式）
A_star:
heuristic_type: "diagonal" # 对角线距离
heuristic_weight: 1.1 # 稍微贪心一点
search_resolution: 0.5 # 米
open_set_limit: 50000 # 防止内存爆炸
smooth_iterations: 50 # 平滑迭代次数
path_pruning: true # 剪枝
3.2 Dijkstra参数对比
Dijkstra算法，说白了就是A*的“老大哥”。它没有启发式，所以会遍历所有可能的路径，直到找到最短的那条。优点是保证最优，缺点是慢。
我什么时候用Dijkstra？嗯，场景不大（比如10x10米以内），或者对路径最优性要求极高的时候。比如，机器人要穿过一个狭窄的通道，A*可能因为启发式“骗”自己走了弯路，但Dijkstra不会。
| 对比项 | A* | Dijkstra |
|---|---|---|
| 搜索效率 | 高（有方向） | 低（无方向） |
| 路径最优性 | 近似最优（取决于启发式） | 绝对最优 |
| 内存占用 | 低 | 高（需要存储所有节点） |
| 适用场景 | 大场景、实时规划 | 小场景、离线规划 |
| ROS默认实现 | navfn / global_planner | navfn（可切换） |
在ROS里，切换其实很简单。global_planner的use_dijkstra参数设为true，它就变成Dijkstra了。我建议你做个实验：同一个场景，分别跑A*和Dijkstra，看看路径差异。你会发现，Dijkstra的路径往往更“圆润”，因为它考虑了所有可能性。
3.3 全局代价地图参数设置
全局代价地图，说白了就是一张“打分表”。每个格子都有一个代价，机器人规划路径时，会尽量走代价低的格子。
代价地图的参数，我分成三类：膨胀层、静态层、障碍物层。
3.3.1 膨胀层（Inflation Layer）
这是最重要的层。它把障碍物“膨胀”一圈，让机器人离障碍物远一点。膨胀半径设多大？嗯，我一般设成机器人半径的1.5倍。太小了容易刮蹭，太大了路径绕远路。
# 膨胀层参数示例
inflation_layer:
inflation_radius: 0.55 # 米，机器人半径0.35m，乘1.5
cost_scaling_factor: 10.0 # 代价衰减速度，越大衰减越快
cost_scaling_factor这个参数，我吃过亏。有一次设成5.0，结果代价衰减太慢，机器人为了避开一个很小的障碍物，绕了半个地图。后来改成10.0，路径就正常了。你想想看，这个值越大，代价从障碍物边缘到膨胀半径边缘的“过渡”就越陡峭，机器人会更倾向于贴着障碍物走。
3.3.2 静态层（Static Layer）
静态层就是地图本身。参数不多，但有一个坑：map_topic。我见过有人把话题名写错，结果机器人一直用空地图规划路径，直接撞墙。
- map_topic：地图话题名，默认是"/map"。
- subscribe_to_updates：是否订阅地图更新。如果你用动态地图（比如SLAM实时建图），建议设为true。
- track_unknown_space：是否把未知区域当作障碍物。我建议设为false，否则机器人会“害怕”没去过的地方。
3.3.3 障碍物层（Obstacle Layer）
障碍物层负责处理传感器数据（激光雷达、深度相机等）。参数比较多，我挑几个关键的讲。
| 参数 | 说明 | 我的建议值 |
|---|---|---|
| observation_sources | 传感器列表，如"scan" | 按实际传感器名称写 |
| obstacle_range | 障碍物最大检测距离 | 2.5米（室内） |
| raytrace_range | 射线追踪范围（清除障碍物） | 3.0米（比obstacle_range大一点） |
| max_obstacle_height | 障碍物最大高度 | 2.0米（高于机器人高度） |
| min_obstacle_height | 障碍物最小高度 | 0.0米（地面杂物也算） |
obstacle_range设成5.0米，结果机器人把远处的墙也当成障碍物，导致全局路径绕了一大圈。后来改成2.5米，路径就合理了。记住，全局代价地图不需要看到太远，够用就行。
3.4 知识体系总览
说了这么多，我画了一张图帮你理清思路。全局路径规划的核心，就是“算法+地图”的组合。算法决定怎么找路，地图决定哪里能走。
嗯，这张图把咱们今天讲的内容串起来了。左边是算法，右边是地图。你调参的时候，要同时考虑这两边。比如，你把膨胀半径设大了，A*的搜索空间就变小了，路径可能更安全，但也可能绕远路。这就是个trade-off。
好了，这一节的内容就到这。记住，全局路径规划不是一蹴而就的，需要反复试错。你调参的时候，多看看Rviz里的路径变化，慢慢就有感觉了。