基于2D激光雷达的避障系统设计与实现基于鲁班猫1S与2D激光雷达，在ROS2 Iron下对正阿克曼结构测试车进行了两种避

概述

基于鲁班猫1S与2D激光雷达，在ROS2 Iron下对正阿克曼结构测试车（300mm×195mm，速100mm/s）进行了动态窗口法和规则式避障法的测试

动态窗口避障法

原理

动态窗口法(Dynamic Window Approach, DWA)通过评估车辆在当前速度空间内的多个可能轨迹，选择最优的无碰撞路径。本实现针对低速场景进行了优化，专注于前方400mm内的障碍物检测。

算法实现(简化)

def check_obstacle(ranges, safety_distance):
    """
    检查是否有障碍物
    
    输入：
    - ranges: 激光雷达距离数组
    - safety_distance: 安全距离阈值
    
    输出：
    - 布尔值，True表示检测到障碍物，False表示无障碍物
    """
    return np.min(ranges) < safety_distance

def find_safe_direction(ranges, angles, safety_distance):
      """
    寻找安全方向
    
    输入：
    - ranges: 激光雷达距离数组
    - angles: 对应的角度数组（弧度）
    - safety_distance: 安全距离阈值
    
    输出：
    - 安全方向的角度值（弧度），从中心向左右两侧搜索，找到第一个安全的方向
    """
    for direction in [-1, 1]:
        for center_offset in range(0, len(angles)//2, 5):
            center_idx = len(angles)//2 + direction * center_offset
            if 0 <= center_idx < len(angles) and ranges[center_idx] > safety_distance:
                return angles[center_idx]
    return 0.0  # 默认直行

规则式避障法

原理

规则式避障法将车辆前方区域划分为多个扇区，根据障碍物所在扇区应用预定义的避障规则。这种方法计算量小，响应快，适合资源受限的嵌入式系统。

算法实现(简化)

def detect_sector_obstacles(ranges, angles, safety_distance, sectors):
    """
    检测各扇区是否有障碍物
    
    输入：
    - ranges: 激光雷达距离数组
    - angles: 对应的角度数组（弧度）
    - safety_distance: 安全距离阈值
    - sectors: 扇区定义字典，键为扇区名称，值为角度范围元组(min_angle, max_angle)
    
    输出：
    - 字典，键为扇区名称，值为布尔值，True表示该扇区有障碍物
    """
    obstacles = {sector: False for sector in sectors}
    
    for i, dist in enumerate(ranges):
        if dist < safety_distance:
            angle = angles[i]
            for sector, (min_angle, max_angle) in sectors.items():
                if min_angle <= angle <= max_angle:
                    obstacles[sector] = True
                    break
    
    return obstacles

def apply_avoidance_rules(obstacles, max_speed):
    """
    根据障碍物位置应用避障规则
    
    输入：
    - obstacles: 各扇区障碍物检测结果字典
    - max_speed: 最大行进速度
    
    输出：
    - 字典，包含线速度和角速度控制指令
    """
    # 前方无障碍物，直行
    if not obstacles['front']:
        return {'linear': max_speed, 'angular': 0.0}
    
    # 前方有障碍物，但左右前方无障碍物
    if not obstacles['left_front'] and not obstacles['right_front']:
        linear = max_speed * 0.7
        angular = 0.5 if not obstacles['left'] else -0.5
        return {'linear': linear, 'angular': angular}
    
    # 左前方有障碍物
    if obstacles['left_front'] and not obstacles['right_front']:
        return {'linear': max_speed * 0.6, 'angular': -0.7}
    
    # 右前方有障碍物
    if obstacles['right_front'] and not obstacles['left_front']:
        return {'linear': max_speed * 0.6, 'angular': 0.7}
    
    # 左右前方都有障碍物
    linear = -max_speed * 0.5
    angular = 0.5 if not obstacles['left'] else -0.5
    return {'linear': linear, 'angular': angular}

扇区划分示意

左扇区: 90° ~ 120°
左前扇区: 120° ~ 160°
前扇区: -160° ~ 200°
右前扇区: 200° ~ 240°
右扇区: 240° ~ 270°

避障规则

前方无障碍物：直行
前方有障碍物，但左右前方无障碍：选择障碍物较少的一侧转向
左前方有障碍物：向右转向避开
右前方有障碍物：向左转向避开
左右前方都有障碍物：后退并转向障碍物较少的一侧

性能评估与优化

计算复杂度

动态窗口法: O(n) + O(m)，其中n是激光点数，m是搜索窗口数
规则式避障法: O(n)，其中n是激光点数

实时性考虑

两种算法均设计为在鲁班猫1S上实时运行，计算延迟小于100ms，满足100mm/s速度的避障需求。

优缺点分析

1. 动态窗口法 (Dynamic Window Approach - DWA)

优点：

动态性与灵活性：核心优势在于它是一个局部规划器，不是简单的反应式行为。它会在速度空间 (v, ω) 中采样多个未来轨迹，并从中选出最优的一条，因此能生成更平滑、更合理的路径。
符合动力学约束：生成的轨迹基于当前速度，考虑了机器人的加减速能力和最大速度，理论上更安全，更符合实际机器人的运动特性。
目标导向：可以很容易地将全局目标（如一个目标点）作为评价函数的一部分，使得局部避障行为始终服务于到达最终目的地这个大目标。
应对复杂场景：在拥挤、动态变化的环境中表现更好，因为它持续地评估多条未来路径。

缺点：

计算复杂度较高：需要实时采样和评估大量轨迹，对计算资源有一定要求。虽然在现代处理器上不是问题，但在资源极其受限的嵌入式平台（如低端MCU）上可能是个挑战。
参数调优复杂：性能高度依赖于评价函数中各个权重参数（目标朝向、速度、安全距离等）的 tuning，需要经验才能调到最佳状态。
局部极小值问题：和所有局部规划器一样，容易陷入“U”形或狭长走廊等局部极小值场景，导致机器人来回振荡或停止，需要上层 recovery behaviors（如 recovery_sm）来拯救。
依赖环境感知质量：如果传感器（激光雷达）出现大量噪声、丢失数据或检测不到某些障碍物（如玻璃、黑色物体），规划出的轨迹可能不安全。

2. 规则式（反应式）避障法 (Reactive Rule-Based)

优点：

计算效率极高：逻辑简单，基本是 if-else 条件判断，计算开销极小，响应延迟极低，非常适合计算能力弱的硬件平台。
简单可靠，易于实现和调试：逻辑清晰直观，出现问题时非常容易定位和修复。行为是可预测的。
实时性最强：因为它几乎是对传感器数据的直接反射，没有任何复杂的规划过程，所以反应速度最快。
资源消耗低：不依赖复杂的数据结构和算法，内存和CPU占用都很少。

缺点：

行为短视且可能不优：缺乏前瞻性。可能产生“短视”行为，例如在狭窄通道中左右摇摆，或者选择一条能立即避开但会导致后续更麻烦的路径（如死胡同）。
难以融入全局目标：很难让机器人的行为与一个遥远的全局目标协调一致。它可能为了避开正前方的障碍物而转向，却完全背离了目标方向。
规则组合爆炸：为了处理所有可能的复杂场景（如多个障碍物以特定方式组合），需要编写的规则会非常多，且规则之间可能产生冲突，系统会变得难以维护。
运动可能不平滑：行为基于离散的扇区和规则，可能导致控制输出突变，使机器人运动不够平滑。

总结对比

特性	动态窗口法 (DWA)	规则式避障法
本质	局部轨迹规划	反应式行为
计算量	中~高	极低
平滑性	高（连续优化）	低（可能突变）
前瞻性	有（模拟轨迹）	无（仅当前状态）
目标导向	容易实现	难以实现
参数调优	复杂	简单
代码复杂度	中	低
适用场景	复杂、动态环境	简单、结构化环境或算力受限

结论

动态窗口法适合复杂环境下的精细避障，而规则式避障法适合简单环境下的快速响应。实际部署时，可根据具体应用场景选择合适的避障策略，或结合两种方法的优点实现自适应避障系统。

零零散散，磕磕绊绊自学，我的ROS机器人需要完善的地方还有很多啊！！！！！

问题

缺乏多传感器融合，仅依赖激光雷达。
没有与全局规划器配合，是一个纯粹的局部避障节点，无法完成从A点到B点的自主导航。
可能没有使用分层代价地图，而是直接处理激光数据。

改进构思

1. 传感器融合 (Sensor Fusion)

融合视觉（摄像头）：激光雷达提供精确的距离但缺乏纹理和语义信息。摄像头可以识别障碍物的类型（是人、车、还是草？）、读取交通标志、检测可穿越区域（如草地）。在动态环境中，视觉还能帮助区分动态和静态障碍物。
融合深度相机：如奥比中光Gemini Pro，能解决激光雷达对地面以上障碍物（如桌角、伸出的树枝）检测的盲区问题。
融合IMU和轮式里程计：提供更可靠的状态估计。

2. 算法优化与升级

Timed-Elastic-Band (TEB) 局部规划器：DWA进化版。直接优化整个未来的轨迹序列，同时考虑时间戳。生成的路径更优、更平滑，能明确优化到达时间，并且更好地遵守机器人的动力学约束。