1. 从一次机器人“卡墙”事故说起：DWA到底在解决什么问题

如果你玩过移动机器人，大概率经历过这样的场景：机器人在走廊里跑得好好的，一拐弯就贴着墙皮蹭，要么原地打转半天出不去，要么直接怼上去不动了。我第一次调导航参数的时候，机器人在一个L型墙角来回震荡了将近两分钟，最后干脆罢工。当时排查了半天硬件和里程计，最后发现问题出在局部路径规划器上——也就是今天要聊的主角，DWA算法。

DWA，全称Dynamic Window Approach，中文一般叫动态窗口法。它是ROS Navigation功能包里默认的局部路径规划器base_local_planner和后来更常用的dwa_local_planner的核心算法。简单说，它的任务就是：在全局路径已经规划好的前提下，根据机器人当前的位姿、速度、周围障碍物分布，实时算出一组“下一小段时间内该怎么走”的速度指令（线速度v和角速度ω），让机器人既能朝着目标前进，又能躲开突然出现的障碍物。

这个内容适合谁看？如果你正在做移动机器人导航开发，被局部路径震荡、贴墙、避障不及时这些问题折磨过，或者你刚接触ROS Navigation想搞清楚dwa_local_planner那一堆参数到底在调什么，那这篇内容就是给你准备的。我会从算法原理讲到参数含义，再到实际调试中踩过的坑，尽量把“为什么这么设计”讲透，而不是只丢一堆公式。

需要提前说明的是，DWA不是万能的。它在差速驱动机器人上表现最好，对全向机器人、阿克曼转向的车来说需要做适配。而且它对参数非常敏感，同一套参数换个场地可能就废了。所以理解它的搜索逻辑和评价函数，比死记参数值重要得多。

2. DWA算法的核心思路拆解：为什么是“动态窗口”而不是全局搜索

2.1 速度空间采样：把连续问题变成离散网格

机器人下一时刻能取的速度是连续的，理论上无穷多组(v, ω)。DWA的做法是在速度空间里做离散采样，把(v, ω)组合成一个二维网格，每个格子代表一组候选速度。比如线速度从0到0.5 m/s，步长0.05；角速度从-1.0到1.0 rad/s，步长0.1，那就有11×21=231组候选。

为什么用采样而不是直接求解析解？因为机器人的运动学约束、障碍物约束、动力学约束混在一起，评价函数是非凸的，解析解很难求。采样虽然粗糙，但胜在实时性好，而且配合评价函数能快速筛出可用的解。这也是DWA能在嵌入式平台上跑起来的原因。

采样密度是个权衡：太密计算量大，太稀可能漏掉可行解。我一般先用默认步长跑，如果发现机器人动作很“跳”，再适当加密。但加密带来的计算量增长是平方级的，要盯着CPU占用。

2.2 动态窗口：用加速度约束砍掉不现实的速度

光有采样还不够。机器人有电机功率限制，不能瞬间从0加速到最大速度。DWA引入了一个关键概念——动态窗口。它根据当前速度和最大加减速度，算出下一时刻实际能达到的速度范围：

• 线速度窗口：[v_curr - a_max*dt, v_curr + a_max*dt]
• 角速度窗口：[ω_curr - α_max*dt, ω_curr + α_max*dt]

这个窗口和全局速度限制取交集，才是真正参与评价的候选速度。这一步非常关键，它保证了规划出来的速度是机器人物理上能执行的，而不是纸上谈兵。

我见过有人把acc_lim_x设得特别大，结果机器人规划出的速度指令电机根本跟不上，实际运动轨迹和规划轨迹偏差很大，表现为“规划很美好，执行很拉胯”。所以加速度参数一定要按实际电机能力填，宁可保守一点。

2.3 前向模拟：预测每条轨迹会不会撞

对每个候选速度，DWA会做前向模拟（forward simulation）：假设机器人以这个速度匀速运动一小段时间（sim_time），推算出这段轨迹上机器人的位姿序列。然后检查这条轨迹上有没有点落在障碍物里，或者离障碍物太近。

前向模拟的精度取决于sim_granularity（模拟步长）和sim_time（模拟时长）。sim_time太短，机器人“目光短浅”，容易冲进死胡同；太长，计算量增加，而且远期的预测本来就不准。默认1.7秒左右是个经验值，走廊环境可以适当加大到2.0~2.5秒，狭窄空间反而要减小，避免模拟轨迹被墙挡住导致无解。

2.4 评价函数：给每条轨迹打分，选最优

通过障碍物检查的轨迹，还要用评价函数打分。DWA的经典评价函数包含几项：

每项乘以一个权重，加起来就是总分。权重怎么调，直接决定了机器人的“性格”：方位角权重大，机器人更执着于朝目标；障碍物权重大，机器人更胆小，离障碍远远的；速度权重大，机器人更激进。

这里有个容易忽略的点：评价函数各项需要归一化。因为方位角是弧度，距离是米，速度是米每秒，量纲不同，直接相加没有意义。ROS里的实现会对每项做归一化处理，但如果你自己改算法，忘了归一化，调参就会变成玄学。

3. 核心参数逐条拆解：每个数字背后在控制什么

3.1 速度与加速度限制：机器人的“体能”边界

这部分参数决定了机器人能跑多快、加速多猛：

• max_vel_x/min_vel_x：前进最大/最小线速度。min_vel_x如果设成负数，机器人可以倒着走，但一般设0或很小的正数，避免频繁倒车。
• max_vel_theta：最大角速度。这个值太大会导致机器人转向过冲，太小则转不动。
• acc_lim_x/acc_lim_theta：线加速度和角加速度上限。这两个值必须和实际电机匹配，填大了规划不可执行，填小了机器人反应迟钝。

我一般会先实测电机的实际最大加速度，然后打个八折填进去，留点余量。因为电池电压下降、地面摩擦变化都会影响实际加速能力。

3.2 前向模拟参数：规划器的“预判能力”

• sim_time：前向模拟时长。前面说过，走廊可以大一点，狭窄空间小一点。
• sim_granularity：模拟步长。默认0.025米，越小越精细但越慢。
• vx_samples/vtheta_samples：速度采样数量。默认20和40，一般够用。如果机器人动作很粗糙，可以适当增加，但要注意CPU。

有个经验：sim_time和sim_granularity的比值决定了模拟的点数。比如1.7/0.025=68个点。如果这个点数太多，单次规划耗时会明显上升。在低算力平台上，可以适当增大sim_granularity来降负载。

3.3 轨迹评分参数：机器人的“性格”调节

• path_distance_bias：路径贴合权重。调大，机器人更贴着全局路径走；调小，机器人更自由地绕障。
• goal_distance_bias：目标朝向权重。调大，机器人更急着朝目标；调小，机器人更愿意绕路。
• occdist_scale：障碍物距离权重。调大，机器人更怕撞；调小，机器人更敢钻。

这三个权重的比例关系比绝对值更重要。我通常先固定occdist_scale，调path_distance_bias和goal_distance_bias的比例。如果机器人老是贴着全局路径撞障碍，说明occdist_scale太小；如果机器人老是绕大圈不走路，说明path_distance_bias太小。

3.4 障碍物与代价地图参数

• footprint：机器人轮廓，用于碰撞检测。这个一定要填准，填小了会撞，填大了过不去窄门。
• inflation_radius：代价地图膨胀半径。一般设为机器人内切圆半径加上一点安全余量。
• cost_scaling_factor：膨胀代价衰减系数。调大，障碍物影响范围小；调小，影响范围大。

膨胀半径和occdist_scale是联动的。膨胀半径大，障碍物附近的代价高，机器人自然远离；如果膨胀半径小，就得靠occdist_scale来补。

4. 实操调试：从零跑通DWA并调出稳定效果

4.1 环境与配置准备

假设你已经装好了ROS和Navigation包，机器人能发布里程计和激光数据。先确认move_base的local_planner设置为dwa_local_planner：

<param name="base_local_planner" value="dwa_local_planner/DWAPlannerROS" />

然后把DWA的参数文件加载进来。我习惯单独建一个dwa_params.yaml，方便版本管理。

4.2 参数初始化：一套保守的起步配置

下面是我在差速机器人上常用的一套起步参数，场地是室内走廊，机器人最大速度0.5 m/s：

DWAPlannerROS: max_vel_x: 0.5 min_vel_x: 0.0 max_vel_theta: 1.0 min_vel_theta: -1.0 acc_lim_x: 0.5 acc_lim_theta: 1.0 sim_time: 1.7 sim_granularity: 0.025 vx_samples: 20 vtheta_samples: 40 path_distance_bias: 32.0 goal_distance_bias: 24.0 occdist_scale: 0.02 xy_goal_tolerance: 0.1 yaw_goal_tolerance: 0.1

这套参数的特点是偏保守：速度不高，加速度不大，障碍物权重适中。先用它跑通，确认机器人能正常导航，再逐步调优。

4.3 分步调试流程

第一步，只调速度相关。把path_distance_bias和goal_distance_bias设成差不多，occdist_scale设小一点，让机器人先能跑起来。观察机器人是不是能朝着目标走，速度是不是平滑。

第二步，调避障。在机器人路径上放个箱子，看它能不能绕开。如果撞上去，加大occdist_scale或inflation_radius；如果绕得太远，减小这两个值。

第三步，调路径贴合。让机器人沿着一条弯曲的全局路径走，观察它是不是贴着路径。如果偏离太多，加大path_distance_bias。

第四步，调终点精度。看机器人到终点后能不能停准。如果来回震荡，加大xy_goal_tolerance和yaw_goal_tolerance，或者减小max_vel_theta。

每一步只调一个维度，调完记录效果。我一般会用一个表格记录每次参数变化和对应的现象，方便回溯。

4.4 实测记录：一次典型的调参过程

有一次在一个窄走廊场景，机器人老是贴着墙走，偶尔蹭墙。排查发现inflation_radius设成了0.3米，但走廊宽度只有1.2米，膨胀后可行区域很窄，DWA为了找可行解只能贴着墙。

把inflation_radius降到0.2米，同时把occdist_scale从0.02提到0.05，机器人就走在走廊中间了。但新的问题来了：过门的时候机器人犹豫，因为门框附近的代价高，DWA觉得过不去。最后把cost_scaling_factor从10降到5，让代价衰减慢一点，门附近的代价没那么吓人，机器人就敢过了。

这个过程说明一个事：DWA参数不是孤立的，改一个往往要联动改另一个。而且不同场景需要不同参数，如果场地变化大，可以考虑用多套参数切换，或者上TEB之类的替代方案。

5. 常见问题与排查技巧实录

5.1 机器人原地打转或震荡

这是最常见的问题。原因通常有几个：

• path_distance_bias和goal_distance_bias比例失衡，机器人一会儿想贴路径一会儿想朝目标，来回纠结。
• max_vel_theta太大，机器人转向过冲，转过头了又往回转。
• sim_time太短，机器人看不到远处的可行方向。

排查顺序：先减小max_vel_theta，看震荡是否减轻；再调两个bias的比例，让它们接近；最后适当加大sim_time。

5.2 机器人贴墙或蹭障碍物

• inflation_radius太小，障碍物代价范围不够。
• occdist_scale太小，机器人不在乎离障碍多近。
• footprint填小了，实际机器人比模型大。

我一般会把footprint按实际尺寸加2厘米余量填，然后inflation_radius至少等于机器人内切圆半径。

5.3 机器人到终点停不准

• xy_goal_tolerance和yaw_goal_tolerance太小，机器人反复微调。
• min_vel_x为0导致机器人无法微调前进。
• max_vel_theta太大，终点附近转向过冲。

可以适当放宽容差，或者给min_vel_x一个很小的正值（比如0.02），让机器人能小步挪动。

5.4 规划频率跟不上导致卡顿

DWA单次规划耗时和采样数、模拟点数成正比。如果CPU占用高，可以：

• 减小vx_samples和vtheta_samples。
• 增大sim_granularity。
• 减小sim_time。
• 降低controller_frequency（但别低于5Hz，否则控制不连续）。

5.5 常见问题速查表

6. 个人实操心得与后续扩展方向

调DWA这几年，最大的体会是：别把它当黑盒，要把它当一个有性格的司机。你给它的参数，就是它的驾驶习惯。你希望它激进还是保守，贴着路径走还是自由绕障，都体现在那几个权重里。

另一个心得是，仿真里调好的参数，到实车上一定要重调。仿真没有轮子打滑、没有激光噪声、没有电机延迟，实车环境复杂得多。我一般会在仿真里调个大概，然后实车上花同样甚至更多时间微调。

如果DWA实在满足不了需求，可以考虑几个方向：一是换TEB（Timed Elastic Band），它在狭窄空间和动态障碍物上表现更好；二是自己改评价函数，加入任务相关的约束；三是用MPC（模型预测控制）替代，但计算量会大不少。

最后分享一个小技巧：调参的时候打开RViz，把DWA的候选轨迹可视化出来（publish_traj_pc设为true），你能直观看到哪些轨迹被选中、哪些被否决，比盯着数字调快得多。这个可视化是我早期调参时最大的帮手，强烈建议你试试。