一只特立独行的cherry1. TEB算法核心参数解析与实战意义
TEB（Timed Elastic Band）算法作为机器人局部路径规划的核心技术，其参数体系直接影响着机器人在复杂环境中的运动表现。初次接触TEB时，我也曾被近百个参数搞得晕头转向，直到在AGV项目中踩过几次坑后才真正理解参数间的联动关系。
轨迹参数组是TEB最基础的配置模块。teb_autosize这个开关参数决定了算法是否自动调整路径点密度，实测在仓储AGV场景中，开启后能显著提升狭窄通道的通过性。与之配合的dt_ref（参考时间间隔）和dt_hysteresis（缓冲阈值）就像汽车的变速箱：前者设定理想档位，后者控制换挡灵敏度。我曾将AGV的dt_ref从0.3调到0.5，转弯流畅度提升了40%，但代价是对动态障碍物反应变慢。
障碍物参数组藏着几个关键彩蛋。min_obstacle_dist和inflation_dist构成双重安全防线，就像给机器人装了"防撞雷达+缓冲气囊"。在服务机器人项目中，我们将这两个值设为0.3m和0.5m，既保证安全距离又不影响通行效率。特别要注意include_dynamic_obstacles这个开关，当环境中有移动行人时，开启后轨迹优化耗时增加15%，但避障成功率提升到98%。
优化权重参数是调节算法性格的"基因编辑器"。weight_optimaltime和weight_shortest_path的比值决定了机器人是"急性子"还是"强迫症"。给清洁机器人配置5:1的权重比时，它会在保证效率的前提下自动选择更干净的路线。而weight_kinematics_nh这个参数特别有意思，它控制着非完整约束的严格程度，调大后差速机器人的运动轨迹会变得更像汽车。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 差速底盘机器人的调优秘籍
差速底盘作为最普遍的移动平台，其TEB配置需要特别注意运动学约束。去年调试餐厅服务机器人时，我们发现默认参数会导致机器人在狭小空间频繁"卡壳"，通过三阶段调优最终实现了丝滑移动。
速度环参数需要闭环设计。max_vel_x不能简单设为硬件极限值，而要匹配acc_lim_x形成加速度包络。我们通过实测得出黄金比例：最大加速度应该是最快速度的2倍。例如当max_vel_x=0.8m/s时，acc_lim_x设为1.6m/s²最合适。特别注意max_vel_theta这个参数，角度速度太大会导致机器人像"陀螺"一样摇晃，建议从1.0rad/s开始逐步下调。
运动学约束是差速底盘的精髓。weight_kinematics_nh这个权重参数要大于5.0才能保证轨迹可行性，但超过10.0又会导致路径过于保守。更关键的是weight_kinematics_forward_drive，它像"方向盘阻尼"一样控制着前进取向性。在U型走廊场景中，我们将其设为3.0使机器人保持更好的方向稳定性。
特殊场景配置需要灵活调整。当遇到90度急转弯时，临时将min_samples从3增加到5可以提供更多优化节点；在人群密集区域，把obstacle_cost_exponent从1.0改为2.0能让机器人更"警惕"。这是我们调试时的参数快调模板：
python复制# 狭窄通道配置
trajectory:
min_samples: 5
dt_ref: 0.4
obstacles:
inflation_dist: 0.6
obstacle_cost_exponent: 2.0
3. 阿克曼底盘的高精度控制方案
阿克曼底盘（如汽车模型）的TEB配置是另一个技术难点，其核心在于处理非完整约束和转弯半径限制。在园区物流车项目中，我们通过参数组合拳实现了厘米级对接精度。
转向参数组是阿克曼的灵魂。min_turning_radius这个参数必须准确测量，我们使用"满舵画圆法"实测得到4.2m的基准值。而cmd_angle_instead_rotvel这个开关一定要开启，它把角速度控制转换为转向角控制，就像老司机换成了方向盘微操。配合wheelbase轴距参数（我们设为2.8m），能让轨迹规划更符合实际物理特性。
轨迹精度优化需要多层配合。将exact_arc_length设为true虽然增加5%计算量，但能消除欧式近似带来的路径锯齿。weight_shortest_path和weight_optimaltime建议采用3:7的比例，这样物流车在直线通道会适当加速，在转弯区又自动降速。我们还发现global_plan_overwrite_orientation这个隐藏参数特别有用，开启后能修正全局路径的朝向误差。
对接场景专项配置值得单独说明。当进行装卸货对接时，需要这样调整参数：
- 将
xy_goal_tolerance降到0.02，yaw_goal_tolerance设为0.05 - 关闭
free_goal_vel强制进行末端制动 - 把
weight_obstacle临时提高到10.0增强避障敏感度
4. 动态环境下的鲁棒性配置
在商场服务机器人这类动态场景中，TEB参数需要具备环境自适应能力。经过两年实战，我们总结出一套"环境感知型"参数模板。
动态障碍物处理是首要任务。dynamic_obstacle_inflation_dist应该比静态障碍物的inflation_dist大20%-30%，给人流留出缓冲空间。obstacle_proximity_ratio_max_vel这个参数像"危险感知灵敏度"，我们设为0.7时机器人能在人群中有礼貌地降速。特别注意要开启legacy_obstacle_association，新版的关联策略在动态场景反而容易失稳。
**多模态优化策略**大幅提升可靠性。启用enable_homotopy_class_planning后，算法会并行探索多条路径拓扑。我们将max_number_classes设为5，selection_cost_hysteresis设为1.1，这样既能避免陷入局部最优，又不会过度消耗算力。以下是我们在动态环境中的核心参数配置：
python复制optim:
weight_velocity_obstacle_ratio: 2.0
obstacle_proximity_lower_bound: 0.3
obstacle_proximity_upper_bound: 1.0
obstacles:
include_dynamic_obstacles: true
dynamic_obstacle_inflation_dist: 0.8
legacy_obstacle_association: true
恢复机制是最后的保险。当开启shrink_horizon_backup后，算法会在规划失败时自动收缩视野范围。我们配合oscillation_recovery使用，有效解决了机器人"鬼畜抖动"的问题。记住要把shrink_horizon_min_duration设为2.0秒以上，避免过于频繁的重规划。