3. 环境感知与障碍物表示

局部规划器要回答“往哪走、能不能过”，前提是它拿到一份可计算的环境描述。传感器给出的是原始观测，规划器需要的是障碍物位置、形状、速度与不确定性。本节围绕这条“传感器→点云/栅格→代价地图→膨胀→动态跟踪与预测”的转换链展开，重点说明每类传感器的适用边界、栅格与代价地图的构建方式，以及动态障碍物如何以接口形式交给规划器。

一、四类传感器的分工与互补

激光雷达（LiDAR）通过飞行时间测距，输出三维点云，水平视场常见 360°（机械式）或 90°～120°（固态/半固态），测距精度可达厘米级，适合构建高精度栅格与几何轮廓。缺点是雨雾、扬尘、玻璃与镜面会造成丢点或虚假回波，且点云数据量大。毫米波雷达利用多普勒效应，能直接测出径向速度，穿透雨雾能力强，探测距离可达 150～250 m，但角分辨率低、点云稀疏，易产生多径虚假目标，适合中远距离与高速场景的速度估计。视觉相机成本低、纹理信息丰富，可做语义识别（区分行人、车辆、锥桶），但受光照、逆光、雨雪影响大，单目测距精度差，需依赖标定与深度估计。超声波传感器量程通常 0.2～5 m，成本极低，对近距离补盲（如低速泊车、贴边行驶）有效，但波束角大、易受温度与风速影响，刷新率低。

工程上很少只用一种传感器。典型配置是：激光雷达负责近中距几何建图，毫米波雷达负责远距速度与恶劣天气冗余，视觉负责语义与分类，超声波负责最后 1～2 m 的贴边保护。融合时需先做时间同步（如统一到同一时间戳，误差控制在 10 ms 内）和外参标定（雷达到车体、相机到雷达的旋转平移矩阵），否则同一障碍物会在不同传感器中落在不同位置。

二、点云到栅格地图

点云是离散的三维点集合，直接用于碰撞检测计算量大。常见做法是投影到二维栅格：以车体为中心建立局部栅格，分辨率取 0.05～0.2 m。对每个点，根据其高度过滤地面点（如高度低于 0.2 m 视为地面），再将其投影到对应栅格并标记为占据。未被任何点命中但被射线穿过的栅格标记为空闲，其余为未知。这样得到三态栅格：占据、空闲、未知。

栅格概率更新常用贝叶斯或对数几率（log-odds）形式。设某栅格被占据的先验概率为 p，观测到占据时用对数几率累加：

L(t) = L(t-1) + log(p_occ / (1 - p_occ)) - log(p_free / (1 - p_free))
p(t) = 1 / (1 + exp(-L(t)))

例如取 p_occ = 0.7、p_free = 0.4，则一次占据观测约增加 0.85 的对数几率。连续多次观测后，概率会稳定收敛，从而抑制单帧噪声。栅格地图的代价是内存随范围平方增长，因此局部规划通常只维护车体周围 20～50 m 的滚动窗口。

三、代价地图与障碍物膨胀

栅格只回答“是否占据”，代价地图则回答“通过这里要付出多少代价”。它在占据栅格基础上叠加多层：静态层（建图得到的固定障碍）、障碍层（当前传感器检测到的障碍）、膨胀层（按机器人半径外扩）、代价层（离障碍越近代价越高）。规划器在代价地图上搜索时，会自然远离高代价区域。

膨胀是保证安全的关键。设机器人外接圆半径为 R，膨胀半径通常取 R 加安全余量 δ（如 0.1～0.3 m）。膨胀后，障碍物边缘向外扩展 R+δ，规划器只需把机器人当作质点处理，就能避免擦碰。膨胀代价常按距离衰减：紧贴障碍处代价最高（如 253），向外逐格递减到 0。这样即使路径必须靠近障碍，也会选择代价较低的一侧。

需要注意：膨胀半径过大会把窄通道“堵死”，导致无解；过小则安全余量不足。实际调参时，可先按机器人实际轮廓确定 R，再根据定位误差和控制误差确定 δ。若定位误差约 0.1 m、控制跟踪误差约 0.1 m，δ 取 0.2 m 较为稳妥。

四、动态障碍物跟踪与预测接口

静态栅格无法表达运动物体。动态障碍物需要先检测（聚类或深度学习框），再关联（把当前帧检测与上一帧轨迹匹配），最后滤波估计状态。常用方法是卡尔曼滤波：状态量取 [x, y, vx, vy]，观测为位置。预测时，匀速模型给出未来 1～3 s 的轨迹点；若目标可能转向，可切换到匀加速或交互多模型（IMM）。

交给规划器的接口应包含：目标 id、当前位置、速度矢量、外接尺寸、类别（行人/车辆/未知）、置信度，以及未来若干时刻的预测位置。更新频率建议 10～20 Hz，且时间戳必须与规划器当前时刻对齐，否则预测会“超前”或“滞后”。置信度低的目标可只做减速避让，不触发急停，避免误检导致频繁刹车。

把上述环节串起来，局部规划器拿到的就是一张带代价的局部栅格，外加一份动态目标列表及其预测轨迹。前者回答“哪里能走”，后者回答“哪里即将不能走”。两者时间戳一致、坐标系统一（通常为车体坐标系，x 向前、y 向左），规划器才能在同一框架下做避障决策。