1. TEB规划器避障优化实战指南
在机器人导航领域，TEB（Timed Elastic Band）规划器因其独特的时空优化能力而广受青睐。作为一名长期从事移动机器人开发的工程师，我见过太多团队在使用TEB时遇到的典型问题：机器人在狭窄通道中"瑟瑟发抖"不敢前进，或者在复杂环境中频繁"撞墙"。这些问题90%以上都源于参数配置不当。
TEB规划器的核心思想是将机器人的运动轨迹视为一条弹性带，通过在时间维度上优化这条带子的形状，实现避障和平滑运动。这种机制赋予了TEB出色的动态避障能力，但也带来了复杂的参数调优挑战。今天，我将分享三个最关键的参数调优技巧，这些经验都来自我们团队在数十个实际项目中的积累。
2. 距离约束调优：安全与灵活的平衡术
2.1 核心参数解析
距离约束是TEB避障能力的基石，它决定了机器人与障碍物之间的"安全距离"。这里涉及三个关键参数：
-
min_obstacle_dist：这是硬性安全线，表示机器人与障碍物的最小允许距离。设置过大会导致机器人无法通过狭窄区域，过小则会增加碰撞风险。
-
inflation_dist：代价地图中障碍物的膨胀半径。这个参数直接影响机器人对障碍物的"感知范围"，相当于给障碍物加了一个"缓冲带"。
-
include_costmap_obstacles：是否考虑代价地图中的障碍物。这个开关决定了TEB是否使用全局规划器提供的障碍物信息。
提示：在实际项目中，我们通常会将min_obstacle_dist设置为机器人半径的1.2-1.5倍，这样既保证了安全性，又不会过度限制机器人的通过能力。
2.2 参数调优实战技巧
2.2.1 狭窄环境调优
在仓库、走廊等狭窄环境中，我们需要特别小心地调整距离参数：
- 先将min_obstacle_dist设为机器人半径（例如0.3米）
- 逐步减小inflation_dist（从0.5米开始，每次减0.1米测试）
- 密切观察机器人在转弯和通过狭窄区域时的表现
我们曾在一个仓储项目中，通过将inflation_dist从0.5米降到0.3米，成功让机器人通过率从60%提升到95%。
2.2.2 动态障碍物处理
对于有人活动的环境，建议：
- 保持较大的inflation_dist（至少0.4米）
- 适当减小min_obstacle_dist（比静态环境小20%）
- 开启costmap的动态障碍物层
这样可以在保证安全的前提下，提高机器人在人机混行环境中的通过性。
3. 权重参数优化：避障与轨迹平滑的博弈
3.1 权重参数的作用机制
TEB通过加权多个优化目标来实现轨迹规划，其中最重要的三个权重参数是：
- obstacle_cost_weight：避障代价权重
- acceleration_weight：加速度平滑权重
- velocity_weight：速度平滑权重
这些权重参数形成了一个微妙的平衡关系。增加obstacle_cost_weight会让机器人更积极地避障，但可能导致轨迹不平滑；而增加加速度和速度权重则会产生相反的效果。
3.2 调优方法论
3.2.1 初始值设定
我们通常采用以下初始值：
- obstacle_cost_weight: 50
- acceleration_weight: 10
- velocity_weight: 5
这些值在大多数场景下都能提供不错的基线性能。
3.2.2 分阶段调优法
- 安全优先阶段：将obstacle_cost_weight设为100，确保机器人能可靠避障
- 平滑优化阶段：逐步增加acceleration_weight和velocity_weight（每次增加5）
- 性能平衡阶段：微调三个参数，寻找最佳平衡点
我们在一个服务机器人项目中发现，将obstacle_cost_weight设为70，acceleration_weight设为15，velocity_weight设为8时，机器人在保证安全的同时，运动最为自然流畅。
4. 计算参数优化：实时性与精度的取舍
4.1 关键计算参数
- dt_ref：时间离散间隔
- dt_hysteresis：时间离散容差
- max_samples：最大采样数
这些参数直接影响TEB的计算负载和规划质量。较小的dt_ref能产生更精确的轨迹，但会增加计算量；较大的dt_ref则相反。
4.2 调优策略
4.2.1 处理器性能匹配
- 高性能处理器（如i7）：dt_ref可设为0.1-0.2秒
- 中等性能处理器（如Jetson TX2）：dt_ref建议0.3-0.4秒
- 低端处理器：dt_ref不应小于0.5秒
4.2.2 动态调整技巧
我们开发了一个实用的技巧：根据环境复杂度动态调整max_samples：
cpp复制// 伪代码示例
if (environment_is_complex) {
max_samples = 500;
} else {
max_samples = 300;
}
这种方法可以在保证复杂环境下规划质量的同时，节省简单环境下的计算资源。
5. 常见问题与解决方案
5.1 机器人贴墙运动
现象：机器人总是贴着障碍物边缘移动，看起来很不自然。
解决方案：
- 检查inflation_dist是否设置过小
- 适当增加obstacle_cost_weight
- 确保costmap的分辨率足够高（建议0.05米）
5.2 避障反应迟钝
现象：机器人对突然出现的障碍物反应迟缓。
解决方案：
- 减小dt_ref（但不要小于0.1秒）
- 增加max_samples
- 检查传感器数据是否及时更新
5.3 轨迹抖动严重
现象：机器人运动轨迹不平稳，频繁调整方向。
解决方案：
- 增加acceleration_weight和velocity_weight
- 适当减小obstacle_cost_weight
- 检查机器人底盘控制器的响应特性
6. 实战调优流程建议
基于我们团队的经验，推荐以下调优流程：
-
安全基线建立：
- min_obstacle_dist = 机器人半径 × 1.2
- inflation_dist = 0.4米
- obstacle_cost_weight = 50
-
性能优化阶段：
- 逐步减小距离参数
- 调整权重参数平衡避障与平滑
- 优化计算参数匹配处理器性能
-
场景适配：
- 为不同环境（仓库、办公室、户外）保存多组参数
- 开发环境检测模块自动切换参数组
我们在一个大型物流中心项目中，通过这种调优方法，将机器人的平均任务完成时间缩短了40%，碰撞率降低到0.1%以下。
7. 高级调优技巧
7.1 参数联动效应
TEB的参数之间存在复杂的联动关系。例如：
- 减小min_obstacle_dist时，通常需要增加obstacle_cost_weight来补偿安全性
- 增加max_samples时，可以尝试减小dt_ref以获得更精细的轨迹
7.2 机器学习辅助调优
对于追求极致性能的团队，可以考虑：
- 收集大量场景下的运动数据
- 使用强化学习算法自动搜索最优参数组合
- 建立参数与环境特征的映射关系
我们实验性的尝试显示，这种方法可以找到人工调优难以发现的参数组合，提升15-20%的运动性能。
7.3 实时参数调整
开发一个简单的调试界面，允许在运行时调整关键参数并立即观察效果。这可以大大缩短调优周期。例如：
bash复制rosrun dynamic_reconfigure dynparam set /teb_planner obstacle_cost_weight 60
8. 不同机器人平台的调优差异
8.1 差速驱动机器人
特点：
- 转向灵活性高
- 侧向移动能力有限
调优重点：
- 强调前向避障
- 可以设置较大的min_obstacle_dist
8.2 全向驱动机器人
特点：
- 任意方向移动能力
- 运动自由度更高
调优重点：
- 需要更精细的obstacle_cost_weight设置
- 可以尝试较小的min_obstacle_dist
8.3 大型工业机器人
特点：
- 惯性大
- 制动距离长
调优重点：
- 必须设置较大的安全距离
- 需要更高的acceleration_weight来保证运动平滑
9. 环境特性与参数适配
9.1 结构化环境（如仓库）
参数特点：
- 较高的inflation_dist（0.4-0.6米）
- 适中的obstacle_cost_weight（40-60）
- 可以设置较大的dt_ref（0.3-0.4秒）
9.2 非结构化环境（如户外）
参数特点：
- 较小的inflation_dist（0.2-0.3米）
- 较高的obstacle_cost_weight（70-90）
- 较小的dt_ref（0.1-0.2秒）
9.3 人机混行环境
特殊考虑：
- 需要动态调整参数
- 建议使用较大的inflation_dist
- 考虑人的运动预测
10. 调优工具与技巧
10.1 RViz可视化技巧
- 开启TEB的轨迹可视化
- 观察优化后的轨迹与原始轨迹的差异
- 特别关注转弯和狭窄区域的表现
10.2 数据记录与分析
- 使用rosbag记录调优过程
- 分析轨迹平滑度、避障距离等指标
- 建立参数与性能的量化关系
10.3 自动化测试脚本
开发简单的测试脚本，自动执行以下流程：
- 启动测试环境
- 设置参数组合
- 发送导航目标
- 记录性能指标
- 生成调优报告
这种方法可以大大提高调优效率，特别是在需要测试大量参数组合时。
经过多年的TEB调优实践，我深刻体会到参数调优既是一门科学，也是一门艺术。最好的参数组合往往需要在理论指导和实际测试之间反复迭代。记住，没有放之四海皆准的最优参数，只有最适合你特定机器人和使用场景的参数组合。