【差速轮teb调参有感】

局部路径规划TEB

起始点和目标点的状态由全局规划器指定，中间插入N个橡皮筋状的点，定义点与点之间的时间Time。路径收到约束会变形，例如靠近障碍物会 拉长路径远离障碍物。

• 黑色路径为全局路径，TEB算法在路径中间插入n个点(控制点)，点的内容为机器人的姿态(x,y,航向)

• 每两个点之间有固定的时间，时间分辨率(dt_ref)，所以点之间不是等距但是时间是一样的

• 整段路程已知，插入点的时间间隔一样，已知两点的时间和姿态信息，可以得到两点间的距离，得到速度，速度微分得到加速度，角速度角加速度同理

约束

TEB内有众多约束限制小车的运动轨迹和行驶速度

• 小车与障碍物最小距离是一个约束，把障碍物推向小车，使这些点远离障碍物，路径像橡皮筋一样弹开。除了障碍物约束，相邻点之间也有约束，一个点变化大周围的点也会跟着变化。这些约束只能影响一些连续点的状态

• 约束：跟随全局路径+避障，跟随路径施力局部路径拉向全局路径。障碍物约束施力，局部路径远离障碍物

• 速度加速度约束，两个姿态点时间确定，可以用差分来计算速度加速度，小车性能约束，速度加速度都有最大最小值

• 运动学约束：由若干弧线组成平滑轨迹

• 最快路径约束

优化

局部优化，多目标优化，大多数目标是局部的

g2o是一个通用的图优化库，用于解决各种机器人感知和控制问题。
在TEB中，g2o被用于构建一个优化问题的图，图中包含点和边。

点：表示机器人轨迹中的离散时间步骤，每个节点包括机器人的状态和时间戳。

边：表示优化问题的约束条件，机器人轨迹中的平滑性、与障碍物的碰撞等。每个边包括一个代价函数，用于度量优化目标的违反程度。

优化过程：

TEB通过添加节点和边来构建g2o图，将机器人的轨迹划分为多个时间步骤，然后定义各种约束来确保轨迹的平滑性和避免碰撞。

优化过程旨在最小化所有边的代价函数，从而生成最佳的轨迹。这包括在规定的时间窗口内平衡全局路径跟踪和局部障碍物避免。

关键参数

#轨迹

  dt_ref:#两相邻位姿之间的时间，越大越慢

#robot

  max_vel_x:#最大前向速度

  acc_lim_x:#最大x向加速度 加速减速会受到这个约束，电机性能不好需要调低角速度/加速度要调低，高速转动会带来震荡

#障碍物

  min_obstacle_dist:和障碍物最小距离

  include_costmap_obstacles: true才可以检测建图时不在的障碍物

  costmap_obstacles_behind_robot_dist:考虑后方障碍物距离，这个需要调小，减少计算量

#优化，这部分参数很重要，这里参数出问题车基本就规划的很怪

  no_inner_iteration:#被外循环调用后内循环优化次数

  no_outer_iteration:#外循环优化次数

  penalty_epsilon:#为速度约束提供缓冲效果，达到速度限制前会产生一个惩罚，让小车提前减速达到缓冲效果

  penalty_epsilon: #值较大时，速度和加速度的惩罚项的影响会增强，机器人在运动过程中会更加平稳，但是也会影响机器人的运动速度。反之，当 penalty_epsilon 的值较小时，速度和加速度的惩罚项的影响会减弱，机器人在运动过程中可能会出现剧烈的变化，但是可以提高机器人的运动速度。

  weight_max_vel_x:#最大x向权重0~2

  weight_acc_lim_vel_x:0~1#上述两个权重决定行驶过程中以低速还是高速

  weight_kinematics_nh：#满足非完整运动学的优化权值，调到1000就不会出现倒车现象

  weight_forward_drive:0~1000#只前向运动

  weight_turning_radius:0~1000#最小转弯半径权重

  weight_optimaltime:0~1000#时间权重，值大会直道很快，转弯只走内圈

  weight_obstacle：#越大离障碍物越远

  weight_shortest:#越大越容易走直线

  oscillation_recovery：#尝试检测和解决振荡