1. TEB算法核心原理与动态避障基础
TEB（Timed Elastic Band）算法本质上是一种基于时间弹性带的局部路径规划方法。我第一次接触这个算法是在一个仓储机器人项目上，当时团队被动态避障问题困扰了两周，直到发现ROS导航栈中的teb_local_planner才找到突破口。这个算法的精妙之处在于，它将机器人的运动轨迹建模成一条由离散位姿点组成的"弹性带"，每个点都带有时间戳信息。
理解TEB算法的关键要抓住三个核心要素：
- 位姿顶点：代表机器人在特定时刻的位置和朝向
- 时间间隔顶点：连接相邻位姿点的时间差
- 约束边：定义各种运动限制条件
在动态环境中，算法会实时调整这条"弹性带"的形状和时间分布。比如当检测到前方突然出现行人时，算法会自动拉伸轨迹绕过障碍物，同时调整各段移动时间保持运动连续性。这就像用手拉橡皮筋绕过障碍物时，橡皮筋会自动调整张力和形状。
// 典型TEB顶点添加示例 void AddTEBVertices() { for (int i=0; i<teb_.sizePoses(); ++i) { teb_.PoseVertex(i)->setId(id_counter++); optimizer_->addVertex(teb_.PoseVertex(i)); if (i<teb_.sizeTimeDiffs()) { teb_.TimeDiffVertex(i)->setId(id_counter++); optimizer_->addVertex(teb_.TimeDiffVertex(i)); } } }动态避障的实现依赖于对障碍物的时空预测。算法不仅考虑当前障碍物位置，还会根据其运动速度推算未来时刻可能出现的位置。在实际测试中，我们发现对于以0.5m/s速度横穿路径的行人，将dynamic_obstacle_weight设为3.5时避障效果最佳。
2. 约束权重参数体系详解
TEB算法的调参本质上是对各类约束权重的平衡游戏。经过多个项目的实战积累，我把这些权重分为四大类：
2.1 运动学约束权重
这类参数控制机器人本体的运动特性：
- 最大速度权重（weight_max_vel_x/y/theta）：就像汽车油门限制
- 加速度权重（weight_acc_lim_x/y/theta）：防止急加速的缓冲器
- 非完整约束权重（weight_kinematics_nh）：差速机器人的转弯特性
// 运动学约束权重配置示例 weight_max_vel_x = 2.0; // 前进方向速度限制 weight_max_vel_theta = 1.0; // 旋转速度限制 weight_acc_lim_x = 0.5; // 前进加速度限制 weight_kinematics_nh = 1.0; // 非完整约束强度实测中发现，在狭窄走廊场景下，适当提高weight_max_vel_theta到1.5可以避免机器人"摇头晃脑"的现象。
2.2 避障约束权重
这是动态避障最关键的参数组：
- 静态障碍物权重（weight_obstacle）：建议范围5-10
- 动态障碍物权重（weight_dynamic_obstacle）：通常比静态高30%
- 膨胀权重（weight_inflation）：处理障碍物模糊边界的软约束
在医院的配送机器人项目中，我们使用如下配置应对密集人流：
weight_obstacle = 8.0; weight_dynamic_obstacle = 10.0; weight_inflation = 0.3; obstacle_cost_exponent = 2.0; // 非线性代价增强2.3 轨迹优化权重
影响路径本身的优化方向：
- 时间最优权重（weight_optimaltime）：追求最快路径
- 路径最短权重（weight_shortest_path）：追求最短路程
- 中间点权重（weight_viapoint）：路径点吸引力
2.4 特殊场景权重
包括一些针对性场景的调节参数：
- 速度障碍比权重（weight_velocity_obstacle_ratio）：靠近障碍物时自动降速
- 转向偏好权重（weight_prefer_rotdir）：解决振荡问题的方向锁定
3. 动态避障的权重调优策略
3.1 静态环境调优方法
在静态环境中，建议采用分层调参策略：
先设置基础运动约束
weight_max_vel_x = 2.0; weight_acc_lim_x = 0.8;调整避障核心参数
weight_obstacle = 7.0; min_obstacle_dist = 0.3; // 机器人半径+安全距离最后微调优化目标
weight_optimaltime = 1.0; weight_shortest_path = 0.5;
在仓库场景测试中，当货架间距1.2米时，将obstacle_cost_exponent设为1.5能更好处理直角转弯。
3.2 动态障碍处理技巧
对于动态障碍物，关键是要处理好响应速度和路线平滑度的平衡：
动态障碍检测配置
include_dynamic_obstacles = true; obstacle_association_cutoff_factor = 1.5;动态权重设置策略
weight_dynamic_obstacle = weight_obstacle * 1.3; prediction_time = 2.0; // 预测时间窗口(秒)速度自适应调节
weight_velocity_obstacle_ratio = 2.0; max_vel_x = 0.8; // 动态环境下降低最大速度
在商场导购机器人案例中，动态权重采用分段设置效果更好：当障碍物距离<1m时动态权重自动提升到静态的1.5倍。
4. 典型场景参数配置实战
4.1 狭窄走廊场景
这是最考验参数平衡的场景，推荐配置：
weight_obstacle = 10.0; weight_kinematics_nh = 2.0; // 强化非完整约束 weight_shortest_path = 0.3; // 弱化路径长度优化 obstacle_association_force_inclusion_factor = 1.2;关键技巧是适当降低max_vel_x（建议0.4-0.6m/s），并启用速度障碍比约束：
weight_velocity_obstacle_ratio = 3.0;4.2 动态密集场景
如餐厅服务机器人场景，配置要点：
// 动态障碍处理 weight_dynamic_obstacle = 12.0; prediction_time = 1.5; // 响应性调整 weight_adapt_factor = 1.2; // 迭代权重增强 obstacle_cost_exponent = 1.8;4.3 混合障碍场景
对于同时存在静态和动态障碍的环境，可以采用权重自适应策略：
// 基础权重 weight_obstacle = 7.0; // 动态检测增强 if (dynamic_obstacle_detected) { weight_obstacle *= 1.5; weight_optimaltime *= 0.8; }在参数调节过程中，我习惯先用RViz的TEB调试面板实时观察轨迹变化，再通过roslaunch文件固化成功参数。记住没有放之四海皆准的最优参数，关键是要理解每个权重背后的物理意义，根据实际机器人性能和场景特点灵活调整。
