ROS导航调参经验总结（Teb算法）

打完智能车，调了很久teb，总结了一些经验，下面一些我觉得比较实用的调参方法和重要参数，可能会有些遗漏或问题，欢迎大家指出

先放感觉比较好的参考资料：

teb_local_planner wiki 官方API文档

网上收集关于Teb Local Planner的调试使用_猪猪的博客-CSDN博客

浅谈Time Elastic Band - 知乎
TEB轨迹优化算法-代码解析与参数建议_zz123456zzss的博客-CSDN博客_teb算法

一，动态调参工具

可以动态调参，不用每次改yaml文件那么麻烦，但要记住改了什么，它没有保存键

rosrun rqt_reconfigure rqt_reconfigure

二，全局路径

要有一个好的导航效果，首先要调出一个比较好的全局路径

小技巧：将速度话题重命名为其它，即让小车不动，先调好全局路径，在launch文件中加入如下语句（后面记得删掉）

<remap from="/cmd_vel" to="/cmd_vel_111" />

重要参数

costmap_common_params.yaml 文件

costmap_common_params.yamlrobot_radius: 0.15    #机器人半径cost_scaling_factor:  15.0  #障碍物膨胀比例系数，全局路径呈锯齿状时调大inflation_radius:     0.2      #膨胀半径，全局路径离障碍太近时调大，但不能覆盖整个道路

建议：

1.cost_scaling_factor调大，可以使得全局路径较平滑，这时 inflation_radius也要调大

2.好的膨胀在rviz中一般颜色靠墙的较深，离墙远的较浅，呈渐变色（不完全正确，和rviz中颜色设置有关系）

三，局部路径规划teb

重要参数：

teb_local_planner_params.yaml 文件

teb_local_planner_params.yaml#与障碍物相关min_obstacle_dist: 0.3   #与障碍的最小期望距离inflation_dist: 0.5 # 障碍物周围缓冲区dynamic_obstacle_inflation_dist: 0.6  #与动态障碍物缓冲区max_global_plan_lookahead_dist: 1.0 #向前规划最长距离 #太大路径不平滑，太小避障和转弯时效果不好，太小还会导致小车不敢走weight_optimaltime: 3 # 根据转换/执行时间对轨迹进行收缩的优化权重  #很重要的一个参数，值越大小车越大胆，转弯切内道，越容易拉到最大速度，也撞死得越快

还有速度加速度角速度等参数也很重要就不列了

建议：

1.刚开始调，可以速度调慢点，max_global_plan_lookahead_dist（向前规划距离）调小，可以使得局部路径较贴近全局路径并完成跑图，再慢慢调大找最佳值

2.当小车在某些位置卡住不敢走（还没撞）时，考虑膨胀半径是否应该调小，和weight_optimaltime是否应该调大

总结：

1.调参时可以控制变量，先把一个参数拉到很大或很小，观察它对效果的影响，再去改；

除了上面的参数，还有其它参数也很重要，也可以尝试下；
要多百度看一下别人的方法或参数，有时会有很大的帮助；
不能盲试，原理是很重要的，要去看这个算法的原理，以及不同参数的意义

ROS导航调参经验总结（Teb算法）相关推荐

智能车调参经验（超级详细！！！手把手教）【一】
调参作为智能车比赛中最为耗时和痛苦的事情,在网上浏览了许多人的调参经验的博客却发现大家分享的内容对新手并不太友好,所以作为一枚小白打算记录一下此次参加智能车比赛中调参遇到的问题以及经验所得,不仅希望能 ...
深度学习训练的小技巧，调参经验。总结与记录。
深度学习训练的小技巧,调参经验.总结与记录. 2016-10-23 23:07 390人阅读评论(0) 收藏举报版权声明:本文为博主原创文章,未经博主允许不得转载. 经常会被问到你用深度学习训练 ...
DL之模型调参：深度学习算法模型优化参数之对LSTM算法进行超参数调优
DL之模型调参:深度学习算法模型优化参数之对LSTM算法进行超参数调优目录基于keras对LSTM算法进行超参数调优 1.可视化LSTM模型的loss和acc曲线
DL之模型调参：深度学习算法模型优化参数之对深度学习模型的超参数采用网格搜索进行模型调优(建议收藏)
DL之模型调参:深度学习算法模型优化参数之对深度学习模型的超参数采用网格搜索进行模型调优(建议收藏) 目录神经网络的参数调优 1.神经网络的通病-各种参数随机性 2.评估模型学习能力
【智能车算法】电磁杆差比和差调参经验
差比和差前言在参加电磁循迹智能车竞赛的过程中,偶然间看到了卓晴大佬的差比和差算法,该算法能很好的实现对电磁赛道的数据整合,可惜调试时在网上找不到任何的调参资料,故在此处总结一下调参规律原理这是 ...
强化学习中的调参经验与编程技巧（on policy篇）
©PaperWeekly 原创 · 作者|张恒瑞单位|北京交通大学研究方向|强化学习在强化学习的训练过程中,常常会遇见以下问题: 在某一环境中可以 work 的超参数拿去训练别的环境却训练不出来 ...
关于神经网络的调参经验技巧和调参顺序
文章目录前言一.写在前面超参数和参数区分超参数选取尺度的考虑二.调参顺序 1.learning rate 2.batch size 3.其他参数 3.1Hidden Units(隐含层单元数 ...
PID参数解析+调参经验笔记（经验法）
在最前面推荐一个大佬的讲解,真的很浅显易懂,建议先看了解大概PID:链接 ps:2022/1/2更新pid通俗理解: out_speed = p*err+d*now_speed;//pid最核心算法 ...
调参经验: 关于deep learning（rnn、cnn）
点击上方"机器学习与生成对抗网络",关注星标获取有趣.好玩的前沿干货! https://www.zhihu.com/question/330766768 编辑:机器学习算法与知识 ...
计算机能力挑战赛是线上的吗,全国高校计算机能力挑战赛验证码识别竞赛一等奖调参经验分享...
前言:这是为验证码识别竞赛而开发的一个基于pytorch实现的端到端的验证码识别系统.前后开发大概有2个月,其中大部分时间都在调参,后期参考kaggle大神经验,加入了一些trick,但是由于第一个榜 ...

ROS导航调参经验总结（Teb算法）

ROS导航调参经验总结（Teb算法）相关推荐

最新文章

热门文章