简介火星探测车路径规划是深空探测自主导航的核心难题。文档收录了一篇学术论文全文基于快速行进法提出改进的FMVF算法通过构建加权速度矩阵W综合地形坡度、粗糙度、障碍物和沙地滑移等因素并引入外部矢量场模型模拟沙质斜坡上的侧向滑移进而生成安全、高效且能补偿滑动影响的最优路径。内容提供英文原稿与中译文对照便于快速把握算法推导、实验设计与项目资助背景适合行星探索、移动机器人路径规划及相关领域的研究生、工程师和科研人员参考。压缩包共1个文件PDF格式大小约4.56MB信息密度高目前已有66人学习浏览内容从问题建模到算法改进均有覆盖可作为理解FMM类算法在极端地形中应用的入门材料也可作为复现实验、开展后续研究的起点。1. 火星探测车路径规划先解决敢不敢走再解决怎么走火星探测车路径规划和地面上做自动驾驶最大的一点不同不是地图精度差了多少而是它每走一步都要回答同一个问题下一个动作安不安全。火星上没有高精度定位基站没有平整的硬化路面能用的先验地图往往来自轨道器分辨率低到只有几米一个像素地面站和探测车之间还有十几分钟的通信延迟遥控根本来不及。所以这类路径规划系统的第一原则是能不走就不走不得不走才规划规划出来的不是一条“最短路线”而是一条每一步都被地形、滑转和能源约束反复验证过的可行轨迹。这篇文章把火星探测车路径规划拆成全局寻路、局部避障、地形通行性评估三层来写给出仿真里能直接跑通的最小方案也把最容易翻车的四个坑和验证方法一起讲清楚适合正在做移动机器人、无人地面车辆或特种底盘路径规划的工程师参考。2. 为什么火星路径规划不能照搬自动驾驶算法双层架构与三大约束2.1 未知环境与通信延迟为什么地面遥控开不动火星车很多第一次接触这个方向的开发者最自然的想法是“像遥控玩具车一样遥控火星车”。真实约束是火星与地球之间的单向通信延迟在 4 到 20 分钟量级而且带宽极低传回一张高清图像往往要等很久。这意味着地面操作员给出一个指令后探测车可能已经执行了十几分钟才收到下一条指令中间这十几分钟里它只能依靠自身的感知和决策能力应对突发地形。所以火星星表探测任务里普遍的做法是地面只在每天开始前提交一整套“活动计划”包含当日目标点、可通行区域边界和安全约束之后车内自主系统负责把计划拆成短距离路径并逐段执行。这带来的直接后果是探测车的路径规划器必须在本车算力有限、感知范围有限的前提下完成“把车从当前位置开到目标点”的任务。它不能假设有高精度全局地图也不能依赖网络实时回传所有输入只有自身传感器数据、预先加载的低分辨率轨道器影像和地面站制定的粗粒度航点。换句话说规划器要在一个不确定环境里做决策而且一旦决策失误可能直接导致任务终止。由此引出火星探测车路径规划与传统自动驾驶规划在架构上的差异。自动驾驶可以依赖厘米级高精地图、车道线、路网先验和V2X通信车辆在地图里定位后沿着固定车道做行为决策就行火星车没有路网只有一片连续地形任意方向都可能成为候选行进方向规划器必须同时评估地面力学特性和车辆的通过能力。常见的处理方式是把规划任务拆成两层全局规划层用粗分辨率地图先找一条宏观走廊局部规划层用实时传感器数据在走廊内部做短距离精细避障和底盘控制。这两层视角不同、更新频率不同合并在一起才能应付未知环境。全局规划层面对的输入是轨道器生成的高程图或数字地形模型分辨率通常在每像素几米到十几米足以分辨大坑、山脊和大型岩石区但分辨不出松软沙堆或者半埋在土里的石头。它输出的是一条由稀疏航点组成的参考路径不包含精确避障信息也不包含车辆姿态如何变化。这一层的更新频率很低可能开车过程中只计算几次甚至只在每日任务开始前算一次。局部规划层面对的则是立体相机、激光雷达和惯性测量单元在每秒几赫兹到几十赫兹频率下产生的实时数据它在全局走廊限定的范围内结合车辆运动学模型把参考航点变成可直接执行的速度指令。两层之间通过一个“局部目标点”衔接全局路径每隔一段距离提供一个航点局部规划器只负责把车送到这个航点到达后再去取下一个。2.2 全局规划与局部规划的分工谁负责找路谁负责保命用一句话概括两者分工就是全局规划负责“找得到”局部规划负责“过得去”。全局规划保证路径在宏观尺度上避开大型不可通行区域比如陨石坑、巨岩带、陡峭峡谷局部规划保证车辆在几十米尺度内不会撞上石头、不会陷入沙坑、不会在斜坡上侧滑。这两层的时间常数差几个数量级全局规划可能一次算几十秒局部规划必须在几百毫秒内输出控制指令。就是这种时间尺度上的分离让整个系统可以在低算力平台上稳定运行。规划器选型上全局层常见做法是基于栅格地图的A算法或Dijkstra算法。栅格把地形离散成等尺寸单元每个单元赋一个通行代价A在栅格上搜索从起点到终点累计代价最小的路径。它实现简单、结果稳定、算力需求低而且容易和先验地形图对接。局部层常见做法是DWA动态窗口法Dynamic Window Approach它在速度空间里采样当前可达的线速度和角速度组合对每组速度向前模拟一小段轨迹再按照目标方向、障碍物距离、速度大小等指标打分选得分最高的速度组合执行。DWA天然考虑底盘运动学约束直接输出速度指令很适合火星车这种面向底盘控制的规划场景。选择A和DWA而不是更复杂的RRT或MPC背后有很实际的考量。火星车的机载计算单元性能有限任务对实时性要求极高算法必须在每几百毫秒内完成一次决策。RRT在复杂约束下能找到更优路径但在连续高维状态空间里迭代收敛时间不稳定最坏情况可能在障碍物密集区域需要很长时间这在任务场景中是不能接受的。MPC模型预测控制能处理多约束最优控制问题但它依赖准确的动力学模型和确定的代价函数火星地面的轮地交互模型误差很大MPC容易“算得很准但算不到点子上”。我一般会保留MPC做后续可选模块但主规划链路上坚持“A做宏观、DWA做微观”的组合。2.3 算法选型栅格上的A*与运动学约束下的DWA为什么最常被选上这里给出一个可以照抄的选型流程用来判断一个规划场景是否适合用“A* DWA”。第一步确认环境能否连续离散化为二维栅格。火星地面没有严格道路但高程和地表类型确实可以栅格化所以适合。第二步确认车辆运动学能否近似为差速或类差速模型。火星车虽然用摇臂转向架结构但宏观运动模式近似于“转向受限的差速底盘”DWA的速度采样模型可以覆盖这种约束。第三步确认是否需要考虑动态障碍物。火星车速度极低通常不超过每秒 0.2 到 0.5 米几乎没有高速移动的障碍物所以不需要对动态目标做预测DWA的静态障碍物假设完全成立。第四步确认对路径代价的偏好。A*的代价函数很容易扩展把地形类型、坡度、能源成本都折叠成栅格代价值不需要修改搜索框架本身。经过这套验证后选型就变得有据可依——不是因为A*和DWA最先进而是因为它们在火星这个特定环境里同时满足了低算力、高实时性、可解释性和容易调试这四个硬指标。可解释性尤其重要规划器输出的每条候选轨迹都可以在仿真器里画出来工程师一眼能看出它为什么选了这条路在野外测试时排障效率极高。相比之下黑匣子式的深度强化学习规划方法虽然能拟合复杂地形但一旦出现“规划器拒绝前进但没人知道为什么”的情况任务团队是没有时间做梯度反查的。3. 在仿真环境里跑通一个最小可见的规划闭环从决策到代码实现3.1 先建一张带地形代价的栅格地图直接落地到代码前先把仿真器的地图模型建出来这会直接影响后面所有的参数调整。我用一个二维 numpy 数组表示栅格每组格子的代价值代表探测车通过该格子的“费力程度”0 表示绝对不可通行数值越大表示越难走。这里不把障碍物简单分成 0 和 1而是连续建模因为火星地表大多是“可以走但不好走”的过渡地带连续代价比二值栅格更符合实际。import numpy as np # 场景尺寸40m x 40m分辨率 0.2m栅格尺寸 200x200 SIZE_X, SIZE_Y 200, 200 terrain_cost np.ones((SIZE_X, SIZE_Y), dtypenp.float32) * 0.2 # 0.2 平坦硬质地面基础通过代价 # 把地图中央一片区域标记为松软沙地代价抬升到 0.7 sand_area (np.indices((SIZE_X, SIZE_Y))[0] 70) \ (np.indices((SIZE_X, SIZE_Y))[0] 130) \ (np.indices((SIZE_X, SIZE_Y))[1] 50) \ (np.indices((SIZE_X, SIZE_Y))[1] 150) terrain_cost[sand_area] 0.7 # 把四个块状岩石区标记为不可通行代价设为无穷大实际上用一个极大值 rock_value 1e6 for cx, cy, r in [(30, 50, 8), (150, 40, 10), (120, 170, 9), (40, 150, 6)]: yy, xx np.ogrid[:SIZE_X, :SIZE_Y] mask (xx - cx) ** 2 (yy - cy) ** 2 r ** 2 terrain_cost[mask] rock_value地图构造函数说明整个场景模拟 40m × 40m 的宏观区域栅格分辨率 0.2m所以是 200×200 的阵列。平坦硬质地面的基础代价设成 0.2松软沙地 0.7岩石区域直接给一个1e6的极大值让搜索算法必然绕开它。这三个数值就是后面局部规划器判断“值不值得走”的基础。注意这里的代价是平面通过代价还没有包含坡度坡度信息会在后面以额外地形项方式叠加不要混在一起。3.2 模拟底盘运动学DWA 核心函数怎么写有了地图下一步实现局部规划器核心。DWA思路是在当前速度窗口内采样候选速度对对每个候选速度模拟一小段圆弧轨迹再评估该轨迹的优劣。下面的代码实现了轨迹模拟与评价函数注意其中加入了火星车特有的“滑转率分摊”逻辑模拟软土上轮子空转导致的实际前进距离小于理论距离。def simulate_trajectory(x, y, yaw, v, w, dt, steps, slip_ratio0.0): 根据给定线速度 v (m/s) 和角速度 w (rad/s) 正向模拟轨迹。 slip_ratio0.0 表示无打滑数值越大表示地面越松软。 xs, ys [], [] v_eff v * (1.0 - slip_ratio) for _ in range(steps): x v_eff * np.cos(yaw) * dt y v_eff * np.sin(yaw) * dt yaw w * dt xs.append(x) ys.append(y) return np.array(xs), np.array(ys) def evaluate_trajectory(traj_x, traj_y, goal, terrain_cost, params): 评价一条候选轨迹返回得分。 得分越低越好目标偏差、障碍物距离、地形代价三部分加权。 # 目标偏差轨迹末端与目标点的欧氏距离 end_dist np.hypot(traj_x[-1] - goal[0], traj_y[-1] - goal[1]) # 障碍物距离轨迹上每个点到最近刚性障碍的距离 min_obs 1e6 for px, py in zip(traj_x, traj_y): ix, iy int(px / 0.2), int(py / 0.2) if 0 ix 200 and 0 iy 200: if terrain_cost[ix, iy] 1000: # 撞上岩石区 return 1e9 # 地形代价轨迹经过格子的平均通过代价 terrain_mean 0.0 for px, py in zip(traj_x, traj_y): ix, iy int(px / 0.2), int(py / 0.2) if 0 ix 200 and 0 iy 200: terrain_mean terrain_cost[ix, iy] terrain_mean / len(traj_x) return (params[w_goal] * end_dist params[w_terrain] * terrain_mean params[w_obs] * min_obs)这里w_goal控制追踪目标点的强度w_terrain控制避让难行地形的强度w_obs控制避障强度。火星车通常会把w_terrain调得比普通轮式机器人高因为陷入沙地的代价远大于绕路。simulate_trajectory里slip_ratio参数是关键在平坦硬地上取 0.05 到 0.1松软沙地上取 0.3 到 0.5仿真中用它模拟“车轮转但车不动”的现象可以提前暴露出规划器对软土的敏感度。3.3 最小闭环把全局航点变成局部速度指令把上述两个函数放进主控制循环就得到一个可以完整跑起来的规划闭环。主循环每 0.5 秒执行一次先拿到当前局部目标点然后在当前速度窗口内采样若干候选速度对每个速度模拟轨迹并打分选得分最低的作为指令输出。目标点从全局路径上取下面这个简化示例用 A* 在栅格图上先算好一串航点然后局部规划器逐个消费这些航点。# 主控制循环伪代码dt0.5s预测轨迹长度 4 秒 x, y, yaw 1.0, 1.0, 0.0 v, w 0.0, 0.0 path astar_path(terrain_cost, (1.0, 1.0), (38.0, 38.0)) # 全局航点列表 goal_idx 0 while goal_idx len(path): goal path[goal_idx] # 到达当前目标点阈值0.6m if np.hypot(goal[0] - x, goal[1] - y) 0.6: goal_idx 1 continue best_score 1e9 best_v, best_w 0.0, 0.0 # 速度窗口采样 for nv in np.arange(max(0.0, v - 0.1), min(0.5, v 0.1), 0.02): for nw in np.arange(max(-0.8, w - 0.3), min(0.8, w 0.3), 0.05): traj_x, traj_y simulate_trajectory( x, y, yaw, nv, nw, 0.5, 8, slip_ratio0.15) score evaluate_trajectory( traj_x, traj_y, goal, terrain_cost, {w_goal: 1.0, w_terrain: 1.2, w_obs: 5.0}) if score best_score: best_score score best_v, best_w nv, nw v, w best_v, best_w # 用简化运动模型更新位姿真实系统会用 IMU 轮式里程计融合 x v * np.cos(yaw) * 0.5 y v * np.sin(yaw) * 0.5 yaw w * 0.5主循环里最值得注意的有两点。一是目标切换阈值设成 0.6m既避免频繁更换目标点导致振荡也不会因为阈值过大而偏离全局路径。二是速度采样步长线速度步长 0.02m/s、角速度步长 0.05rad/s在算力受限的单核嵌入式处理器上也能在几百毫秒内完成一轮采样。如果某个地形段总是规划失败优先调整的不是采样步长而是w_terrain系数把它从 1.2 提高到 2.0 通常就能让规划器主动避开沙地走廊虽然路径会绕一点但至少车不会陷进去。4. 火星场景下必须调的参数地形通行性、滑转率与能源代价4.1 障碍物和地形代价要分开建模不能只有 0 和 1普通地面机器人的局部代价地图通常只区分“障碍物”和“自由空间”这种二值化思路搬到火星地形上会立刻出问题。火星地面大量区域是“可通行但代价高”比如压实程度不同的沙土、覆盖碎石板的斜坡它们既不是障碍物也不适合全速通过。如果把这些区域标成自由空间规划器会直接穿过去导致车辆打滑或沉陷如果标成障碍物规划器会绕开一大片实际上可以低速通过的区域白白浪费能源和时间。正确做法是把代价地图拆成两层刚性障碍层和地形代价层。刚性障碍层只放垂直凸起超过车辆通过能力的大岩石、陡坎地形代价层放连续变化的通过难度。这个区分在代码里的体现就是terrain_cost数组与obstacle_map数组分开存储evaluate_trajectory里先判断是否撞刚性障碍再计算地形通过代价。地面机器人常用的“膨胀层”在这里也要慎用因为沙地的可压缩性意味着车可以压过一部分松软区域过度膨胀会把所有松软区都变成禁行区导致路径规划器找不到出口。4.2 滑转率轮子空转比撞石头更隐蔽火星探测车在松软土壤上的滑转是路径规划中最容易低估的风险。滑转率定义为 1 - 实际前进速度 / 轮缘线速度硬质地面滑转率接近零松软沙地可以达到 0.3 甚至 0.5。滑转率过高的直接后果是车速异常下降、能耗异常上升严重时车轮持续空转把车身陷入沙堆。规划器如果只按“避障”逻辑工作完全没有滑转率概念就会在沙地里频繁输出加速指令越陷越深。实际工程中常见做法是在代价地图上增加“滑转系数层”每一格存一个预估滑转率该值可由高分辨率影像纹理或离线试验数据标定。代价函数里把滑转率作为地形代价值的一部分加权进去例如cost base_cost slip_penalty * slip_ratio。滑转率越高路径越难走。更保守的做法是在滑转率超过硬阈值的区域直接禁止通行尽管这会减小可行空间但能保证车不会困死。以下是滑转代价推荐参数的参考表注意这些数值与车轮构型强相关换底盘后必须重新标定。参数推荐初始值物理含义失败表现硬地滑转率0.05 ~ 0.10平坦岩石或压实地面的轮地滑转值偏小会导致规划器对硬地过于乐观软沙滑转率0.30 ~ 0.45松软沙区的经验滑转范围值偏大会导致规划器完全避开所有沙区滑转惩罚系数1.5 ~ 3.0滑转代价在总代价中的权重偏小会导致路径穿越高滑转区偏大会绕远路滑转率禁行阈值0.55 ~ 0.65超过后该栅格视为不可通行设太低会误标大面积禁行区这些参数很难一步到位我会在仿真里先把滑转率禁行阈值从 0.5 开始扫观察规划路径在沙区边缘的行为逐步逼近一个“能通过但不激进”的值。注意这里的滑转率是稳态近似真实的轮地交互还和车轮载荷、胎压、土壤内摩擦角有关这个近似只服务于路径规划层的保守性判断精细动力学留给底盘控制器处理。4.3 能源代价最短路径不等于最省电的路径火星车的能源极度有限太阳能电池板输出受光照遮挡、灰尘沉积等因素影响波动很大。路径规划如果只优化距离和避障很可能选出一条距离短但持续爬坡的路径导致驱动电机功耗远高于平路绕行。因此火星探测车路径规划里的第三个关键代价项是能源代价。能源代价通常分成两部分坡度代价和光照代价。坡度代价根据栅格高程梯度估算电机功率需求上坡比下坡显著费电坡度超过一定角度后能量消耗陡增。光照代价则更复杂太阳能电池板安装在车身顶部当车头方向背向太阳或车身处在大型障碍物的阴影中时充电效率下降。经典任务里有一种做法是在规划目标函数里叠加“预期净能量消耗”项energy_cost drive_energy - solar_gain其中drive_energy包含坡度和路面滚动阻力损耗solar_gain根据当前太阳方向和障碍物阴影估算。在这项权重下规划器会自动偏好“阳光下、缓坡、最短组合”的路径而不是纯粹几何最短。需要注意的是能源代价和高程代价不能互相替代。高程代价只反映海拔变化能源代价还包含了地表纹理造成的滚动阻力差异同一段缓坡在硬地和沙地上的能耗可能差一倍。所以能源代价层必须在地形类型层的基础上构建而不是简单地读高程栅格。5. 火星探测车路径规划的避坑清单从仿真翻车到野外测试的排查路径5.1 仿真里跑得好好的换上真实底盘就原地打转现象在仿真环境里路径规划器表现稳定轨迹平滑一到真实底盘测试就出现原地左右摇摆、无法沿直线前进的现象。底盘在原地小幅转动但实际位移几乎没有增加。原因仿真里的运动学模型假设太理想车轮与地面的滑转率设成了常数甚至为 0。真实底盘在转向时左右轮受力不均一侧轮子轻微打滑实际角速度低于指令值规划器检测到误差后加大角速度指令反而加剧转向过度。这是典型的“规划器没建模执行器误差”问题。解决在仿真模型里给每个车轮加入差异化滑转项模拟转向阻力带来的侧偏。更简单粗暴的方法是给角速度指令加一个死区只有当目标角速度大于 0.15rad/s 时才输出转向指令小于该值时只调整线速度。同时在底盘控制器里加入前馈补偿将转向时的内侧轮速度适当降低让车辆绕瞬时旋转中心更平滑地转弯。这个坑是野外测试里最常见的因为室内测试地面摩擦系数与火星土壤相差甚远仿真阶段很难提前暴露。5.2 规划路径频繁重算走出一条Z字形振荡线现象规划器输出的速度指令频繁换向车辆在地图上走出明显的锯齿状或Z字形路径每个周期都偏离直线一段距离。观察日志发现局部目标点更新频率非常高几乎每 0.5 秒切换一次。原因局部规划器把“当前速度窗口内离目标最近的轨迹”作为最优解当目标点距离较远时目标方向角度差接近 90 度评价函数里目标角度项的小量变化就会导致角速度指令大幅跳动再加上目标点切换阈值设得太小使得规划器始终在一个不稳定的目标点附近来回震荡。解决把目标点切换阈值从 0.3m 提高到 0.6m 以上并加上一个“最小重规划间隔”约束即使当前轨迹得分不是最优只要距离上次规划不足 2 秒就不重新规划。还可以把目标点从“全局路径上的最近点”改为“全局路径前方第二个航点”让规划器提前看向更远的位置避免因局部路径曲率变化产生振荡。调参时先用仿真里固定传感器噪声幅值观察确认振荡是否只出现在特定地形。5.3 把视觉感知的障碍物全当刚性障碍在沙地上绕远路现象在岩石和沙地混杂的区域规划器习惯性绕行路径长度远超人工判断的合理值甚至在空旷地带规划出一条大曲率绕行路线。查看代价地图发现大量沙地隆起和低矮岩石被标成了刚性障碍物。原因感知模块输出的是“障碍物概率图”默认把所有高于地面一定阈值的物体都视作不可穿越刚性障碍。但火星地形中很多隆起是松软沙丘或碎石灰堆车辆完全可以通过直接碾过不会损坏底盘只是稍微消耗更多能量。解决感知聚类时按高度和坡度分别处理高于底盘离地间隙且基座是硬质岩石的物体标为刚性障碍低矮且松软的目标进入地形代价层只增加通过代价不禁止通行。更精细的做法是加一层“通过性分类器”用轮地交互模型判断每个栅格在车辆真实越障能力下是否可通过而不是单纯依赖视觉高度阈值。这个坑的排查关键是开着可视化工具对比原始点云和代价地图一眼就能看出哪些目标被过度障碍化。5.4 通过性代价权重太高规划的路径贴着石头边缘走现象规划器选出的路径看起来非常贴近岩石边缘离障碍物只有几厘米虽然从代价地图上看这确实是低代价值路线但实际底盘稍微宽一点就会发生刮碰而规划器自己完全意识不到。原因代价地图的膨胀半径没有包含底盘最小转弯半径和车身外廓信息。路径规划器在二维栅格上搜索时使用一个固定膨胀半径一般等于车体宽度的一半但转弯时应考虑车身扫掠宽度而火星车摇臂转向架在转弯时车身投影会明显变宽固定膨胀显然不够。解决膨胀半径随转向曲率动态调整。直行时按车宽一半膨胀转弯时按“转弯扫掠外径”膨胀该值可以在仿真里预先算好存成查找表。同时把碰撞检测点从单点改成底盘多边形轮廓轨迹上每个时刻的朝向不同车身多边形也不同逐点判断更符合实际。这个坑在仿真里通常靠“增大所有障碍物半径”来临时遮盖但真实任务里这样会导致路径搜索空间过窄只有精确建模底盘轮廓和转弯扫掠才是根治办法。6. 验证规划质量的三个进阶技巧回放重演、指标拆解与参数正则化6.1 用离线回放把随机噪声隔离开在真实场地测试时传感器噪声、底盘打滑、通信抖动都是随机因素同一段路线跑两次结果经常不同工程师很难判断当前的路径抖动来自规划算法还是传感器异常。我习惯的验证方式是离线回放把一次测试中的原始传感器数据、底盘状态和任务日志原样记录到磁盘回放时用完全相同的数据流驱动规划器屏蔽所有随机性让算法表现可以精确复现。回放过程中可以修改规划参数对比同一传感器输入下不同参数集的输出差异这样调参效率和可解释性都比现场反复跑车高得多。6.2 把路径质量拆成可量化的三个指标评价一条火星车规划路径好不好不能只看“有没有到达目标”。我会用三个指标分开度量安全性指标取整段路径上与最近刚性障碍物的最小距离平滑性指标取轨迹曲率的最大值和曲率变化率均值可达性指标取路径总代价与实际执行成功的程度。三条指标分别画曲线能很快定位问题是出在避障还是出在转向控制。例如最小距离低于安全阈值就调障碍物膨胀半径曲率变化率过大就调角速度采样上限和目标点间距。三个指标对应三个参数组避免“一堆参数一起调、不知道哪个起作用”的窘境。6.3 对代价权重做扰动测试防止调参过拟合仿真环境仿真里调出来的参数组跑得很好不代表真实地形里依然成立因为仿真地形再复杂也只是真实环境的简化近似。一个有效习惯是把地形代价、滑转系数、能源权重等参数在合理范围内做扰动测试记录路径结果随参数变化的梯度方向。如果某项权重从 1.0 调到 1.5 时路径完全改变说明规划器对这个参数高度敏感真机上必须先标定该参数如果权重变化 30% 路径几乎不变说明系统在该地形上对该项不敏感可以放心使用估计值。这个扰动测试本质上是做参数正则化避免算法在仿真地形上过拟合。火星探测车路径规划这类系统真正可靠的调优从来不是把仿真参数调到完美而是找到一组参数让系统在各类未知扰动下都保持安全底线到真正调试时先把滑转率、目标点切换阈值和安全膨胀三项固定下来再动能源权重这条路会顺利很多。希望这些经验能帮到你。本文还有配套的精品资源点击获取
