TEB调参实战：从零到一，让机器人丝滑避障

1. TEB调参入门：为什么你的机器人总是卡顿？

第一次接触TEB_local_planner的朋友们，十有八九都会遇到这样的场景：机器人要么像个醉汉一样左右摇摆，要么在障碍物面前突然"死机"，最糟的情况是直接撞上墙壁。这些问题的根源往往不在于算法本身，而在于参数配置不当。

TEB（Timed Elastic Band）算法的核心思想很巧妙——它把机器人的运动轨迹想象成一根有弹性的橡皮筋。这根"橡皮筋"既要尽量贴合全局路径（弹性），又要避开障碍物（刚性），还要考虑时间最优性（timed）。当这三个要素的平衡被打破时，机器人就会出现各种异常行为。

我刚开始调试TEB时，机器人总会在转角处突然减速，然后像跳机械舞一样一顿一顿地移动。后来发现这是因为max_vel_x和acc_lim_x参数设置得太保守，导致机器人"不敢"快速通过弯道。另一个常见问题是机器人喜欢贴着墙走，这通常是因为inflation_dist设置得太小，或者weight_obstacle权重过高。

提示：调试TEB参数时，建议先打开rqt_reconfigure工具，这样可以实时看到参数调整的效果。

2. 核心参数组详解与调参策略

2.1 速度与加速度参数

max_vel_x和acc_lim_x这对参数决定了机器人前进的"性格"。max_vel_x是最大前进速度，acc_lim_x则是加速度限制。我建议按照以下步骤调整：

1. 先设置一个保守的max_vel_x值（比如0.3m/s）
2. 观察机器人能否平稳加速到这个速度
3. 逐步提高max_vel_x，同时调整acc_lim_x使加速曲线平滑
4. 对于max_vel_x_backwards，如果是前向行驶的机器人，可以设为max_vel_x的1/3

实际项目中，我发现很多开发者忽略了dt_ref这个重要参数。它控制着轨迹点之间的时间间隔，默认0.3对于大多数室内机器人偏大。我的经验法则是：dt_ref值应该约等于机器人长度除以最大速度。

2.2 障碍物相关参数

min_obstacle_dist和inflation_dist这对参数需要精心配合。min_obstacle_dist是硬约束——机器人绝不会突破这个距离；而inflation_dist是软约束——机器人会尽量避免进入这个区域。

调试技巧：

• 先设置min_obstacle_dist为机器人半径的1.2倍
• inflation_dist设为min_obstacle_dist的1.5倍
• 如果机器人经常在狭窄通道卡住，可以适当减小min_obstacle_dist
• 配合weight_obstacle（建议50-100）和weight_inflation（建议0.1-0.5）调整避障强度

2.3 优化权重参数

TEB的权重参数就像烹饪时的调味料，微小的变化会带来完全不同的"风味"。最重要的三个权重是：

1. weight_optimaltime（时间最优权重）：控制机器人有多"着急"

   • 竞速场景：3-5
   • 平稳场景：0.3-1

2. weight_kinematics_nh（非完整约束权重）：确保机器人运动符合运动学

   • 差速驱动机器人：1000左右
   • 全向轮机器人：可以降低到100

3. weight_viapoint（路径点跟踪权重）：影响路径跟随精度

   • 精确跟踪场景：10-50
   • 避障优先场景：1-5

3. 典型问题诊断与解决方案

3.1 机器人高频抖动

症状：机器人像"打摆子"一样左右晃动，特别是在狭窄空间。

解决方案：

1. 检查oscillation_recovery是否开启（建议True）
2. 降低max_vel_theta（建议0.5以下）
3. 增加penalty_epsilon（建议0.05-0.1）
4. 调整weight_kinematics_nh（增加至2000以上）

3.2 规划器超时

症状：控制台频繁出现"teb_local_planner被终止"的警告。

优化策略：

1. 减少no_outer_iterations（建议3-5）
2. 关闭enable_multithreading（设为False）
3. 减小local_costmap的size（建议3x3米）
4. 使用costmap_converter插件聚合障碍物

3.3 机器人撞墙

症状：明明检测到障碍物，机器人还是撞上去。

排查步骤：

1. 确认include_costmap_obstacles=True
2. 检查footprint是否与机器人实际尺寸一致
3. 增加min_obstacle_dist（至少机器人半径的1.2倍）
4. 确认costmap分辨率足够（建议0.05-0.1m）

4. 高级调参技巧与性能优化

4.1 同伦类规划优化

TEB的一个强大特性是能同时考虑多条路径（同伦类）。相关参数：

• max_number_classes：并行规划的路径数（建议2-3）
• selection_cost_hysteresis：路径切换阈值（建议1.1-1.3）
• roadmap_graph_no_samples：采样点数量（建议15-30）

在复杂迷宫环境中，我会开启visualize_hc_graph来直观看到所有候选路径，这对参数调试很有帮助。

4.2 计算负载均衡

TEB可能成为ROS系统的计算瓶颈，特别是资源受限的嵌入式平台。我的优化经验：

1. 调整规划频率：

   xml复制<param name="controller_frequency" value="5.0" /> 
   

2. 使用costmap_converter：

   yaml复制costmap_converter_plugin: "costmap_converter::CostmapToLinesDBSRANSAC"
   costmap_converter_rate: 5
   

3. 简化footprint模型：

   yaml复制footprint_model:
     type: "line"
     line_start: [-0.1, 0]
     line_end: [0.1, 0]
   

4.3 动态环境适应

对于移动障碍物场景，关键参数组合：

• include_dynamic_obstacles=True
• dynamic_obstacle_inflation_dist=0.8
• weight_dynamic_obstacle=100
• visualize_with_time_as_z_axis_scale=1.0

我在一个博物馆导览机器人项目中发现，设置obstacle_association_cutoff_factor=3.0能有效过滤远处的动态障碍物，显著降低计算负载。

5. 实战案例：从零调试一台扫地机器人

去年我参与了一个扫地机器人项目，初始参数下机器人要么清洁效率低下，要么经常卡在家具之间。经过系统调参后，清洁覆盖率提升了40%，运行时间减少了25%。关键调整如下：

1. 速度参数：

   yaml复制max_vel_x: 0.5
   acc_lim_x: 0.3
   max_vel_x_backwards: 0.2
   

2. 避障参数：

   yaml复制min_obstacle_dist: 0.25
   inflation_dist: 0.4
   weight_obstacle: 80
   

3. 优化权重：

   yaml复制weight_optimaltime: 0.8
   weight_kinematics_nh: 500
   penalty_epsilon: 0.08
   

4. 特殊处理地毯边缘：

   yaml复制obstacle_poses_affected: 5
   obstacle_association_force_inclusion_factor: 2.5
   

调试过程中最大的收获是发现weight_optimaltime设为0.5-1.0之间时，机器人能在清洁效率和运动平稳性之间取得最佳平衡。而将visualize_with_time_as_z_axis_scale设为1.0后，通过rviz中轨迹颜色的深浅变化，可以直观判断机器人在哪些区域减速，这对参数优化非常有帮助。