TEB算法实战调优：从参数原理到避障策略的导航调参指南
1. TEB算法调参入门：从原理到实战
第一次接触TEB算法时，我被它复杂的参数列表吓到了。作为一个在ROS导航中广泛使用的局部路径规划算法，TEB（Time Elastic Band）确实需要花些功夫才能掌握。但经过几个项目的实战，我发现只要理解了核心原理，调参其实并不像看起来那么可怕。
TEB算法的核心思想是把机器人的运动轨迹看作一条有弹性的带子。这条带子由一系列位姿点组成，每个点都受到各种"力"的作用：有的力让它尽量缩短（优化时间），有的力让它远离障碍物，还有的力让它保持平滑。调参的本质就是调整这些"力"的相对大小，让机器人在不同场景下都能找到最优路径。
举个例子，weight_optimaltime这个参数控制的就是"缩短带子"的力。我刚开始调参时把它设得很小，结果机器人总是慢悠悠地绕大圈；后来大胆调高后，机器人开始切内道转弯，效率明显提升。但调太高又会导致它太"莽撞"，差点撞上障碍物。这种参数间的平衡就是调参的艺术。
2. 环境配置与基础调参
2.1 准备工作：搭建测试环境
在开始调参前，我强烈建议先搭建一个可控的测试环境。我的做法是在Gazebo中创建一个简单的场景：一条直道加几个障碍物。这样可以快速验证参数变化的效果，而不用每次都让真机满场跑。
一个小技巧是暂时屏蔽速度指令，先专注于路径规划效果。在launch文件中加入：
<remap from="/cmd_vel" to="/cmd_vel_temp" />这样机器人会保持静止，你可以专心观察规划的路径是否合理。记得调试完要删除这行代码！
2.2 全局路径优化：打好基础
很多人一上来就调局部路径参数，这其实是个误区。我吃过亏后才明白：好的全局路径是成功的一半。在costmap_common_params.yaml中，这几个参数特别关键：
| 参数 | 默认值 | 作用 | 调优建议 |
|---|---|---|---|
| robot_radius | 0.15 | 机器人半径 | 实测值应略大于实际尺寸 |
| inflation_radius | 0.2 | 障碍物膨胀范围 | 从0.3开始尝试 |
| cost_scaling_factor | 15.0 | 障碍物代价衰减系数 | 锯齿路径时调大 |
我常用的调试方法是：先把inflation_radius设得较大（比如0.5），然后逐步减小直到路径既不会撞上障碍物，又能充分利用空间。在RViz中，理想的膨胀区域应该呈现从障碍物向外渐变的颜色。
3. TEB核心参数详解
3.1 避障相关参数调优
避障是TEB算法最核心的功能之一。在teb_local_planner_params.yaml中，这几个参数直接影响避障效果：
min_obstacle_dist: 0.3 # 最小避障距离 inflation_dist: 0.5 # 静态障碍物缓冲区 dynamic_obstacle_inflation_dist: 0.6 # 动态障碍物缓冲区我的经验法则是：min_obstacle_dist设为机器人半径的1.5-2倍；对于动态障碍物，缓冲区要比静态的大20%-30%。有一次调试扫地机器人项目时，发现它总是对突然出现的人反应过度，就是因为这两个参数设置不合理。
3.2 轨迹优化权重参数
权重参数决定了TEB算法对不同优化目标的重视程度。最重要的几个权重参数包括：
- weight_optimaltime：时间优化权重
- weight_kinematics_forward_drive：前进方向偏好
- weight_obstacle：避障权重
这里有个实用技巧：先单独调每个权重，观察它对轨迹的影响。比如把weight_optimaltime从1调到10，你会明显看到轨迹变得更"激进"；而增加weight_obstacle则会让轨迹更保守。找到平衡点后，再微调其他参数。
4. 高级调参技巧与实战案例
4.1 动态障碍物处理策略
在实际项目中，动态障碍物是最难处理的。除了调整dynamic_obstacle_inflation_dist外，我还发现这两个技巧很管用：
- 在拥挤环境中，适当降低max_global_plan_lookahead_dist（建议0.5-1.0米），让机器人更关注近处的障碍物
- 对于快速移动的障碍物，可以启用prediction_include_dynamic_obstacles参数
去年做一个仓储机器人项目时，就是因为没处理好动态障碍物，导致机器人在人多的时段频繁急停。后来通过调整这些参数，流畅度提升了60%以上。
4.2 特殊场景调参方案
不同场景需要不同的参数组合。这是我总结的几个典型场景的调参思路：
狭窄通道场景：
- 增加weight_optimaltime（建议5-7）
- 减小inflation_dist（但不能小于机器人半径）
- 降低max_vel_x（建议0.3-0.5m/s）
开阔空间场景：
- 可以适当降低weight_obstacle
- 增大max_vel_x和acc_lim_x
- 增大max_global_plan_lookahead_dist
记得每次调参后要做完整测试：包括直线行走、直角转弯、静态避障和动态避障等基本场景。我习惯用rosbag记录测试过程，方便对比不同参数的效果。
5. 常见问题排查与性能优化
5.1 典型问题解决方案
问题1：机器人卡在角落不动
- 检查inflation_dist是否过大
- 尝试增大weight_optimaltime
- 确认全局路径是否可达
问题2：轨迹抖动严重
- 降低max_vel_x和max_vel_theta
- 增加weight_kinematics_forward_drive
- 检查传感器数据是否稳定
问题3：避障反应迟钝
- 减小min_obstacle_dist
- 增加weight_obstacle
- 确认costmap更新频率
5.2 性能优化建议
当机器人性能有限时，可以调整这些参数降低计算负载：
- 减少horizon_reduction_min_samples（最小轨迹点数）
- 增加dt_ref（轨迹点时间间隔）
- 禁用full_pose_goal参数
在树莓派上部署时，通过这些调整，我把计算耗时从200ms降到了80ms，效果非常明显。但要注意，过度优化可能会影响路径质量，需要在性能和效果间找到平衡。
调参是个需要耐心的过程，我建议每次只改1-2个参数，做好记录，逐步逼近最优解。遇到瓶颈时，不妨回头看看算法原理，往往会有新的启发。记住，没有放之四海皆准的最优参数，只有最适合你具体场景的参数组合。