TEB规划器避障原理与参数调优实战指南

1. TEB规划器避障原理与核心参数解析

TEB（Timed Elastic Band）规划器是移动机器人导航中广泛使用的局部路径规划算法。它通过将路径表示为一系列带时间戳的位姿点（称为"橡皮筋"），并施加动力学约束来生成可行轨迹。与纯几何避障算法不同，TEB的核心优势在于同时考虑：

• 空间避障（与障碍物的距离）
• 时间维度（速度/加速度约束）
• 动力学可行性（非完整约束）

在动态避障场景中，以下三个参数对性能影响最为显著：

1.1 最大加速度（acc_lim_x/acc_lim_theta）

控制机器人在直线和旋转方向的最大加速度。数值过小会导致避障反应迟缓，过大则可能引发震荡。工业AGV通常设置为：

yaml复制acc_lim_x: 0.5  # m/s²（标准叉车）
acc_lim_theta: 0.3  # rad/s²

1.2 障碍物膨胀半径（inflation_layer.radius）

虚拟扩大障碍物边界的半径。该参数需要与机器人实际轮廓匹配：

yaml复制inflation_layer:
  radius: 0.25  # 比实际半径大5-10cm

注意：过大的膨胀半径会导致狭窄通道无法通过，建议通过实际测量确定安全余量

1.3 轨迹时间分辨率（dt_ref）

相邻位姿点的时间间隔（默认0.3s）。较小值提高轨迹精度但增加计算量。实测表明：

• 动态环境：0.1-0.2s
• 静态环境：0.3-0.5s

2. 参数调优实战方法论

2.1 系统性调优流程

建议按以下顺序调整参数：

1. 先确定安全约束（膨胀半径）
2. 再调动力学参数（加速度限制）
3. 最后优化计算效率（时间分辨率）

2.2 加速度参数调优技巧

通过速度阶跃测试确定极限值：

1. 在空旷场地以最大速度运行
2. 急停测量实际减速度
3. 取测量值的80%作为acc_lim_x

典型问题排查：

bash复制# 查看实际加速度
rostopic echo /cmd_vel | grep linear.x

2.3 膨胀半径动态调整方案

对于非结构化环境，可采用条件膨胀策略：

python复制if (nearest_obstacle_dist < 1.0):
    inflation_radius = 0.3
else:
    inflation_radius = 0.15

3. 典型避障场景参数配置

3.1 狭窄通道场景

yaml复制acc_lim_x: 0.3
inflation_radius: 0.15  # 最小安全距离
dt_ref: 0.2  # 提高轨迹精度

3.2 动态避障场景

yaml复制acc_lim_x: 0.8  # 允许快速避让
inflation_radius: 0.25  # 更大安全余量
dt_ref: 0.1  # 高频更新

3.3 高速巡航场景

yaml复制acc_lim_x: 0.5  # 平稳加减速
inflation_radius: 0.3  # 补偿速度误差
dt_ref: 0.3  # 降低计算负载

4. 高级调试工具与技巧

4.1 Rviz可视化诊断

• 启用TrajectoryPlannerROS插件观察：
  • 绿色：优化后的轨迹
  • 红色：被拒绝的轨迹
  • 黄色：障碍物影响区域

4.2 关键指标监控

bash复制# 实时查看规划耗时
rostopic hz /teb_planner/feedback

4.3 典型问题处理方案

5. 实测案例：仓储AGV参数优化

某型号叉车AGV原始参数下出现：

• 直角转弯时碰撞货架
• 动态避障反应迟缓

优化后配置：

yaml复制acc_lim_x: 0.45  # 原0.6
acc_lim_theta: 0.25  # 原0.4
inflation_radius: 0.18  # 原0.25
dt_ref: 0.15  # 原0.3

效果提升：

• 避障成功率：78% → 93%
• 轨迹平滑度提升40%
• CPU占用降低15%