前言

在 ROS 2 机器人开发中，路径规划（Path Planning）是导航堆栈（Nav2）的核心。无论是做课程论文，还是实际的项目开发，面对众多的开源算法（A*、Dijkstra、DWA、TEB…），我们该如何选择？

本文将基于 ROS 2 Humble 仿真环境，深度对比 5 种主流规划算法，拆解它们的实现逻辑、适用环境及优缺点。

一、 算法对比矩阵：一表看全貌

在 Nav2 框架下，路径规划通常分为 Global Planner（全局规划） 和 Local Planner（局部/控制插件）。

二、 深度解析：算法背后的“选型逻辑”

1. A* 算法：效率与最优的平衡点

A* 是目前最常用的全局规划器。它通过代价函数 $f(n)=g(n)+h(n)$ 快速锁定目标。

• 适用： 仓储物流机器人、静态已知地图。
• 经验： 如果你在 Rviz2 中发现全局路径延迟高，优先检查 A* 的启发函数配置。

2. TEB (Timed Elastic Band)：优雅的舞者

与 DWA 的暴力采样不同，TEB 将路径规划看作一个多目标优化问题。

• 适用： 需要频繁倒车、或机身呈长方形的机器人。
• 痛点： 它的参数（权重）极多，调试不好容易产生路径震荡。

3. DWA (Dynamic Window Approach)：果断的避障者

Nav2 默认常用的局部规划器，直接在机器人速度空间（v, w）内搜索。

• 适用： 室内移动避障。
• 经验： 遇到狭窄门口进不去？可能是 DWA 的 sim_time 设置得太短。

三、 仿真实验总结：如何完成高质量对比？

在撰写课程论文或博文时，建议增加以下对比维度：

1. 路径平滑度： 观察轨迹是否包含突兀的转角（A* 通常是折线，TEB 是圆滑曲线）。
2. 算力消耗： 在 Ubuntu 终端使用 htop 查看算法运行时各个核心的占用情况。
3. 极端场景测试：
   • U型弯： 测试算法是否会陷入局部最优。
   • 动态障碍物： 模拟行人走动，观察局部避障的响应时间。

四、 开源参考与学习建议

• Nav2 官方仓库： github.com/ros-navigation/navigation2
• 推荐文献：
  • Optimal pathfinder for robots (Hart et al.)
  • The Dynamic Window Approach to Collision Avoidance (Fox et al.)