借用前辈郑开宇基本调试指南经验，谈一谈对于配置、调参、优化这些到底应该怎么做，经验之谈．

三个组件检查：距离传感器，里程计和定位。

如果机器人没有从其距离传感器（例如激光器）获取信息，那么导航将不起作用。首先确保可以在rviz中查看传感器信息，它看起来相对正确（一般判断激光点是否跟障碍物对齐），并以预期的速度在刷新。 最后确认建图导航中是否为需要的传感器数据topic以及link是否正确。

里程计是一个很不确定的因素，大部分移动机器人是有编码器的，编码器本身会有少量误差，但是加上轮子摩擦空转、地面不平、机器人驱动结构（二轮差动、四轮差动、全向轮）等因素影响，会累计出很大的误差，尤其是原地旋转，通常情况下可以加入IMU等数据进行融合重新计算里程计数据，如果使用得当，里程计误差便可以控制在很好的范围。然而，又是然而，IMU的安装位置是机械的，如何标定IMU的准确相对位置是困难的，不过通常良好的机械安装会使计算后的里程在可控范围内，所以，使用EKF等融合数据时，一定要保证IMU位置与数据的准确，否则只会让里程计信息雪上加霜。

第一个测试检查角速度是否合理。打开rviz，将坐标系设置为“odom”，显示机器人提供的激光扫描，将该主题的衰减时间设置为高（类似20秒），并执行原地旋转。然后，我看看扫描出来的边线在随后的旋转中如何相互匹配。理想情况下，每次扫描将刚好落在相互的顶端，会重叠在一起，但是有些旋转漂移是预期的，所以我只是确保扫描之间误差，不会超过一度或两度以上。

第二个测试检查线速度是否合理。机器人放置在与距离墙壁几米远地方，然后以上面相同的方式设置rviz。接着我将驱动机器人向墙壁前进，从rviz中聚合的激光扫描看看扫描出来边线的厚度。理想情况下，墙体应该看起来像一个扫描，但我只是确保它的厚度不超过几厘米。如果显示扫描边线的分散在半米以上，但有些可能是错误的测距。

其他的测试角速和线速方法：

线速标定：http://www.ncnynl.com/archives/201701/1217.html 角速标定：http://www.ncnynl.com/archives/201701/1218.html 线速标定：http://www.ncnynl.com/archives/201707/1812.html 角速标定：http://www.ncnynl.com/archives/201707/1813.html

假设里程计和激光扫描仪都能合理地执行，建图和调整AMCL通常并不会太糟糕。首先，运行gmapping或者hector啥的，操控机器人来生成地图。然后使用该地图与AMCL，并确保机器人保持定位。通常是需要设置一个大概的初始位置，稍微移动机器人，就可以看到激光与障碍物对齐了。

最大/最小速度和加速度是移动基座的两个基本参数，正确设置对优化本地规划器行为有很大帮助．在ROS中有平动和旋转的两种速度/加速度。

加速度与速度，对于规划的影响就很神奇，不同的加速度，速度，最大最小速度，最大加速度，前进速度与转弯速度的组合，各种组合就是会有不一样的效果，想要获得好的效果只能多次尝试不同组合，对于不同的机器人效果也不近相同，还有controller的频率也会影响最后的输出速度。

通常可以参考移动底盘手册，找到最大速度．还可以订阅odom话题，控制机器人运动，直线运动和原地旋转运动分别可以一个恒定值，便是最大平动速度和旋转速度，为了安全一般我们设置低于最大值．

同样可以在手册中找到．若不能再次使用里程计参数，根据机器人到达最大速度的时间，最大速度，位置或角度，可以计算出最大加速度．

这里的最小值我们设置为较大的负值，因为需要机器人后退，以及在任意方向旋转．注意：DWA Local Planner采用机器人最小转速的绝对值．

X方向速度为平行于机器人直线运动的方向的速度，与平动速度相同．Y方向速度为垂直于机器人直线运动方向的速度．对于非完整机器人，如两轮差速机器人，需将Y轴方向速度设置为０．

move_base的运行依赖于global planner和local planner．这里有三个nav　core::BaseGlobal Planner 的接口: carrot planner, navfn and global planner．

global planner通常是我们喜欢使用的，下面讨论一些关键参数．并非所有参数在ROS网站，这时使用rqt的参数重新配置程序，可以看到所有参数 rosrun rqt_reconfigure rqt_reconfigure

将参数　allow_unknown(true)　use_dijkstra(true)　use_quadratic(true)　use_grid_path(false)　 old_navfn_behavior(false)　设置成默认．如果需要查看potential map,将visualize potential(false)设置成true可能会很有帮助 除了这些参数外，还有三个未列出的参数实际上决定了计划全局路径的质量。成本因素、中性成本、致命成本。实际上，这些参数也出现在NAVFN中。源代码2有一段解释navfn如何计算成本值。 navfn cost value的设置： cost = COST NEUTRAL + COST FACTOR * costmap cost value costmap cost values的输入值在0到252之间． 在成本中性值为50的情况下，成本系数需要大约为0.8，以确保输入值在输出范围（50到253）上均匀分布。如果成本因素更高，成本值将在障碍物周围有一个高原，然后规划者将（例如）把狭窄走廊的整个宽度视为同样不可取的，因此不会规划沿着中心的路径． 实验证明。将成本系数设置为过低或过高会降低路径的质量。这些路径有不经过每边障碍物的中间，曲率相对平缓。极端中性的成本值也有同样的效果。对于致死成本，即使可行路径明显，将其设置为低值也可能导致无法生成任何路径。图5-10显示了成本因素和中性成本对全球路径规划的影响。绿线是全球规划师制定的全球路径。经过几次实验，我们发现当cost factor=0.55，neutral cost=66，lethal cost=253时，全局路径是比较理想的。

Local planners依赖于nav core::BaseLocalPlanner interface的接口： dwa local planner　eband local planner　teb local planner 它们使用不同算法生成速度命令．我们通常选择DWA．

dwa_local_planner采用了Dynamic Window Approach(DWA)算法 算法基本思想：

DWA的目标是产生一个（v，ω）对，它表示一个最适合机器人的局部状况。DWA通过搜索下一个时间间隔。这个空间的速度被限制在允许范围内，这意味着机器人必须能够在到达最近的障碍物之前停止。由这些容许速度决定的圆形轨道。而且，DWA只会考虑动态窗口中的速度，该窗口定义为在给定当前平移和旋转速度和加速度的情况下，在下一个时间间隔内可到达的一组速度对。DWA最大化了一个目标函数，这取决于： （1）抵达目标的进度（2）障碍物空间（3）前进速度产生最佳速度对。

算法摘要：第一步是在动态窗口中的速度空间中采样速度对（v x，v y，ω）。第二步基本上是消除速度（即消除不良轨道），这是不允许的。第三步是使用OBJEC评估速度对．输出轨迹得分的动态函数。第四步和第五步很容易理解，选择当前的最佳速度选项并重新计算。

这个DWA计划依赖于提供障碍信息的本地成本图信息。因此，调整局部成本图的参数对于优化DWA Local planner的行为。接下来，我们将在正向模拟中查看参数,轨迹评分,成本地图等等。

前向仿真是DWA算法的第二步。在这一步中，local planner在机器人的控制空间中提取速度样本，并检查这些速度样本所代表的圆形轨迹，最终消除不良速度（轨迹与障碍物相交的速度）。每一个速度样本都被模拟，就好像它被应用到机器人上一个设定的时间间隔，由模拟时间（s）参数控制。我们可以把sim_time看作是机器人以采样速度移动所允许的时间。

实验结果表明，模拟时间越长，计算量越大。另外，当仿真时间变长时，local planner的路径也会变长，这是合理的。下面是一些关于如何调整此sim_time参数的建议。

如果将sim_time设置为一个非常低的值（=5.0）将导致不太灵活的长曲线。这个问题并不是不可避免的，因为计划员在每个时间间隔（由控制器频率（hz）控制）后都会主动重新规划，这为小的调整留出了空间。即使对于高性能计算机，4.0秒的值也应该足够。 除了sim_time之外，其他一些值得关注的参数．

速度样本和其他参数 vy_sample，vy_sample决定了在x，y方向要取多少平移速度样本。vy_sample控制旋转速度样本的数量。您希望采集的样本数量取决于您拥有多少计算能力。在大多数情况下，我们倾向于将vy_sample设置为高于平动速度样本，因为转弯通常比直行更复杂。如果将max_vel_y设置为0，则无需在y方向上进行速度采样，因为没有可用的采样。我们选取vy_sample=20，vy_sample=40。

模拟粒度 sim_granularity是在轨迹上的点之间采样的步长。它基本上意味着应该检查轨迹上的点的频率（测试它们是否与任何障碍物相交）。较低的值意味着较高的频率，这需要更多的计算能力。默认值0.025通常足以满足Turtlebot大小的移动基础。

如上所属，DWA Local Planner 最大化目标函数来获得最佳路径．DWA最大化了一个目标函数，取决于： （1）抵达目标的进度（2）障碍物空间（3）前进速度产生最佳速度对。

目标函数的成本计算如下： 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 ∗ (maximum obstacle cost along the trajectory in obstacle cost (0-254))

目标是获得最低的成本。path_distance_bias是Local应保持接近Global planner的程度的权重。高值将使Local planner更喜欢全局路径上的轨迹。

goal_distance_bias是指机器人在任何路径下，都应尝试达到local goal的权重。实验表明，增加该参数可以减少机器人对全局路径的依赖。

occdist_scale是机器人应避免多少障碍物的权重。此参数的高值会导致不确定的机器人卡入到位。目前，对于Scitos G5，我们将path_distance_bias设置为32.0，goal_distance_bias设置为20.0，occdist_scale设置为0.02。它们在仿真方面工作得很好。

Goal distance tolerance

Oscilation reset　如在通过门口等情况下，机器人可以来回摆动，因为它的本地规划者正在生成通向两个相反方向的路径。如果机器人持续抖动，导航堆栈将让机器人尝试其恢复行为。

如上所述，成本图参数的调整对于本地规划者的成功至关重要（不仅对于DWA）。在ROS中，代价地图由静态地图层、障碍地图层和膨胀层组成。静态地图层直接解释提供给导航堆栈的给定静态SLAM地图。障碍物地图层包括二维障碍和三维障碍（三维像素层）。膨胀层是一个障碍物膨胀的地方，用来计算每个二维成本图单元的成本。

此外，还有一个global costmap和一个local costmap。global costmap是通过向导航点提供的地图上的障碍物膨胀而生成的。通过对机器人传感器实时检测到的障碍物进行膨胀，生成local costmap。

有许多重要的参数应该设置得尽可能好。

足迹是移动基地的轮廓。在ROS中，它由一个二维数组表示，其形式为[X 0，Y 0]、[X 1，Y 1]、[X 2，Y 2]、…]，无需重复第一个坐标。该足迹将用于计算内接圆的半径和外接圆，以适合机器人的方式进行膨胀．通常为了安全，我们希望轮廓要比机器人真实的形状大． 要确定机器人的足迹，最简单的方法是参考机器人的图纸。此外，还可以手动拍摄其底部的俯视图。然后使用CAD软件（如SolidWorks）适当地缩放图像，并将鼠标移动到基础轮廓周围，读取其坐标。坐标的原点应该是机器人的中心。或者，你 可以在一张大纸上移动你的机器人，然后画出底座的轮廓。然后选择一些顶点并使用标尺计算出它们的坐标。

膨胀层由成本在0到255之间的单元组成。每个单元要么被占用，没有障碍，要么是未知的。图13说明了如何计算通货膨胀衰减曲线。

inflation radius和cost scaling factor是决定膨胀的参数。inflation radius控制着零成本点离障碍物的距离。cost scaling factor与单元成本成反比。设置得更高会使衰减曲线更陡．

Pronobis博士建议，最佳的Costmap衰减曲线是一条坡度相对较低的曲线，因此，最佳路径尽可能远离两侧的障碍物。其优点是机器人更喜欢在障碍物中间移动。如图8和图9所示，在相同的起点和目标下，当Costmap曲线陡峭时，机器人倾向于接近障碍物。在图14中，通货膨胀半径=0.55，成本比例系数=5.0；在图15中，通货膨胀半径=1.75，成本比例系数=2.58 在衰减曲线图的基础上，对这两个参数进行设置，使膨胀半径几乎覆盖了腐蚀体，且成本值衰减适中，这意味着降低了cost scaling factor的值。

本地代价地图和全局代价地图可以分别设置此参数。它们影响计算负载和路径规划。当低分辨率（>=0.05）时，在狭窄的通道中，障碍区域可能会重叠，因此local planner无法找到通过的路径。

对于全局代价地图分辨率，它足以保持与提供给导航堆栈的地图的分辨率相同。如果你有足够的计算能力，你应该看看激光扫描仪的分辨率，因为当使用gmapping创建地图，如果激光扫描仪的分辨率低于您所需的地图分辨率，将会有很多小的“未知点”，因为激光扫描仪无法覆盖该区域，如图16所示。 例如，Hokuyo URG-04LX-UG01激光扫描仪的公制分辨率为0.01mm。因此，扫描分辨率 TrajectoryPlannerROS

关于两个规划器，DWAPlanner相对来说是更加细致，参数更多，也更加敏感，所以也相对更加难调，TrajectoryPlanner我会在什么时候用呢，有项目急着交，DWA又跑不出好的效果，换上立马就能跑，但是很多细节还是不够理想，推荐还是使用DWA，接下来会对DWA的参数介绍，以及一些实际调试过程中总结的经验。

目前只针对差动结构的移动机器人进行总结，全向轮可类比经验，接下来有点干～

recovery_behaviors：通常根据机器人形状，以及使用的场景是否宽阔来考虑是否允许原地旋转的恢复行为，有时候不规则机器人靠近墙做恢复行为是比较危险的，容易发生碰撞，相比圆形机器人不会有这个问题 controller_frequency：与之前的控制频率是同一个，不在同一层级，这个更高，设置这个即可 planner_frequency：全局路径规划器更新频率，当机器在避障表现较好时，设置一个小频率，可以锦上添花，如果本身local问题很大，再一直更新global路径，会出现离原先最优路径越来越远，直到陷入局部障碍物陷阱 conservative_reset_dist：实验中发现局部地图经常会有移动障碍物遗留，并且不会去除，只有在移动后才能清除，部分只能在恢复行为后清除，所以有一个插件是专门用来做local障碍物清除的 剩余参数用于无法行动之后的恢复行为，震荡表示机器人在很短的距离反复运动，可以设置距离、时间来判断是否为震荡以及多久后执行恢复操作 关于空间清理我还得再研究研究～