• 避障是如何工作的
• 什么是局部规划器？
• 什么是局部成本图？
• 路径规划回顾
• 如何使用动态重新配置和其他 Rviz 工具

局部规划器

一旦全局规划器计算出要遵循的路径，该路径就会发送给局部规划器。然后，局部规划器将执行全局规划的每个部分（让我们将局部规划想象为全局规划的一小部分）。因此，给定要遵循的规划（由全局规划器提供）和地图，局部规划器将提供速度命令以移动机器人。

与全局规划器不同，局部规划器监视里程表和激光数据，并为机器人选择无碰撞的局部规划（让我们将局部规划想象为全局规划的一小部分）。因此，局部规划器可以动态重新计算机器人的路径，以防止机器人撞到物体，但仍允许它到达目的地。

一旦计算出局部规划，它将发布到名为 /local_plan 的主题中。局部规划器还会将其尝试遵循的全局规划部分发布到主题 /global_plan 中。让我们做一个练习，以便你更好地理解这一点。

练习

a) 打开 Rviz 并添加显示，以便能够可视化局部规划器的 /global_plan 和 /local_plan 主题。

b) 向机器人发送目标姿势并可视化两个主题。

和全局规划器一样，还有不同类型的局部规划器。根据您的设置（您使用的机器人、它导航的环境等）和您想要的性能类型，您将使用其中一种或另一种。让我们来看看最重要的几种。

base_local_planner

base_local_planner提供了轨迹展开（Trajectory Rollout）和动态窗口方法（Dynamic Window Approach, DWA）算法的实现，用于计算和执行机器人的全局路径规划。

总结一下，这些算法的基本工作原理如下：

1. 从机器人的控制空间中离散地采样。
2. 对于每个采样的速度，从机器人的当前状态开始执行前向模拟，以预测应用该速度后的情况。
3. 评估每条前向模拟得到的轨迹。
4. 丢弃不合法的轨迹。
5. 选择得分最高的轨迹，并将相关的速度发送到移动底盘。
6. 重复以上步骤。

DWA 与轨迹展开的不同之处在于机器人的空间采样方式。轨迹展开从整个前向模拟期间内可实现的速度集合中进行采样，考虑了机器人的加速度限制；而 DWA 则仅在一个模拟步骤中从可实现的速度集合中进行采样，考虑了机器人的加速度限制。

由于 DWA 采样的空间较小，因此它是一种更高效的算法，但对于加速度限制较低的机器人，DWA 可能不如轨迹展开表现得好，因为 DWA 不会对恒定加速度进行前向模拟。在实际应用中，DWA 和轨迹展开的性能类似，因此推荐使用 DWA 以获得效率上的优势。

base_local_planner的 DWA 算法在一个新的局部规划器中得到了改进，这就是我们接下来要介绍的 DWA local planner。

dwa_local_planner

DWA local planner 提供了动态窗口方法（Dynamic Window Approach, DWA）算法的实现。它基本上是对基础局部规划器的 DWA 选项的重写，但代码更简洁、更易于理解，特别是在轨迹模拟方面。

因此，对于使用 DWA 方法进行局部规划的应用，dwa_local_planner 可能是最佳选择。这是最常用的选项。

eband_local_planner

eband_local_planner实现了弹性带（Elastic Band）方法，以计算要跟随的局部路径。

teb_local_planner

teb 局部规划器实现了有时间弹性带（Timed Elastic Band）方法，以计算要跟随的局部路径。

修改Local Planner

move_base 节点使用的局部规划器在 base_local_planner 参数中指定。可以在参数文件中设置，如下例所示：

base_local_planner: "base_local_planner/TrajectoryPlannerROS" # Sets the Trajectory Rollout algorithm from base local                                                                 planner

base_local_planner: "dwa_local_planner/DWAPlannerROS" # Sets the dwa local planner

base_local_planner: "eband_local_planner/EBandPlannerROS" # Sets the eband local planner

base_local_planner: "teb_local_planner/TebLocalPlannerROS" # Sets the teb local planner

或者可以直接在启动文件中设置，就像我们的例子一样：

<arg name="base_local_planner" default="dwa_local_planner/DWAPlannerROS"/>

正如您所期望的，每个局部规划器也有自己的参数。这些参数将根据您使用的局部规划器而有所不同。在本课程中，我们将重点介绍 DWA 局部规划器参数，因为它是最常见的选择。无论如何，如果您想检查其他局部规划器的具体参数，您可以在此处查看：

base_local_planner: base_local_planner - ROS Wiki

eband_local_planner: eband_local_planner - ROS Wiki

teb_local_planner: teb_local_planner - ROS Wiki

DWAPlannerROS 参数

如果您检查包 my_move_base_launcher 中的文件 my_move_base_params.yaml，您将看到 DWAPlannerROS 规划器的参数：

DWAPlannerROS:
  # Robot configuration parameters  
  acc_lim_x: 2.5
  acc_lim_y: 0
  acc_lim_th: 3.2

  max_vel_x: 0.5
  min_vel_x: 0.0
  max_vel_y: 0
  min_vel_y: 0

  max_vel_trans: 0.5
  min_vel_trans: 0.1
  max_vel_theta: 1.0
  min_vel_theta: 0.2

  # Goal Tolerance Parameters
  yaw_goal_tolerance: 0.1
  xy_goal_tolerance: 0.2
  latch_xy_goal_tolerance: false

DWA 局部规划器最重要的参数如下：

机器人配置参数

• /acc_lim_x（默认值：2.5）：机器人在 x 方向上的加速度限制，单位是米/秒²。
• /acc_lim_th（默认值：3.2）：机器人在旋转方向上的加速度限制，单位是弧度/秒²。
• /max_vel_trans（默认值：0.55）：机器人最大平移速度的绝对值，单位是米/秒。
• /min_vel_trans（默认值：0.1）：机器人最小平移速度的绝对值，单位是米/秒。
• /max_vel_x（默认值：0.55）：机器人最大 x 方向速度，单位是米/秒。
• /min_vel_x（默认值：0.0）：机器人最小 x 方向速度，单位是米/秒，负值表示向后运动。
• /max_vel_theta（默认值：1.0）：机器人最大旋转速度的绝对值，单位是弧度/秒。
• /min_vel_theta（默认值：0.4）：机器人最小旋转速度的绝对值，单位是弧度/秒。

目标容差参数

• /yaw_goal_tolerance（双精度，默认值：0.05）：控制器在达到目标时在偏航/旋转方向上的容差，单位是弧度。
• /xy_goal_tolerance（双精度，默认值：0.10）：控制器在达到目标时在 x 和 y 方向上的容差，单位是米。
• /latch_xy_goal_tolerance（布尔值，默认值：false）：如果目标容差被锁定，当机器人达到目标 xy 位置时，它会原地旋转，即使在旋转过程中最终位置超出了目标容差范围。

练习

a) 打开上一章中创建的 my_move_base_params.yaml 文件进行编辑。

b) 修改 DWAPlannerROS 的 xy_goal_tolerance 参数并将其设置为更高的值。

c) 检查是否注意到性能有任何差异。

High XY tolerance:

 Low XY tolerance:

正如您在练习中看到的，您在参数文件中设置的目标容差越高，机器人设定的目标就越不准确。

正如您在参数文件中看到的，还有其他参数被注释（因此规划器采用它们的默认值）：

# 前向模拟参数
# sim_time: 2.0  # 模拟时间（秒）
# sim_granularity: 0.02  # 模拟粒度（秒）
# vx_samples: 6  # x方向速度样本数
# vy_samples: 0  # y方向速度样本数
# vtheta_samples: 20  # 旋转速度样本数
# penalize_negative_x: true  # 是否惩罚负x方向速度

# 轨迹评分参数
# path_distance_bias: 32.0  # 控制器保持接近给定路径的权重
# goal_distance_bias: 24.0  # 控制器试图到达局部目标的权重，也控制速度
# occdist_scale: 0.01  # 控制器尝试避免障碍物的权重
# forward_point_distance: 0.325  # 从机器人中心点到额外评分点的距离（米）
# stop_time_buffer: 0.2  # 为了使轨迹被认为有效，机器人在碰撞前必须停止的时间（秒）
# scaling_speed: 0.25  # 机器人足迹开始缩放的速度绝对值（米/秒）
# max_scaling_factor: 0.2  # 机器人足迹的最大缩放因子

# 振荡防止参数
# oscillation_reset_dist: 0.25  # 机器人在振荡标志重置之前必须行驶的距离（米）（默认值: 0.05）

练习：

a) 修改局部规划器参数文件中的 sim_time 参数并将其设置为 4.0。

b) 检查是否注意到局部规划器的性能或可视化方面有任何差异。

Regular sim_time (local plan in blue):

 High sim_time (local plan in blue):

从上面的练习中可以看出，sim_time 参数越高，计算出的局部规划就越长。但是，请记住，这也会增加使用的计算资源。

轨迹评分参数

• /path_distance_bias（默认值：32.0）：控制器应保持接近给定路径的权重
• /goal_distance_bias（默认值：24.0）：控制器应尝试达到其局部目标的权重；还控制速度
• /occdist_scale（默认值：0.01）：控制器应尝试避开障碍物的权重

这里有一个 dwa_local_planner_params.yaml 的示例：

# 轨迹评分参数
# path_distance_bias: 32.0  # 控制器保持接近给定路径的权重
# goal_distance_bias: 24.0  # 控制器试图到达局部目标的权重，也控制速度
# occdist_scale: 0.01  # 控制器尝试避免障碍物的权重
# forward_point_distance: 0.325  # 从机器人中心点到额外评分点的距离（米）
# stop_time_buffer: 0.2  # 机器人在碰撞前必须停止的时间，以使轨迹被认为有效（秒）
# scaling_speed: 0.25  # 机器人足迹开始缩放的速度绝对值（米/秒）
# max_scaling_factor: 0.2  # 机器人足迹的最大缩放因子

尝试自己修改这些参数，看看它们如何影响规划过程。例如，您可以尝试更改局部规划器参数文件中的 path_distance_bias 参数。

path_distance_bias 参数用于控制机器人在轨迹追踪时保持接近给定路径的权重。修改这个参数会对机器人行为产生以下影响：

1. 增加 path_distance_bias 的值：

   • 机器人会更紧密地跟随路径。 增大的权重使得控制器更加重视保持机器人在给定路径上的位置，导致机器人更努力地纠正偏离路径的情况。
   • 可能导致路径跟随过度。 如果 path_distance_bias 设得过高，机器人可能会变得过于固执，紧紧依赖路径，可能会导致在复杂或狭窄环境中的表现变差，甚至导致在障碍物附近出现困难。

2. 减少 path_distance_bias 的值：

   • 机器人会更灵活。 较低的权重使得控制器对路径的依赖性降低，机器人可能会有更多的自由度来进行调整和优化其他目标，例如到达目标点或避开障碍物。
   • 可能导致路径偏离。 如果这个权重设置得过低，机器人可能不会很好地遵循给定路径，从而导致偏离预定路径，尤其是在路径弯曲或变化较大的情况下。

在全局规划器部分，我们已经向您介绍了代价地图，重点介绍了全局代价地图。现在是时候谈谈局部代价地图了。

Local Costmap

您需要知道的第一件事是，局部规划器使用局部代价地图来计算局部规划。

与全局代价地图不同，局部代价地图直接根据机器人的传感器读数创建。给定代价地图的宽度和高度（由用户定义），它会在机器人在整个环境中移动时将机器人保持在代价地图的中心，并在机器人移动时从地图中删除障碍物信息。

让我们做一个练习，以便您更好地了解局部代价地图的外观，以及如何区分局部代价地图和全局代价地图。

练习

a) 打开 Rviz 并添加适当的显示，以便可视化全局和局部成本地图。

b) 执行以下命令以在房间中生成障碍物。

检查您的工作区中是否已经有 object.urdf 文件。如果您还没有，您需要执行以下命令将其移动到您的工作区。

cp /home/simulations/public_sim_ws/src/all/turtlebot/turtlebot_navigation_gazebo/urdf/object.urdf /home/user/catkin_ws/src

 创建对象

rosrun gazebo_ros spawn_model -file /home/user/catkin_ws/src/object.urdf -urdf -x 0 -y 0 -z 1 -model my_object

c) 启动键盘操作并靠近生成的物体。

roslaunch husky_launch keyboard_teleop.launch

d) 检查全局和局部Costmaps之间的差异。

Husky 面对生成的障碍物:

 全局成本地图（未出现障碍物）：

 局部成本地图（障碍物出现）：

因此，正如您在上一个练习中看到的，局部代价地图确实会检测模拟中出现的新对象，而全局代价地图则不会。

您可能已经推断出这种情况，因为全局代价地图是从静态地图文件创建的。这意味着即使环境发生变化，代价地图也不会改变。相反，局部代价地图是根据机器人的传感器读数创建的，因此它将始终使用来自传感器的新读数进行更新。

由于全局代价地图和局部代价地图的行为不同，因此参数文件也必须不同。让我们来看看我们需要为局部代价地图设置的最重要的参数。

Local Costmap 参数

你需要了解的参数如下：

• global_frame: 成本地图操作的全局坐标系。在局部成本地图中，此参数必须设置为 "/odom"。
• robot_base_frame: 机器人基座链接的坐标系名称。
• rolling_window: 是否使用滚动窗口版本的成本地图。如果 static_map 参数设置为 true，则此参数必须设置为 false。在局部成本地图中，此参数必须设置为 true。
• update_frequency（默认值: 5.0）: 更新地图的频率，以赫兹（Hz）为单位。
• width（默认值: 10）: 成本地图的宽度。
• height（默认值: 10）: 成本地图的高度。
• plugins: 插件规范的序列，每个层一个。每个规范是一个包含 name 和 type 字段的字典。name 用于定义插件的参数命名空间。

正如你所看到的，这些参数与全局成本地图的参数相同。然而，我们增加了一些在处理局部成本地图时很有用的参数：width 和 height。我们还增加了 update_frequency，稍后将在本单元中讨论。

现在，让我们做一个简单的练习来测试 width 和 height 参数。

练习

a) 将一个名为 my_local_costmap_params.yaml 的文件添加到您在练习my_move_base_launcher中创建的包的 params目录中。

b) 将 husky_navigation 包的 costmap_local.yaml 文件的内容复制到此文件中。

global_frame: odom
rolling_window: true

plugins:
  - {name: obstacles_laser,           type: "costmap_2d::ObstacleLayer"}
  - {name: inflation,                 type: "costmap_2d::InflationLayer"}

c) 修改您在练习my_move_base_launcher中创建的 my_move_base.launch 文件，以便它加载您刚刚创建的局部 costmap 参数文件。

<?xml version="1.0"?>
<launch>

  <!-- Run the map server -->
  <arg name="map_file" default="$(find husky_navigation)/maps/my_map.yaml"/>
  <node name="map_server" pkg="map_server" type="map_server" args="$(arg map_file)" />

  <!--- Run AMCL -->
  <include file="$(find husky_navigation)/launch/amcl.launch" />

  <arg name="no_static_map" default="false"/>

  <arg name="base_global_planner" default="navfn/NavfnROS"/>
  <arg name="base_local_planner" default="dwa_local_planner/DWAPlannerROS"/>
  <!-- <arg name="base_local_planner" default="base_local_planner/TrajectoryPlannerROS"/> -->

  <node pkg="move_base" type="move_base" respawn="false" name="move_base" output="screen">

    <param name="base_global_planner" value="$(arg base_global_planner)"/>
    <param name="base_local_planner" value="$(arg base_local_planner)"/>  
    <rosparam file="$(find my_move_base_launcher)/params/my_move_base_params.yaml" command="load"/>

    <!-- observation sources located in costmap_common.yaml -->
    <rosparam file="$(find husky_navigation)/config/costmap_common.yaml" command="load" ns="global_costmap" />
    <rosparam file="$(find husky_navigation)/config/costmap_common.yaml" command="load" ns="local_costmap" />

    <!-- local costmap, needs size -->
    <rosparam file="$(find my_move_base_launcher)/params/my_local_costmap_params.yaml" command="load" ns="local_costmap" />
    <param name="local_costmap/width" value="10.0"/> # Change to 5 for the Exercise
    <param name="local_costmap/height" value="10.0"/> # Change to 5 for the Exercise

    <!-- static global costmap, static map provides size -->
    <rosparam file="$(find my_move_base_launcher)/params/my_global_costmap_params.yaml" command="load" ns="global_costmap" unless="$(arg no_static_map)"/>
    
    <!-- global costmap with laser, for odom_navigation_demo -->
    <rosparam file="$(find husky_navigation)/config/costmap_global_laser.yaml" command="load" ns="global_costmap" if="$(arg no_static_map)"/>
    <param name="global_costmap/width" value="100.0" if="$(arg no_static_map)"/>
    <param name="global_costmap/height" value="100.0" if="$(arg no_static_map)"/>
  </node>

</launch>

d) 启动 Rviz 并再次可视化局部costmap。可视化地图和 costmap 模式。

e) 修改宽度和高度参数并将其设置为 5。再次可视化 costmap。

10x10 costmap (map view):

 10x10 costmap (costmap view):

5x5 costmap (map view):

5x5 costmap (costmap view):

正如您在上一个练习中所看到的，为代价地图设置正确的宽度和高度非常重要。根据您想要导航的环境，您将设置一个或另一个值以正确显示障碍物。

让我们继续使用局部代价地图参数。尽管参数与全局代价地图相同，但它们的设置值并不相同。

例如，对于局部代价地图，rolling_window 参数将设置为 true。这样，我们表明我们不希望代价地图从静态地图初始化（就像我们对全局代价地图所做的那样），而是从机器人的传感器读数构建。

此外，由于我们没有任何静态地图，因此需要将 global_frame 参数设置为 odom。

您可以在上一个练习中创建的 my_local_costmap_params.yaml 文件中看到这一点：

global_frame: odom
rolling_window: true

正如我们在全局成本地图中看到的，局部成本地图也可以添加层。在局部成本地图的情况下，通常会添加以下两层：

• costmap_2d::ObstacleLayer: 用于避障。
• costmap_2d::InflationLayer: 用于对障碍物进行膨胀处理。

因此，你最终会得到如下结果：

plugins:
    - {name: obstacle_layer,      type: "costmap_2d::ObstacleLayer"}
    - {name: inflation_layer,     type: "costmap_2d::InflationLayer"}

**障碍层**对**局部代价地图**和**全局代价地图**使用不同的插件。对于局部代价地图，它使用**costmap_2d::ObstacleLayer**，而对于全局代价地图，它使用**costmap_2d::VoxelLayer**。这非常重要，因为在导航中，对障碍层使用错误的插件是一个常见错误。

让我们添加最后一个参数！正如您通过练习已经看到的，局部成本地图会不断更新自身。这些更新周期以 update_frequency 参数指定的速率进行。每个周期的工作方式如下：

1. 传感器数据进入。
2. 执行标记和清除操作。
3. 为每个单元格分配适当的成本值。
4. 对每个有障碍物的单元格执行障碍物膨胀。这包括将成本值从每个占用的单元格向外传播到指定的膨胀半径。

练习

a) 在 local costmap  参数文件中，将地图的 update_frequency 参数改得更慢。

b) 再次重复上面练习，看看现在会发生什么。

代价地图中的对象的生成稍有延迟。

现在，您可能想知道……上面提到的标记和清除操作是什么？

正如您已经知道的，代价地图会自动订阅传感器主题，并根据从传感器收到的数据进行自我更新。每个传感器都用于标记（将障碍物信息插入代价地图）、清除（从代价地图中删除障碍物信息）或两者兼而有之。

标记操作只是数组中的索引，用于更改单元格的成本。

但是，清除操作包括从传感器原点向外通过网格进行光线追踪，以报告每个观察结果。

标记和清除操作可以在障碍层中定义。

此时，我们几乎可以说您已经知道如何配置全局和本地代价地图。但如果您还记得的话，还有一个我们尚未讨论的参数文件。那就是通用代价地图参数文件。这些参数将影响全局和本地代价地图。

Common Costmap Parameters

基本上，您需要在这个文件中设置的最重要参数如下：

• footprint: 足迹是移动底盘的轮廓。在 ROS 中，它表示为一个二维数组，例如 [x0, y0], [x1, y1], [x2, y2], ...。这个足迹将用于计算内接圆和外接圆的半径，这些圆用于以适合该机器人的方式膨胀障碍物。通常，为了安全起见，我们希望足迹略大于机器人的实际轮廓。
• robot_radius: 如果机器人是圆形的，我们将指定此参数而不是足迹。
• layers parameters: 在这里我们将定义每一层的参数。每一层都有其自己的参数。

障碍层

障碍层负责标记和清除操作。

如您所知，成本地图会自动订阅传感器主题，并根据接收到的数据进行更新。每个传感器用于标记（将障碍物信息插入成本地图）、清除（从成本地图中移除障碍物信息），或两者兼具。

• 标记操作：只是通过数组索引来改变一个单元格的成本。
• 清除操作：则是通过从传感器原点向外进行网格射线追踪，处理每个报告的观察数据。

标记和清除操作可以在障碍层中定义。

为了配置障碍层，我们首先需要为层设置名称，然后设置 observation_sources 参数。

• observation_sources（default: ""）：由空格分隔的观察源名称列表。这定义了以下各个 source_name 命名空间。

您可以在 husky_navigation 包中的 costmap_common.yaml 文件中查看其操作方式：

obstacles_laser: # Name of the layer
    observation_sources: laser # We define 1 observation_source named laser

现在我们可以为这个 observation_source 定义具体的参数。observation_sources 中的每个 source_name 定义了一个命名空间，其中可以设置参数：

• /source_name/topic（默认值: source_name）：传感器数据接收的主题。默认为源名称。
• /source_name/data_type（默认值: "PointCloud"）：与主题相关联的数据类型，目前只支持 "PointCloud"、"PointCloud2" 和 "LaserScan"。
• /source_name/clearing（默认值: false）：是否使用该观察源来清除空闲空间。
• /source_name/marking（默认值: true）：是否使用该观察源来标记障碍物。
• /source_name/inf_is_valid（默认值: false）：允许在 "LaserScan" 观察消息中存在 Inf 值。Inf 值将被转换为激光的最大范围。
• /source_name/max_obstacle_height（默认值: 2.0）：要插入到成本地图中的障碍物的最大高度（米）。该参数应设置为比机器人的实际高度稍高。
• /source_name/obstacle_range（默认值: 2.5）：障碍物将在成本地图中插入的默认最大距离（米）。此设置可以按传感器进行覆盖。
• /source_name/raytrace_range（默认值: 3.0）：使用传感器数据从地图中射线追踪障碍物的默认范围（米）。此设置可以按传感器进行覆盖。

您可以在 husky_navigation 包中的 costmap_common.yaml 文件中查看其完成方式：

laser: {data_type: LaserScan, clearing: true, marking: true, topic: scan, inf_is_valid: true, obstacle_range: 5.5}

正如您在示例中看到的，我们仅声明 1 个 observer_source，用于激光。这意味着我们的 Husky 机器人将根据从其激光接收到的数据构建其本地成本地图。

练习：

a) 将名为 my_common_costmap_params.yaml 的文件添加到您在练习my_move_base_launcher中创建的包的 params 目录中。

b) 将 husky_navigation 包的 costmap_common.yaml 文件的内容复制到这个新文件中。

footprint: [[-0.5, -0.33], [-0.5, 0.33], [0.5, 0.33], [0.5, -0.33]]
footprint_padding: 0.01

robot_base_frame: base_link
update_frequency: 4.0
publish_frequency: 3.0
transform_tolerance: 0.5

resolution: 0.05

#layer definitions
static:
    map_topic: /map
    subscribe_to_updates: true

obstacles_laser:
    observation_sources: laser
    laser: {data_type: LaserScan, clearing: true, marking: true, topic: scan, inf_is_valid: true, obstacle_range: 5.5}

inflation:
    inflation_radius: 1.0

a) 现在，修改 obstacle_range 参数并将其设置为 1。

b) 将机器人移近障碍物并观察会发生什么。

Inflation Layer

Inflation Layer负责对每个包含障碍物的单元格进行膨胀处理。

• inflation_radius（默认值: 0.55）：用于膨胀障碍物成本值的半径（米）。
• cost_scaling_factor（默认值: 10.0）：在膨胀过程中应用于成本值的缩放因子。

练习

a) 现在，修改 costmap 的 inflation_radius 参数，使其速度更慢。

b) 靠近某个物体，检查差异。

inflation_radius 参数用于控制障碍物周围的膨胀区域的大小，这有助于为机器人提供一个更加保守的避障区域。

Low inflation:

High inflation:

Static Layer

静态层负责向需要它的代价地图（全局代价地图）提供静态地图。

map_topic（string，默认值：“map”）：代价地图为静态地图订阅的主题。

Rotate Recovery

基本上，旋转恢复行为是一种简单的恢复行为，通过将机器人旋转 360 度来尝试清理空间。这样，机器人可能能够找到一条没有障碍物的路径继续导航。

它有一些可以自定义的参数，以便改变或改善其行为：

旋转恢复参数

• /sim_granularity (默认值: 0.017): 在检查是否可以安全地进行原地旋转时，检查障碍物的距离，单位是弧度。默认为 1 度。
• /frequency (默认值: 20.0): 向移动底盘发送速度命令的频率，单位是赫兹 (HZ)。

其他参数

• /yaw_goal_tolerance (double, 默认值: 0.05): 控制器在实现目标时在偏航/旋转方向上的容差，单位是弧度。
• /acc_lim_th (double, 默认值: 3.2): 机器人的旋转加速度限制，单位是弧度/秒²。
• /max_rotational_vel (double, 默认值: 1.0): 底盘允许的最大旋转速度，单位是弧度/秒。
• /min_in_place_rotational_vel (double, 默认值: 0.4): 执行原地旋转时底盘允许的最小旋转速度，单位是弧度/秒。

这些参数也可以在 move_base 参数文件中设置。

Clear Costmap

清除成本图恢复是一种简单的恢复行为，通过清除机器人地图中指定区域之外的障碍物来清理空间。基本上，局部成本图会恢复到与全局成本图相同的状态。

让我们来进行一个简短的练习，以测试这些恢复行为。

练习

向无法到达的机器人发送导航目标，并检查是否触发恢复行为。

例如，您可以在模拟世界的厨房内设置一个目标。查看下图：

move base节点的输出：

旋转恢复行为：

move_base 节点还提供了一项服务，用于清除 costmap 中的障碍物。这项服务称为 /move_base/clear_cotmaps。

请记住，通过清除 costmap 中的障碍物，您将使这些障碍物对机器人不可见。因此，调用此服务时要小心，因为它可能会导致机器人开始撞到障碍物。

练习

a) 如果还没有，则将一个未出现在全局代价地图中的对象添加到场景中。

b) 移动机器人，使其在局部代价地图中检测到这个新障碍物。

c) 转动机器人，使其不再看到障碍物（激光束检测不到它）。

d) 通过 WebShell 调用 /clear_costmaps 服务，并检查发生了什么。

rosservice call /move_base/clear_costmaps "{}"

被激光检测到的物体，放置到局部Ccostmap中：

Husky转身，激光不再检测到物体，但它仍然出现在本地代价地图中。

调用/move_base/clear_costmaps服务后，对象从局部代价地图中清除：

Recap

恭喜你！到目前为止，你已经了解了本章涵盖的几乎所有重要内容。由于这是课程的最后一章，这意味着你距离完全掌握 ROS 导航系统已经非常接近了！

不过，你可能会对有关路径规划的大量信息感到不知所措。因此，我认为这是一个总结本章内容的好时机。让我们开始吧！

move_base 节点

move_base 节点基本上是协调所有路径规划系统的节点。它接收目标位姿作为输入，并输出必要的速度指令，以便将机器人从初始位姿移动到指定的目标位姿。为实现这一目标，move_base 节点管理一个完整的内部流程，其中包括以下几个部分：

• 全局规划器
• 局部规划器
• 成本图
• 恢复行为

全局规划器

当 move_base 节点收到新的目标时，它会立即将其发送给全局规划器。全局规划器随后将计算出一条安全的路径，供机器人到达指定的目标。全局规划器使用全局成本图数据来计算这条路径。

有不同类型的全局规划器。根据你的设置，你将使用不同的全局规划器。

局部规划器

一旦全局规划器为机器人计算出路径，它会将路径发送给局部规划器。局部规划器将执行这条路径，将其拆分为更小的（局部）部分。因此，给定一个要遵循的计划和地图，局部规划器将提供速度指令以移动机器人。局部规划器在局部成本图上操作。

有不同类型的局部规划器。根据你对性能的需求，你将选择不同的局部规划器。

成本图

成本图基本上是表示地图上哪些点对机器人是安全的，哪些点是不安全的地图。有 2 种类型的成本图：

• 全局成本图
• 局部成本图

基本上，它们之间的区别在于，全局成本图是使用先前构建的静态地图数据构建的，而局部成本图则是从机器人的传感器读取数据构建的。

恢复行为

恢复行为提供了在机器人卡住时的处理方法。导航栈提供了 2 种不同的恢复行为：

• 旋转恢复
• 清除成本图

配置

由于有许多不同的节点协同工作，因此可配置的参数数量也非常高。我认为总结一下需要设置的路径规划相关参数文件是一个好主意。你需要的参数文件如下：

<launch>
    <!-- Load move_base parameters -->
    <param file="$(find your_package)/config/move_base_params.yaml" command="load" />
    
    <!-- Load global planner parameters -->
    <param file="$(find your_package)/config/global_planner_params.yaml" command="load" />
    
    <!-- Load local planner parameters -->
    <param file="$(find your_package)/config/local_planner_params.yaml" command="load" />
    
    <!-- Load common costmap parameters -->
    <param file="$(find your_package)/config/common_costmap_params.yaml" command="load" />
    
    <!-- Load global costmap parameters -->
    <param file="$(find your_package)/config/global_costmap_params.yaml" command="load" />
    
    <!-- Load local costmap parameters -->
    <param file="$(find your_package)/config/local_costmap_params.yaml" command="load" />

    <!-- Start the move_base node -->
    <node pkg="move_base" type="move_base" name="move_base" />
</launch>

除了上述参数文件外，我们还需要一个启动文件，以便启动整个系统并加载不同的参数。

总结

总体而言，路径规划的流程如下：

在获取机器人的当前位置后，我们可以将目标位置发送到 move_base 节点。该节点将目标位置发送到全局规划器，全局规划器将计划出一条从当前位置到目标位置的路径。这个计划是基于全局成本图的，而全局成本图由地图服务器提供数据。

全局规划器将此路径发送给本地规划器，本地规划器执行全局计划的每个部分。本地规划器获取里程计和激光数据值，并找到一个没有碰撞的局部计划。局部规划器与本地成本图相关联，本地成本图可以监视机器人周围的障碍物。局部规划器生成速度指令并将其发送到底盘控制器。底盘控制器将这些指令转换为实际的机器人运动。

如果机器人卡住了，恢复行为节点（如清除成本图恢复或旋转恢复）将被调用。

现在一切都更有意义了，对吧？

所以，凭借你在本课程中获得的所有知识，你可以再次查看下面的图示，尝试理解其中涉及的所有不同元素。

动态重新配置

到目前为止，我们已经了解了如何通过在参数文件中修改参数来更改参数。但是，猜猜看……这不是更改参数的唯一方法！您还可以使用 rqt_reconfigure 工具更改动态参数。请按照以下步骤操作：

a) 运行下一个命令以打开 rqt_reconfigure 工具。

rosrun rqt_reconfigure rqt_reconfigure

• 打开 move_base group。
• 选择 DWAPlannerROS 节点。
• 稍微调整一下以下 3 个参数：
  • path_distance_bias
  • goal_distance_bias
  • occdist_scale
• 上述参数用于计算成本函数，用于对每条轨迹进行评分。更详细地说，它们定义了以下内容：
  • path_distance_bias：控制器应保持接近给定路径的权重。
  • goal_distance_bias：控制器应尝试达到其局部目标的权重，也控制速度。
  • occdist_scale：控制器应尝试避开障碍物的权重。
• 打开 Rviz 并可视化全局和局部计划如何根据设置的值发生变化。

Rviz 中的其他有用可视化

到目前为止，我们已经了解了一些通过 Rviz 可视化 move_base 节点过程不同部分的方法。但是，还有一些可能值得了解：

Robot Footprint

它显示了机器人的足迹。

Current Goal

要显示导航堆栈试图实现的目标姿势，请添加姿势显示并将其主题设置为 /move_base_simple/goal。现在您将能够看到红色箭头所示的目标姿势。它可用于了解机器人的最终位置。