導航堆棧的工作是通過處理來自測距、傳感器和環(huán)境圖的數(shù)據(jù)來產(chǎn)生讓機器人執(zhí)行的安全路徑。

最大限度地提高此導航堆棧的性能需要對參數(shù)進行一些精細的調(diào)整，這項工作并不像看起來那么簡單。

如果對概念和推理了解不清楚，可能會隨意嘗試，這將浪費大量的時間。

本文旨在引導讀者正確微調(diào)導航參數(shù)。當在設(shè)置一些關(guān)鍵參數(shù)的時候，需要知道“如何”和“為什么”。

本指南假定讀者有已經(jīng)設(shè)置了導航堆棧并準備優(yōu)化。這也是我總結(jié)在 ROS 導航堆棧的一個過程。

正文

1 速度和加速度

本節(jié)涉及同步驅(qū)動機器人。動力性（即速度和機器人的加速度）對于包括動態(tài)窗口方法（DWA）和定時彈性帶（TEB）在內(nèi)的本地規(guī)劃器來說是必不可少的。

在 ROS 導航堆棧，本地規(guī)劃器接收測距消息（“odom”主題）并輸出速度命令（“cmd_vel”主題）來控制機器人的運動。

最大/最小速度和加速度是移動基站的兩個基本參數(shù)正確設(shè)置它們對于最佳的本地計劃行為非常有幫助。

在 ROS 中導航，我們需要知道平移和旋轉(zhuǎn)的速度和加速度。

1.1 ç²å¾—最大速度

通常可以參考你的移動基站的手冊。例如，SCITOS G5 的最大速度是 1.4m/s。

在 ROS 中，你可以訂閱 odom 主題來獲取當前的測距信息。

如果你可以手動控制你的機器人（如通過操縱桿），你可以嘗試向前運行，直到達到恒定速度，然后輸出里程計數(shù)據(jù)。

平移速度（m/s）是機器人在直線移動時的速度。它的最大值就是上邊我們獲得的最大值。

旋轉(zhuǎn)速度（rad/s）等效于角速度，它的最大值是機器人旋轉(zhuǎn)到位時的速度。

為了獲得最大角速度，我們可以通過控制操縱桿來讓機器人旋轉(zhuǎn) 360°，直到它的角速度達到恒定值。

為了安全起見，我們傾向于設(shè)定最大平移速度和旋轉(zhuǎn)速度低于它們的實際值。

1.2 ç²å¾—最大加速度

如果手冊沒有說明，有很多種方法可以獲得移動基站的最大加速度。

在 ROS 中，我們可以輸出帶有時間戳的里程計數(shù)據(jù)，然后看機器人達到恒定的最大平移速度（ti）需要多長時間，然后使用來自里程計數(shù)據(jù)（nav_msgs/Odometry message）來計算這個過程的加速度。多做幾次實驗求平均值。

使用 tt、tr 分別來表征從靜態(tài)到達最大平移速度和最大旋轉(zhuǎn)速度的時間。

最大平移加速度約等于最大平移速度除以時間 tt，同樣的，最大旋轉(zhuǎn)加速度約等于最大旋轉(zhuǎn)速度除以旋轉(zhuǎn)時間 tr。

1.3 è¨­(shè)置最小值

設(shè)置最小速度的方法與上述不同。對于最小平移速度，我們將它設(shè)置為一個大的負值，因為這將可以使機器人陷入困境中時可以后退，即使大多數(shù)情況下它都是前進的。

對于最小的旋轉(zhuǎn)速度，如果參數(shù)允許，我們將其設(shè)置為負值，以便機器人可以在任意方向旋轉(zhuǎn)。要注意，DWA 本地規(guī)劃器采用的是機器人最小旋轉(zhuǎn)速度的絕對值。

1.4 x、y 方向速度

x 方向的速度是指平行于機器人直線運動方向的速度，這與移動速度相同。

y 方向的速度垂直于直線運動，它被稱之為“沖擊速度”。對于非整體機器人（如差速輪機器人），y 速度應(yīng)該設(shè)置為零。

2 全局路徑規(guī)劃

2.1 å…¨å±€è·¯å¾‘規(guÄ«)劃方法選擇

為了使用導航包中的 move_base 節(jié)點，我們需要有全局規(guī)劃器和局部規(guī)劃器。在導航包中有三種全局規(guī)劃器：carrot 規(guī)劃器、navfn 規(guī)劃器和 global 規(guī)劃器。

2.1.1 carrot 規(guī)劃器

這是最簡單的一種規(guī)劃器。它檢查給定的目標點是否是障礙物，如果是，則通過沿機器人和目標點的向量來選擇靠近原始目標的替代目標。

最終他將給局部規(guī)劃器或內(nèi)部控制器一個有效的目標點。因此，這種規(guī)劃器沒有任何全局路徑規(guī)劃。

如果你需要機器人靠近給定的目標，即使目標不可到達的情況下，這種方法是有效的。但在復雜的室內(nèi)環(huán)境中，這種方法不是很實用。

2.1.2 navfn 和 global 規(guī)劃器

navfn 使用 dijkstra ç®—法來在起點和終點之間尋找最小代價路線。global 規(guÄ«)劃器建立了更靈活的替代 navfn 的選擇，這些選擇包括：

（1）支持 A*算法（2）切換二次近似（3）切換網(wǎng)格路徑。navfn 和 global 規(guī)劃器都是基于這篇論文：

https://cs.stanford.edu/group/manips/publications/pdfs/Brock_1999_ICRA.pdf

2.2 å…¨å±€è·¯å¾‘規(guÄ«)劃參數(shù)

因為 global 規(guī)劃器是一種更常使用的方法，我們來看它的一些關(guān)鍵參數(shù)。

注意：不是所有的參數(shù)都能在 ROS 網(wǎng)頁上找到,但是你可以通過運行 rosrun rqt_reconfigure rqt_reconfigure 來查看。

我們可以設(shè)置這些默認值：allow unknown(true), use dijkstra(true), use quadrati c(true), use grid path(false), old navfn behavior(false) 。

如果我們想在 RVIZ 中查看勢力圖可以將 visualize_potential 值由 FALSE 設(shè)為 TRUE。

除了這些參數(shù)外， 還有三個沒有列出來的參數(shù)會決定全局路徑規(guī)劃的性能。分別cost_factor, neutral_cost, lethal_cost。

事實上，這些參數(shù)在 navfn 算法中也提到了。這個開源代碼詳細的解釋了 navfn 如何計算這些代價值。

https://github.com/rosplanning/navigation/blob/indigo-devel/navfn/include/navfn/navfn.h

navfn 代價值的計算方法如下：

cost = COST_NEUTRAL + COST_FACTOR * costmap_cost_value

傳入的代價值設(shè)置在 0 到 252 的范圍，進一步分析：

COST_NEUTRAL 為 50 時，COST_FACTOR 需要約為 0.8，從而確保輸入值的分布能使輸出值在 50 到 253 間變化。

如果 COST_FACTOR 較高，cost 值將會在障礙物附近有一個峰值，然后規(guī)劃器將視狹窄走廊的整個寬度為較差，將不會沿著中心規(guī)劃路徑。

實驗觀察：實驗也證實了這些解釋。將 cost_factor 設(shè)置過高或過低都會降低路徑質(zhì)量。這些路徑?jīng)]有穿過每側(cè)障礙物的中間，也沒有相對光滑的曲率。

極端的 COST _NEUTRAL 值也有類似的效果。對于關(guān)鍵的 cost 值，如果設(shè)置的過低可能會無法產(chǎn)生任何路徑，即使可行路徑是明顯的。

圖 5-10 顯示了 COST_FACTOR 和 COS T_NEUTRAL 對全局路徑規(guī)劃的影響。綠色的線是全局規(guī)劃器產(chǎn)生的全局路徑。經(jīng)過幾次實驗.

我們發(fā)現(xiàn)當 COST_FACTOR=0.55，COST_NEUTRAL=66，cost=253 時，全局路徑是很好的。

3 局部路徑規(guī)劃

局部規(guī)劃器包含 dwa 局部規(guī)劃器、eband 局部規(guī)劃器和 teb 局部規(guī)劃器。

它們使用不同的算法來產(chǎn)生速度指令。通常 dwa 規(guī)劃器使用的較多，我們將詳細討論這種算法。其它規(guī)劃器的信息稍后將會提供。

3.1 DWA 本地規(guÄ«)劃器

3.1.1 DWA 算法

dwa 局部規(guī)劃器采用動態(tài)窗口方法，ROS 維基上提供了這種算法執(zhí)行過程的介紹：

1.將機器人的控制空間離散化（dx,dy,dtheta）

2. 對于每一個采樣速度，從機器人的當前狀態(tài)執(zhí)行正向模擬，以預(yù)測如果在短時間段內(nèi)采用采樣速度將會發(fā)生什么

3. 評估從正向模擬產(chǎn)生的每個軌跡使用包含諸如：障礙物接近度、目標接近度、全局路徑接近度和速度等特征的度量，丟棄非法軌跡（與障礙物相撞的軌跡）

4. 選擇得分最高的軌跡，將相關(guān)聯(lián)的速度發(fā)送給移動基站

5. 清零然后重復以上過程DWA 算法是由 Dieter Fox 的論文：

https://www.ri.cmu.edu/pub_files/pub1/fox_diet er_1997_1/fox_dieter_1997_1.pdf提出的。

根據(jù)這篇論文的介紹，DWA 算法的目的是生成一個動作對（v，w），它代表了機器人最佳的圓形軌跡。

DWA 通過在下一個時間間隔內(nèi)搜索速度空間來達到此目的。

這個空間的速度被限制為可以接受的，這意味著機器人必須能夠在到達這些可接受速度所規(guī)定的圓形軌跡上的最接近的障礙物之前停止。

此外，DWA 將僅考慮動態(tài)窗口內(nèi)的速度，其被定義為給定當前平移和旋轉(zhuǎn)速度和加速度在下一時間間隔內(nèi)可到達的速度對集合。

現(xiàn)在，我們來看 ROS Wiki 的算法總結(jié)。第一步是在動態(tài)窗口內(nèi)的速度空間中的采樣速度對（vx,vy,w）。

第二步是消除不可接受的速度（即消除不良軌跡）。

第三步是使用目標函數(shù)來評估速度對，輸出軌跡得分。第四和第五步很容易了解：采取當前最佳速度選項并重新計算。

這個 DWA 規(guÄ«)劃器取決于提供障礙物信息的本地成本圖。 

因此，調(diào)整本地成本圖的參數(shù)對于 DWA 本地規(guī)劃的最佳行為至關(guān)重要。接下來，我們將參考前向仿真，軌跡評分，成本地圖等參數(shù)。

3.1.2 DWA 本地規(guī)劃器：前向模擬

前向模擬是 DWA 算法的第二步。

在這一步中，本地規(guī)劃器將機器人控制空間中的速度采樣，并檢查由這些速度樣本表示的圓形軌跡，并最終消除不良速度（軌跡與障礙物相交）。

在機器人的一段時間間隔內(nèi)，每個速度樣本由仿真時間控制及仿真。

我們可以將模擬時間視為允許機器人以采樣速度移動的時間。

通過實驗，我們觀察到仿真時間越長，計算負荷越大。此外，當仿真時間變長后，本地路徑規(guī)劃器產(chǎn)生路徑的時間也會變長，這是合理的。

這里有一些關(guān)于如何調(diào)整仿真時間參數(shù)的建議。

如何設(shè)置仿真時間：如果將仿真時間設(shè)置為非常低的值（≤2.0）將導致性能有限，特別是當機器人需要通過狹窄的門口或家具之間的間隙時.

因為沒有足夠的時間來獲得最佳軌跡來通過狹窄的通道。另一方面，由于使用了 DWA 本地規(guī)劃器，所有的軌跡都是簡單的圓弧，如果將仿真時間設(shè)置的非常高（≥5.0），將導致長曲線不是非常靈活。

這個問題并不是不可避免的，因為規(guī)劃器在每個時間間隔后都會積極地重新規(guī)劃，可以進行小的調(diào)整。對于高性能的計算機，4.0 秒的值也是足夠的。

除了仿真時間，還有幾個參數(shù)值得關(guān)注。

速度采樣：在其它幾個參數(shù)中，vx_sample，vy_sample 確定在 x，y 方向上取多少平移速度樣本。vth_sample 控制旋轉(zhuǎn)速度樣本的數(shù)量。

樣本的數(shù)量取決于你的計算能力。在大多數(shù)情況下，我們傾向于設(shè)置 vth_sample 高于平移速度樣本，因為通常旋轉(zhuǎn)比直線前進更復雜。

如果將 y 向最大速度設(shè)置為零，則沒必要在 y 方向提取速度樣本，因為沒有可用的樣本。我們設(shè)置

vx_sample=20,vth_samples=40。

仿真粒度：sim_granularity 是在軌跡上的點之間采取的步長。它意味著要多頻繁的檢查軌跡上的點（檢測它們是否與障礙物相交）。

較低的值意味著高頻率，這需要更多的計算能力。對于 turtlebot 機器人來說，0.025 的默認值是足夠的。

3.1.3 DWA 本地規(guī)劃器：軌跡得分

如上所述，DWA 本地規(guī)劃器最大化目標函數(shù)來獲得最佳速度對。

在其論文中，目標函數(shù)的值依賴于三個組成部分：到目標點的過程、清除障礙物和前進速度。在 R OS 中，目標函數(shù)的計算公式如下：

cost = path_distance_bias*(distance(m) to path from the endpoint of the trajectory)+ goal_distance_bias (distance(m) to local goal from the endpoint of the trajectory)+ occdist_scale*(maximu m obstacle cost along the trajectory in obstacle cost (0-254))

目標是獲得最小的代價。path_distance_bias 是本地規(guī)劃器與全局路徑保持一致的權(quán)重。較大的值將使本地規(guī)劃器更傾向于跟蹤全局路徑。

goal_distance_bias 是機器人嘗試到達目標點的權(quán)重。實驗顯示增加 goal_distance_bias 值將會使機器人與全局路徑的一致性偏低。

occdist_scale 是機器人嘗試躲避障礙物的權(quán)重，這個值偏大將導致機器人陷入困境。

在 SCITOS G5 上，我們設(shè)置 path_distance_bias 為 32，goal_distance_bias 為 20，occdist_sacle 為 0.02,仿真結(jié)果良好。

3.1.4 DWA 本地規(guī)劃器：其他參數(shù)

目標距離公差（Goal distance tolerance）：

這些參數(shù)很容易理解，以下是他們在 ROS 維基上的描述：yaw_goal_tolerance（double,默認值：0.05），實現(xiàn)目標時，偏航/旋轉(zhuǎn)中控制器弧度公差

xy_goal_tolerance（double,，默認值：0.10），實現(xiàn)目標時，在 x y 方向的距離公差

latch_xy_goal_tolerance（bool，默認：false）如果目標公差被鎖定，即使在目標公差之前結(jié)束，如果機器人到達目標 xy 位置，它會簡單旋轉(zhuǎn)到位

振蕩復位（Oscilation reset）：在通過門口的情況下，機器人可能會來回振蕩，是因為本地規(guī)劃器正在產(chǎn)生通過兩個相反方向的路徑。

如果機器人保持振蕩，導航堆棧將讓機器人嘗試恢復行為。

oscillation_reset_dist（double，默認值：0.05）在振蕩標志復位之前，機器人以米為單位行走多遠

4 代價地圖參數(shù)

如上所述，代價地圖參數(shù)對于本地規(guī)劃器（不僅僅是 DWA）是至關(guān)重要的。

在 RO S 中，代價地圖由靜態(tài)地圖層、障礙物圖層和膨脹層組成。

靜態(tài)地圖層直接給導航堆棧提供靜態(tài) SLAM 地圖解釋。障礙物圖層包含 2D 障礙物和 3D 障礙物（體素層）。

膨脹層是將障礙物膨脹來計算每個 2D 代價地圖單元的代價。

此外，有全局代價地圖，也有局部代價地圖。全局代價地圖是通過膨脹導航堆棧上的地圖障礙物來實現(xiàn)的。

局部代價地圖是通過將機器人傳感器檢測到的障礙物膨脹產(chǎn)生的.

4.1 è¶³è·¡

足跡是移動基站的輪廓。在 ROS 中，它由二維數(shù)組表示[x0,y0] ; [x1,y1] ; [x2,y2]……不需要重復第一個坐標。

該占位面積將用于計算內(nèi)切圓和外接圓的半徑，用于以適合此機器人的方式對障礙物進行膨脹。為了安全起見，我們通常將足跡稍大于機器人的實際輪廓。

要確定機器人的占地面積，最直接的方法是參考機器人的圖紙。 

此外，您可以手動拍攝其基座頂視圖。然后使用 CAD 軟件（如 Solidworks）適當縮放圖像，并將鼠標移動到基座輪廓上并讀取其坐標。 

坐標的起點應(yīng)該是機器人的中心。或者，您可以將機器人移動到一張大紙上，然后繪制基座的輪廓。

然后選擇一些頂點并使用標尺來確定它們的坐標。

4.2 è†¨è„¹

膨脹層由代價值為 0-255 的單元組成。每個單元可能會被占據(jù)、無障礙或未知三種情況。下圖介紹了膨脹值的計算方法。

inflation_radius 和 cost_scaling_factor 是決定膨脹的主要參數(shù)。

inflation_radius 控制零成本點距離障礙物有多遠。

cost_scaling_factor 與單元的代價值成反比，設(shè)置高值將使衰減更陡峭。

Pronobis 博士建議，最佳的代價圖衰減曲線是具有相對較低斜率的曲線，以便最佳路徑盡可能遠離每側(cè)的障礙物。

優(yōu)點是機器人可以在障礙物中間移動。如圖14和圖15所示，具有相同的起點和目標，當代價圖曲線陡峭時，機器人往往靠近障礙物。

在圖14中，膨脹半徑=0.55，代價比例因子=5.0；在圖15中，膨脹半徑=1.75，代價比例因子=2.58

根據(jù)衰變曲線圖，我們要設(shè)定這兩個參數(shù)值，使得膨脹半徑幾乎覆蓋走廊，代價值的衰減中等，這意味著要降低代價比例因子 cost_scaling_factor 的值

4.3 ä»£åƒ¹åœ°åœ–精度 costmap resolution

本參數(shù)可以分別設(shè)置本地代價地圖和全局代價地圖，它們影響計算負荷和路徑規(guī)劃能力。

在低分別率（≥0.05）的情況下，障礙物區(qū)域可能重疊，導致本地規(guī)劃器無法找到可用路徑。

對于全局代價地圖精度，只要保持與提供給導航堆棧的地圖的分辨率相同即可。

如果有足夠的計算能力，可以查看激光掃描儀的分辨率，因為當使用 gmapping 建圖時.

如果激光掃描儀的分辨率低于所需的地圖分辨率，則會有很多小的“未知點”，因為激光掃描儀不能覆蓋該區(qū)域，如圖 16 所示。

例如，Hokuyo URG-04LX-UG01 激光掃描儀的分辨率是 0.01mm，因此掃描分辨率≤0.01 的地圖將需要機器人旋轉(zhuǎn)幾次才能清除未知的點。我們發(fā)現(xiàn) 0.02 的精度就夠用了。

4.4 éšœç¤™ç‰©å±¤å’Œé«”素層

這兩層負責標注代價圖上的障礙，他們可以被稱為障礙層。根據(jù) ROS 維基，障礙物層跟蹤二維的，體素層跟蹤三維的。

障礙物是根據(jù)機器人傳感器的數(shù)據(jù)進行標記（檢測）或清除（刪除），其中需要訂閱代價圖的主題。

在 ROS 執(zhí)行中，體素層從障礙物層繼承，并且都是通過使用激光雷達發(fā)布的 Point Cloud 或 PointCloud2 類型的消息來獲取障礙物信息。

此外，體素層需要深度傳感器，如 Microsoft Kinect 或華碩 Xtion，3D 障礙物最終會被膨脹為二維代價圖。

體素層如何工作：體素是空間中具有一定相對位置的 3D 立方體（類似于 3D 像素）。它可以用于與附近體積的數(shù)據(jù)或?qū)傩韵嚓P(guān)聯(lián)。

例如，它的位置是夠是一個障礙。與體素與深度相機相關(guān)的 3D 重建已經(jīng)有很多研究了。

體素網(wǎng)格是一個 ROS 包，它提供了一個高效的三維體素網(wǎng)格數(shù)據(jù)結(jié)構(gòu)的實現(xiàn)，它存儲三種狀態(tài)的體素：標記、自由、未知。

體素網(wǎng)格占據(jù)了代價地圖區(qū)域內(nèi)的體積。在每次更新體素邊界期間，體素層根據(jù)傳感器的數(shù)據(jù)來標記或去除體素網(wǎng)格中的一些體素。

它還執(zhí)行光線跟蹤，接下來會討論。請注意，在更新時，不會重新創(chuàng)建體素網(wǎng)格，而僅僅在更改本地代價圖的大小時才更新。

為什么要在障礙物層或體素層光線跟蹤：光線跟蹤為人所知是因為用于渲染逼真的 3D 圖形，所以可能會困惑為什么被用于處理障礙物。

一個重要的原因是可以通過傳感器來檢測不同類型的障礙物。理論上，我們還可以知道障礙物是剛性的還是柔性的。

通過以上的理解，我們來研究一下障礙物層的一些參數(shù)，這些參數(shù)對于所有的傳感器都是適用的。

max_obstacle_height：插入代價圖中的障礙物的最大高度。該參數(shù)設(shè)置為稍高于機器人的高度，對于體素層，這基本上是體素網(wǎng)格的高度。

obstacle_range：障礙物距離機器人的最大距離，障礙物以米為單位摻入代價地圖，并可以在每個傳感器的基礎(chǔ)上進行覆蓋

raytrace_range：用于使用傳感器數(shù)據(jù)在地圖中掃描出障礙物，以米為單位，可以在每個傳感器的基礎(chǔ)上進行覆蓋下面的這些參數(shù)僅適用于體素層

origin_z：地圖的 Z 軸原點，以米為單位

z_resolution：地圖 Z 軸精度

z_voxels：每個垂直列中的體素數(shù)，網(wǎng)格的高度是 Z 軸分辨率*Z 軸體素數(shù)

unknown_threshold：被認為是“已知”的列中允許的未知單元的數(shù)量

mark_threshold：在被認為是“自由”的列中允許的標記單元的最大數(shù)量

實驗觀察：實驗進一步闡明了體素層數(shù)的影響。我們使用華碩 Xtion Pro 作為我們的深度傳感器。

我們發(fā)現(xiàn) Xtion 的位置很重要，它決定了“盲區(qū)的范圍”，即深度傳感器看不到的區(qū)域。

此外，當障礙物出現(xiàn)在 Xtion 范圍內(nèi)時，表示障礙物的體素會更新（標記或清除）。

否則，一些體素的信息仍保持不變，在代價地圖中的膨脹信息也會保留。此外，Z 軸分辨率灰頂 Z 軸體素的密度。如果值很高，體素層會很密集。

如果值太低（例如 0.01），所有的體素將被放在一起，將不會獲得有效的代價圖信息。

如果將 Z 軸分辨率設(shè)置為較高的值，意圖是更好地獲得障礙物，因此需要增加 Z 軸體素數(shù)（該參數(shù)控制每個垂直列中的體素數(shù)）。

如果列中的體素數(shù)太多但分辨率不夠也是沒用的，因為每個垂直列的高度都有限制。圖 18-20 顯示了不同體素參數(shù)設(shè)置之間的比較。

5 AMCL

AMCL 是處理機器人定位的 ROS 包。它是自適應(yīng)蒙特卡羅定位的縮寫（AdaptiveMonte Carlo Localization），也被稱為部分濾波定位器。

這種定位方法的原理如下：每個樣本存儲表示機器人姿態(tài)的位置和方向數(shù)據(jù)。

粒子是隨機抽樣的，當機器人移動時，粒子根據(jù)他們的狀態(tài)記憶機器人的動作，采用遞歸貝葉斯估計進行重采樣。稍后將提供 AMCL 參數(shù)調(diào)整的更多討論。

請參考 ROS 維基 http://wiki.ros.org/amcl 了解更多信息。關(guān)于原始算法的細節(jié)，可以參考 Chapter 8 of Probabilistic Robot ics, by Thrun, Burgard, and Fox.

6 恢復行為

機器人導航的一個討厭的事情就是機器人可能會卡住。幸運的是，導航堆棧具有內(nèi)置的恢復行為。

即使如此，有時機器人會耗盡所有可用的恢復行為后保持靜止。因此，我們需要一個更強大的解決方案。

恢復行為的類型：ROS 導航包有兩種恢復行為，分別是清除代價地圖恢復和旋轉(zhuǎn)恢復。

清除代價地圖恢復是將本地代價地圖還原成全局代價地圖的狀態(tài)。旋轉(zhuǎn)恢復是通過旋轉(zhuǎn) 360°來恢復。

解救機器人：有時由于旋轉(zhuǎn)故障，旋轉(zhuǎn)恢復將無法執(zhí)行。在這一點上，機器人可能會放棄，因為它已經(jīng)嘗試了所有的恢復行為。

在大多數(shù)試驗中，我們觀察到，當機器人放棄時，實際上有很多方法可以解救機器人。

為了避免放棄，我們使用 SMAC H 來連續(xù)嘗試不同的恢復行為，通過其他額外的行為，例如設(shè)置非常接近機器人的臨時目標，并返回到以前訪問過得姿態(tài)（即退出）。

這些方法可以顯著提高機器人的耐久性，并且從以前觀察到的無望空間中解救出來。

參數(shù)：ROS 恢復行為的參數(shù)一般設(shè)為默認值。

為了清除代價地圖恢復，你可以設(shè)置一個相對較高的模擬時間 sim_time，這意味著軌跡很長，你可能需要考慮增加 res et_distance 參數(shù)的值，這樣可以消除本地代價地圖上更大的區(qū)域，并且有更好的機會尋找一條路徑。

7 動態(tài)重新配置

關(guān)于 ROS 導航最靈活的方面之一是動態(tài)重新配置，因為不同的參數(shù)設(shè)置可能對某些情況（如機器人靠近目標點時）更有幫助。

然后，沒有必要進行大量的動態(tài)重新配置。

示例：我們在實驗中觀察到的一種情況是機器人常常區(qū)域脫離全局路徑，即使沒有必要這么做。

因此，我們增加路徑距離偏差 path_distance_bias。

由于大的路徑距離偏差值會使機器人遵循全局路徑，但實際上由于公差不會最終到達目標點，我們需要找到一種方法來使機器人毫不猶豫的到達目標點。

因此我們選擇動態(tài)減少路徑距離偏差，以便在機器人靠近目標點時有一個小的值。畢竟，做更多的實驗是為了找到解決問題的方法。

8 問題

8.1 é™·å…¥å›°å¢ƒ

在使用 ROS 導航的時候，這個問題經(jīng)常出現(xiàn)，無論是在仿真還是實際中，機器人都可能陷入困境然后放棄目標

8.2 ä¸åŒæ–¹å‘的不同速度

在導航堆棧中我們觀察到一些奇怪的行為。當目標點設(shè)置在相對于 TF原點的-x 方向時，dwa 局部規(guÄ«)劃器規(guÄ«)劃不穩(wÄ›n)定（局部規(guÄ«)劃路徑跳躍），而且機器人的移動速度非常慢。

但是當把目標設(shè)置在+x 方向時，dwa 局部規(guī)劃器就比較穩(wěn)定了，并且移動速度很快。

8.3 å¯¦éš›å’Œä»¿çœŸ

實際與仿真是有區(qū)別的。在現(xiàn)實情況中，障礙物有各種各樣的形狀。

例如，在實驗室中有一個垂直的柜子，防止門閉上，由于太細，機器人有時無法檢測到然后撞擊上去。而且實際中也會有更多復雜的人類活動。

8.4 å‰åŽçŸ›ç›¾

使用 ROS 導航堆棧可能會出現(xiàn)不一致的行為。

例如進門時，在不同時間本地代價地圖會一次又一次的生成，這可能會影響路徑規(guī)劃，特別是在分辨率較低的時候。

另外，機器人沒有內(nèi)存，它不記得上次從門進入房間，所以每次嘗試進門都需要重新開始。

因此，如果沒有與以前相同的進門角度，機器人可能會卡住并放棄目標。翻譯自 ROS Navigation Tuning Guide（導航調(diào)試指南）