ros定点导航（ROS导航小车1 teb_local_planner参数(仅作记录/收集)）
参考以下链接
http://wiki.ros.org/teb_local_planner http://wiki.ros.org/teb_local_planner/Tutorials/Obstacle%20Avoidance%20and%20Robot%20Footprint%20Model http://wiki.ros.org/teb_local_planner/Tutorials/Configure%20and%20run%20Robot%20Navigation http://wiki.ros.org/action/fullsearch/teb_local_planner/Tutorials/Planning%20for%20car-like%20robots?action=fullsearch&context=180&value=linkto%3A%22teb_local_planner%2FTutorials%2FPlanning+for+car-like+robots%22 https://blog.csdn.net/weixin_44917390/article/details/107568507?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522166977853616782390571244%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=166977853616782390571244&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-6-107568507-null-null.142^v67^wechat_v2,201^v3^control_2,213^v2^t3_control1&utm_term=teb%20local&spm=1018.2226.3001.4187 https://blog.csdn.net/weixin_41349117/article/details/100636681?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-100636681-blog-107568507.pc_relevant_default&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-100636681-blog-107568507.pc_relevant_default&utm_relevant_index=1 https://blog.csdn.net/zz123456zzss/article/details/104692548?ops_request_misc=&request_id=&biz_id=102&utm_term=%20TebLocalPlannerROS:%20trajector&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-7-104692548.142^v67^wechat_v2,201^v3^control_2,213^v2^t3_control1&spm=1018.2226.3001.4187TEB算法简介
“TEB ”全称Time Elastic Band（时间弹性带）Local Planner ，该方法针对全局路径规划器生成的初始轨迹进行后续修正(modification) ，从而优化机器人的运动轨迹 ，属于局部路径规划 。在轨迹优化过程中 ，该算法拥有多种优化目标 ，包括但不限于：整体路径长度 、轨迹运行时间 、与障碍物的距离 、通过中间路径点以及机器人动力学 、运动学以及几何约束的符合性 。“TEB方法 ”明确考虑了运动状态下时空方面的动态约束 ，如机器人的速度和加速度是有限制的 。 ”TEB ”被表述为一个多目标优化问题 ，大多数目标都是局部的 ，只与一小部分参数相关 ，因为它们只依赖于几个连续的机器人状态 。这种局部结构产生了一个稀疏的系统矩阵 ，使得它可以使用快速高效的优化技术 ，例如使用开源框架“g2o ”来解决“TEB ”问题 。详细理解参考qqfly文章qqfly
TEB规划器的性能问题的总结参考 关闭多路径并行规划（效果非常显著） 使用Costmap Converter （非常显著） 降低迭代次数（no_inner/outer_iterations） （显著） 降低 max_lookahead_distance （一般） 减小局部耗费地图的大小 （显著） 增大规划周期和控制周期 （影响效果） 使用单点footprint ，配合最小障碍物距离约束 （不太显著且影响效果）参数解析
ros中wiki有详细解释
http://wiki.ros.org/teb_local_planner#Parameters
也可参考参数
teb参数配置文件 TebLocalPlannerROS: odom_topic: odom map_frame: odom # Trajectory teb_autosize: True dt_ref: 0.45 dt_hysteresis: 0.1 global_plan_overwrite_orientation: True max_global_plan_lookahead_dist: 3.0 feasibility_check_no_poses: 3 # Robot max_vel_x: 0.5 max_vel_y: 0.5 # max_vel_x: 0.7 max_vel_x_backwards: 0.2 max_vel_theta: 0.4 # max_vel_theta: 1.5 acc_lim_x: 1 acc_lim_y: 1 #0.25 acc_lim_theta: 0.80 min_turning_radius: 0.0 footprint_model: # types: "point", "circular", "two_circles", "line", "polygon" #radius: 0.12 # for type "circular" type: "polygon" vertices: [[-0.18, -0.11], [-0.18, 0.11], [0.18, 0.11], [0.18, -0.11]] # GoalTolerance xy_goal_tolerance: 0.2 yaw_goal_tolerance: 0.5 free_goal_vel: False # cmd_angle_instead_rotvel: True # Obstacles min_obstacle_dist: 0.25 inflation_dist: 0.6 include_costmap_obstacles: True costmap_obstacles_behind_robot_dist: 1.0 obstacle_poses_affected: 7 costmap_converter_plugin: "" costmap_converter_spin_thread: True costmap_converter_rate: 5 # Optimization no_inner_iterations: 5 no_outer_iterations: 4 optimization_activate: True optimization_verbose: False penalty_epsilon: 0.1 weight_max_vel_x: 1 weight_max_vel_y: 1 weight_max_vel_theta: 1 weight_acc_lim_x: 1 weight_acc_lim_y: 1 weight_acc_lim_theta: 1 weight_kinematics_nh: 1 weight_kinematics_forward_drive: 1000 weight_kinematics_turning_radius: 1 weight_optimaltime: 1 weight_obstacle: 50 weight_dynamic_obstacle: 10 # not in use yet selection_alternative_time_cost: False # not in use yet # Homotopy Class Planner enable_homotopy_class_planning: False enable_multithreading: True simple_exploration: False max_number_classes: 4 roadmap_graph_no_samples: 15 roadmap_graph_area_width: 5 h_signature_prescaler: 0.5 h_signature_threshold: 0.1 obstacle_keypoint_offset: 0.1 obstacle_heading_threshold: 0.45 visualize_hc_graph: False # Recovery shrink_horizon_backup: True shrink_horizon_min_duration: 10 oscillation_recovery: False oscillation_v_eps: 0.1 oscillation_omega_eps: 0.1 oscillation_recovery_min_duration: 10 oscillation_filter_duration: 10Trajectory 参数调整轨迹
参考链接
dt_ref 局部路径规划的解析度（默认0.3） dt_hysteresis 允许改变的时域解析度的浮动范围 ， 一般为 dt_ref 的 10% 左右（默认0.1）dt_ref和dt_hysteresis 最优路径上的两个相邻姿态（即位置 、速度 、航向信息 ，可通过TEB可视化在rivz中看到）的默认距离
此距离不固定 ，规划器自动根据速度大小调整这一距离 ，速度越大 ，相邻距离自然越大 。笔者认为 ，将dt_ref设置为与车辆长度大致是可行的 。较小的值理论上可提供更高精度 ，但笔者并未进行验证 。对于一般的模型车而言 ，不需要改变默认配置 。当相邻姿态距离和dt_ref的差超过正负dt_hysteresis时 ，规划器将改变这一距离 。 global_plan_overwrite_orientation 覆盖全局路径中局部路径点的朝向 ，有些全局规划者在开始和全局目标之间没有考虑局部子目标的方向 ，因此自动确定覆盖全局路径的方向是预留给3D路径规划使用的 。对于车辆的2D规划 ，可以设置为False ，可实现对全局路径的更好跟踪
max_global_plan_lookahead_dist 考虑优化的全局计划子集的最大长度（累积欧几里得距离）（如果为0或负数：禁用；长度也受本地Costmap大小的限制） ，默认3.0该参数决定局部规划初始轨迹的最大长度 ，实际调试发现此参数无需过大 ，因为局部轨迹在每个控制周期都被更新 ，实际执行的指令仅是轨迹上第一个点的速度值 ，这里设置为1.5（默认3.0）即可 ，过长也可能导致优化结果无法有效收敛 。
此距离1.应随车辆最大速度的增大而增大 2.不应超过激光雷达等传感器的可靠测量范围 3. 不应超过局部耗费地图的大小 ，即不能要求TEB对局部耗费地图以外的部分进行规划 。 feasibility_check_no_poses 检测位姿可到达的时间间隔在判断生成的轨迹是否冲突时使用 ，此时设置为3 ，即从轨迹起点开始逐个检查轨迹上的3个点 ，若3个点均不发生碰撞 ，则认为本次轨迹有效 ，由于teb优化并非硬约束 ，这里相当于是轨迹生成之后的一层保障 ，这个参数因根据机器人的速度和环境复杂程度调整 ，否则极有可能出现在狭窄环境中走走停停的情况 。
在 optimizer 返回一个轨迹后 ，并将速度指令发送给机器人之前 ，会运行一个可行性检查 。目的是判定optimizer产生的无效/不可行的轨迹（软约束 ） 。
现在 ，算法迭代从当前机器人pose开始的前 n 个 poses（n = ~/feasibility_check_no_poses） ，检查这些poses有无碰撞 。为了检测碰撞的发生 ，使用了costmap footprint 。 所以 ，该验证模型可能比之前优化的footprint更加复杂 。
~/feasibility_check_no_poses不能太大 ，因为optimizer可能不会完全收敛：形象地说 ，small obstacle violations in the (far) future could be corrected while the robot is moving towards the goal 。
这个参数根据机器人的速度和环境复杂程度调整 ，否则极有可能出现在狭窄环境中走走停停的情况 ，甚至可以减小到1或0
robot 参数根据实际配置机器人
ROS下的导航中local planner多数都针对两轮差速结构设计的 ，阿克曼转向结构由于结构的特点会有最小转向半径的限制 ，所以常见的local planner例如base_local_planner ，dwa_local_planner等在这里都不适用里 ，这里使用的是teb_local_planner
它提供了一种car-like的动力学模型（即有最小转向半径限制） ，这样他所规划的路径也就符合了阿克曼结构的运动特点了 min_turning_radius 最小转弯半径（麦轮设为0）为避免规划出不可能实现的移动路径 ，请动手测量实际车辆的转弯半径 。此参数事实上约束了舵机的最大转角 。有些车辆转向性能不佳 ，前轮实际转过角度小于舵机角度 ，则应当给指令转角乘上一增益后再控制舵机 ，否则车辆将总是不能实现设置的最小转弯半径 。请注意此项应当与最大角速度配合设置
max_vel_x acc_lim_x x轴方向速度与加速度约束 max_vel_y acc_lim_y y轴方向速度与加速度约束注意加速度同样约束减速过程 。若电机性能良好且速度不快可以立即刹车 ，可直接将acc_lim_x设置为0 ，表示没有约束 。若电机不能承受阶跃输入或者响应时间很长 ，则应当设置加速度限制
max_vel_x_backwards 最大倒车速度将此速度设置为0或者负数将导致错误 。禁止倒车应在penalty部分将前向行驶的权重设置得极高 。
max_vel_theta acc_lim_theta 角速度和角加速度约束正确配置下最小转弯半径应在低速时生效 ，而角速度限制应作用在车辆高速行驶时 。角速度约束可以防止高重心转弯过快翻车 ，角加速度限制可以避免车轮打滑 ，车辆失控 。对于低速平稳运行的车辆可以不约束此两项 ，将二者设为一个足够大的值即可 。
footprint_model: # types: "point", "circular", "line", "two_circles", "polygon机器人的 footprint 模型是为了达到优化目的而近似机器人的2D轮廓 。它对计算距离的复杂度和时间至关重要 ，因此机器人 footprint 模型单独构建了一个参数 ，而没有直接调用 common costmap_2d 参数中的 footprint 。优化 footprint 模型可能与costmap footprint 模型不同
1.Point
机器人被建模为一个点 ，这种类型所需的计算时间最少 。
2.Circular
机器人被建模为一个简单的圆 ，半径为/footprint_model/radius 。计算距离和Point类型相似 ，不同点是每次调用函数时机器人半径会被加入到参数min_obstacle_dist 。可以通过选择Point类型 ，然后将半径加到最小障碍物距离来替换
3. Line
适用于长方形机器人 ，可以通过参数/footprint_model/line_start和/footprint_model/line_end来配置线段 。机器人（旋转轴）被定在[0, 0]点 ，确保通过参数min_obstacle_dist来包含整个机器人（如下图）：
4.Two Circles
还可以通过两个圆来近似机器人轮廓 。每个圆由机器人x轴的偏移量和半径来描述 。/footprint_model/front_offset ， /footprint_model/front_radius ， /footprint_model/rear_offset ， /footprint_model/rear_radius 。Offsets 可能为负值 。
5. Polygon
可以用多边形表示复杂模型 ，多边形由定点的列表组成 。假设机器人旋转轴位于[0,0]（单位：米） 。 请勿重复第一个顶点 ，因为多边形会自动闭合 。
请记住 ，每个额外的边缘都会显着增加所需的计算时间！ 您可以从costmap公共参数文件中复制多边形 footprint 模型GoalTolerance 参数设置机器人停止运行的容差
xy_goal_tolerance和yaw_goal_tolerance 目标跟踪误差根据车辆运行精度设置 。例如 ，笔者使用一台攀爬RC车构建导航系统 ，这种车辆转向间隙特性很大 ，则不应设置严格的航向限制
free_goal_vel 自由目标速度设为False时 ，车辆到达终点时的目标速度为0 。我们已经指出 ，TEB是时间最优规划器 。缺少目标速度约束将导致车辆“全速冲线 ” ，即使前方有一堵墙也是如此（因为撞墙的时刻不在规划器考虑范围内了） 。不过此选项在竞速比赛中比较有用
Obstacles 参数用于对环境中障碍物的处理方式 ，体现在轨迹优化阶段
costmap_converter_plugin 是否使用costmap_converter插件 若设置为空字符 ，则视为禁用转换原始costmap中障碍物全部以“点 ”来表示 ，计算机器人到障碍物的距离实际需要计算机器人到每一个“障碍物点 ”的距离 ，当环境非常复杂时计算代价会非常大 。costmap_converter插件的作用是将障碍物预先表示成线段或多边形的形式 ，可以在一定程度上减轻后续计算距离的压力 ，具体介绍可见ROS wiki页面：http://wiki.ros.org/costmap_converter或中文介绍https://www.ncnynl.com/archives/201809/2604.html 。但同时这种预处理的方法也会耗费资源 ，需要根据实际环境的情况来判断是否启用 。如果使用的话"costmap_converter::CostmapToPolygonsDBSMCCH"是一个较为精确的方法 ，它将环境转换为非凸多边形；在将障碍物距离加入g2o优化框架中（障碍物距离是目标函数之一 ，描述为超图的边）
TEB默认情况下不使用Costmap Converter 。事实上 ，此插件可以在复杂场景下极大提高运算效率 ，尤其是处理激光雷达分散的测量数据时 。因为将障碍物视为系列孤立点效率极低 include_costmap_obstacles 必须设置为True后才能规避实时探测到的 、建图时不存在的障碍物 。 min_obstacle_dist 最小障碍物距离若设置了车辆的轮廓 ，则不建议使用此参数 。使用车辆轮廓配置footprint_model配合膨胀距离即可实现较好效果 。障碍物惩罚权重很高 ，TEB不会违背这一最小距离约束 ，因此会把可以通过的缝隙视作不能通过 ，并终止运行 。请注意 ，此处设置的机器人轮廓必须与局部耗费地图中的一致 。
增大min_obstacle_dist可以防止机器人离墙太近 ，但是对于狭窄通道的情况 ，反而应该设置的很小 。 可以增大机器人轮廓 ，但减小min_obs_dist ，提高防撞性 ，又保证过窄通道 min_obstacle_dist ”参数限制机器人与障碍物的最小距离 ，实际还配合“obstacle_association_force_inclusion_factor ”和“obstacle_association_cutoff_factor ”这两个参数生效参考*TebOptimalPlanner::AddEdgesObstacles()*函数中的如下代码： // iterate obstacles ，obst变量只存储障碍物形式的一个单元 ，例如一个点 ，一条线 ，所以这里是迭代环境中的所有障碍物单元 for (const ObstaclePtr &obst : *obstacles_) { // we handle dynamic obstacles differently below if (cfg_->obstacles.include_dynamic_obstacles && obst->isDynamic()) continue; // calculate distance to robot model //! 根据不同的机器人模型（点 ，圆 ，多边形等） ，不同的障碍物模型（点 ，线 ，多边形） ，有不同的距离计算方法 double dist = robot_model_->calculateDistance(teb_.Pose(i), obst.get()); // force considering obstacle if really close to the current pose if (dist < cfg_->obstacles.min_obstacle_dist * cfg_->obstacles.obstacle_association_force_inclusion_factor) { relevant_obstacles.push_back(obst.get()); continue; } // cut-off distance if (dist > cfg_->obstacles.min_obstacle_dist * cfg_->obstacles.obstacle_association_cutoff_factor) continue; // determine side (left or right) and assign obstacle if closer than the previous one if (cross2d(pose_orient, obst->getCentroid()) > 0) // left { if (dist < left_min_dist) { left_min_dist = dist; left_obstacle = obst.get(); } } else { if (dist < right_min_dist) { right_min_dist = dist; right_obstacle = obst.get(); } } }距离小于min_obstacle_dist * obstacle_association_force_inclusion_factor值的“障碍物点 ” ，被强制加入优化框架中 ，距离大于min_obstacle_dist * obstacle_association_cutoff_factor的“障碍物点 ”被直接抛弃不再考虑 ，然后在剩余的障碍物点中计算机器人左侧最小距离和右侧最小距离 。这三个参数的设置非常重要 ，需要根据机器人的外形尺寸小心调整 ，否则极易出现狭窄空间机器人无法通过或优化不收敛的情况 。
inflation_dist 障碍物膨胀距离默认0.0 障碍物膨胀距离 。这个值必须大于min_obstacle_dist才有效 。源码在AddEdgesObstacles. 此膨胀只是降低通过这些区域的优先级 ，不应当用此距离迫使车辆远离障碍物 。障碍物周边的缓冲区 ，零惩罚代价 ，缓冲区会导致规划器减速
costmap_obstacles_behind_robot_dist double 限制在机器人后面规划时考虑到的占用的本地成本图障碍(指定距离 ，单位为米) obstacle_poses_affected int 障碍物位置与轨迹上最接近的姿态相连 ，以减少计算量 ，但同时也考虑了许多相邻的障碍物Optimization 参数主要是设置优化框架中各部分的权重大小参考链接
no_inner_iterations int 被外循环调用后内循环执行优化次数 1 5 100 no_outer_iterations int 执行的外循环的优化次数 1 4 100 optimization_activate bool 激活优化 False True True optimization_verbose bool 打印优化过程详情 False False True penalty_epsilon double 对于硬约束近似 ，在惩罚函数中添加安全范围 0.0 0.1 1.0 weight_max_vel_x double 最大x速度权重 0.0 2.0 1000.0 weight_max_vel_y double 最大y速度权重 0.0 2.0 1000.0 weight_max_vel_theta double 最大加速度权重 0.0 1.0 1000.0 weight_acc_lim_x double 最大x 加速度权重 0.0 1.0 1000.0 weight_acc_lim_y double 最大y 加速度权重 0.0 1.0 1000.0 weight_acc_lim_theta double 最大角速度权重 0.0 1.0 1000.0 weight_kinematics_nh double 满足非完整运动学的优化权值 0.0 1000.0 10000.0 weight_kinematics_forward_drive double 优化过程中 ，迫使机器人只选择前进方向 ，差速轮适用 0.0 1.0 1000.0 weight_kinematics_turning_radius double 优化过程中 ，车型机器人的最小转弯半径的权重 0.0 1.0 1000.0 weight_optimaltime double 优化过程中 ，基于轨迹的时间上的权重 0.0 1.0 1000.0 weight_obstacle double 优化过程中 ，和障碍物最小距离的权重 0.0 50.0 1000.0 no_inner_iterations: 5 图优化optimizer的迭代次数 no_outer_iterations: 4 每次外部循环迭代都会根据所需的时间分辨率dt_ref自动调整轨迹的大小 ，并调用内部优化器 penalty_epsilon 0.1 一次性改变所有的惩罚项 ，为惩罚函数增加一个小的安全余量 ，以实现硬约束近似. 例如为速度的约束提供一个缓冲的效果 ，在到达速度限制前会产生一定的惩罚 ，让其提前减速达到缓冲的效果如果选择过高的值 ，会影响最终的信息矩阵 ，可能会出现不收敛的情况
weight_obstacle 默认值：50.0. 优化权重以保持与障碍物的最小距离 。可以增大至几百 ，让机器人提前转向 ，避免卡死 obstacle_cost_exponent 无默认值 ，目前设置为0.65. 源码在EdgeObstacle::computeError和EdgeInflatedObstacle::computeError ，判断是否为1 ，同时min_obstacle_dist > 0才有效 。用于更新g2o的误差函数 weight_kinematics_nh 默认值：1000. 用于满足非完整运动学的优化权重. 该参数必须很高 ，因为运动学方程构成了一个等式约束 ，即使值1000也不意味着由于与其他成本相比较小的“原始 ”成本值而导致的矩阵条件不佳weight_kinematics_nh ”参数应设置较小值 ，因为我们是完整约束机器人无需限制其运动学约束 。
weight_kinematics_forward_drive 默认值：1 ，改为1000 。迫使机器人仅选择前进方向 (正向速度) 。较小的权重 ，仍然会允许向后行驶 。我们无法限制优化器的搜索空间为正的速度 ，因为优化器不支持硬约束 ，只能大幅提高weight_kinematics_forward_drive以避免后退速度 ，但是值太大又会减小收敛速度 。不管权重多高 ，无法规划出前进的路径时 ，还是可能出现停滞或者倒车 。
weight_optimaltime 最优时间权重提高至5时 ，车辆在直道上线速度明显加快 ，而且越大越能接近max_vel_x ，并靠近路径边缘沿切线过弯 。 Optimization weight for contracting the trajectory w.r.t transition time
weight_inflation 默认0.1 ， Optimization weight for the inflation penalty ，应当很小 ，源码在AddEdgesObstacles的信息矩阵里Homotopy Class Planner 参数与HomotopyClass规划器相关 并行规划
此功能将严重影响规划器性能 。当路径中存在大量不连续分布的障碍物（如锥桶）并产生大量可行路径时 ，此功能有良好的效果 。相反 ，若在单一路径上运行 ，则没有必要时用此功能 。
当enable_homotopy_class_planning = False ，规划的局部路径会陷入局部最小值 。因为路径向上面障碍物或下面障碍物偏 ，总体的代价值都会增加（时间成本） ，只有往中间走总体代价值才最低 。但此时路径invalid ，中间缺少路径点 ，此时机器人卡死了 。
设置True ，teb会同时搜寻多条路径并选取一条更可行的 ，feasibility check环节会抛弃不可行的路径enable_multithreading (bool ，默认：true) 激活多个线程以计划不同线程中的每个轨迹
max_number_classes (int ，默认值：4 ，设置为2) 指定要考虑的最大不同轨迹数(限制计算工作量) ，影响CPU
selection_cost_hysteresis (double ，默认值：1.0) 指定新候选人必须具有多少轨迹成本才能选择之前的轨迹 (如果new_cost < old_cost * factor ，则进行选择
selection_prefer_initial_plan 默认0.95 Specify a cost reduction in the interval (0,1) for the trajectory in the equivalence class of the initial plan
selection_obst_cost_scale (double ，默认值：100.0) 仅选择“最佳 ”候选者的障碍物成本术语的额外缩放
selection_viapoint_cost_scale (double ，默认值：1.0) 仅为了选择“最佳 ”候选者而对通孔成本条款进行额外的缩放
selection_alternative_time_cost (bool ，默认值：false) 如果为true ，则将时间成本 (时间差平方的总和) 替换为总过渡时间 (时间差之和)
simple_exploration 默认false. 如果为true ，不同的 trajectories are explored using a simple left-right approach (pass each obstacle on the left or right side) for path generation, otherwise sample possible roadmaps randomly in a specified region between start and goal.
roadmap_graph_no_samples (int ，默认值：15) 指定为创建roadmap graph而生成的样本数 ，前提是simple_exploration为false
roadmap_graph_area_width (double ，默认值：6) 在起点和目标之间的矩形区域中采样随机关键点/航路点 。以米为单位指定该区域的宽度
delete_detours_backwards 默认true. planner will discard the plans detouring backwards with respect to the best plan
h_signature_prescaler (double ，默认值：1.0) 标度内部参数 (H-signature) ，用于区分同伦类 。警告：仅当您在本地成本图中观察到障碍物过多的问题时 ，才减小此参数 ，请勿将其选得太低 ，否则障碍物无法彼此区分 (0.2 <值 <= 1)
h_signature_threshold (double ，默认值：0.1) 如果实部和复杂部的差都低于指定的阈值 ，则假定两个H签名相等
obstacle_heading_threshold (double ，默认值：1.0) 在障碍物航向和目标航向之间指定标量乘积的值 ，以便将障碍物)考虑在内进行探索
visualize_hc_graph (bool ，默认：false) 如果为true ，在rviz里可看到优化使用的graph
viapoints_all_candidates (bool ，默认：true) 如果为true ，则将不同拓扑的所有轨迹附加到该组通孔点 ，否则 ，仅将与初始/全局计划共享相同拓扑的轨迹与它们连接 (对test_optim_node无效)
switching_blocking_period (double ，默认值：0.0) 指定允许切换到新的等效类之前需要终止的持续时间 (以秒为单位)
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！