一、动态避障概述

1.1 什么是动态避障

动态避障，说白了就是让机器人在移动过程中，躲开那些会动的东西。

你想想看，一个扫地机器人在客厅里工作。沙发是静止的，这叫静态障碍。但你家猫突然跑过来，或者小孩把玩具车踢过来——这些会移动的物体，就是动态障碍。

我做了这么多年机器人控制，最深的体会是：静态避障是几何问题，动态避障是时空问题。

为什么这么说？因为动态障碍物不仅占位置，还占时间。你得预测它下一秒在哪，然后提前规划路径。这不是简单的「看到障碍就绕开」，而是「看到障碍，算它轨迹，再决定怎么躲」。

1.2 动态避障 vs 静态避障

这两者的区别，我习惯用一个比喻来解释：

• 静态避障——就像你走在一个摆满家具的房间里。家具不动，你慢慢绕就行。
• 动态避障——就像你在早高峰的地铁站里穿行。每个人都在动，你得不断调整步伐。

具体差异，我整理了一张表：

对比维度	静态避障	动态避障
障碍物状态	位置固定不变	位置随时间变化
规划方式	一次规划，执行即可	需要反复重规划
感知要求	单帧点云/图像即可	需要连续帧+速度估计
核心难点	路径最优性	实时性与安全性
典型算法	A*、Dijkstra、RRT	DWA、TEB、MPC

嗯，这里要注意：很多初学者以为动态避障就是「跑得快一点的静态避障」。这是大错特错的。我在项目中遇到过一位同事，直接把A*的规划频率从1Hz提到10Hz，结果机器人还是撞上了行人。为什么？因为A*根本不知道行人会往哪走，它只是反复重新规划而已。

1.3 动态避障的核心挑战

做动态避障这么多年，我觉得真正的难点就三个：实时性、不确定性、环境动态变化。一个一个说。

1.3.1 实时性

机器人不能「想太久」。你想想看，一个行人朝你走来，你只有零点几秒做出反应。

我个人的经验是：动态避障的规划周期通常需要控制在50ms以内。超过100ms，基本就危险了。

但问题来了——传感器数据要处理、障碍物要检测、轨迹要预测、路径要规划、控制指令要下发。这一套流程下来，计算量非常大。

1.3.2 不确定性

这是最让人头疼的部分。

障碍物会怎么动？你不知道。传感器测到的位置准不准？你不知道。甚至机器人的自身定位都有误差。

我曾经在一个仓储机器人项目里踩过坑。激光雷达检测到一个叉车，位置误差大概10cm。我心想10cm嘛，绕一下就行。结果叉车实际速度比估计的快了20%，机器人绕到一半，叉车已经贴脸了。还好有急停，不然就撞上了。

处理不确定性，我常用的方法有：

• 概率占用地图——不是「有/没有」障碍物，而是「有障碍物的概率是多少」
• 卡尔曼滤波——融合多帧数据，平滑轨迹估计
• 保守膨胀——把障碍物半径人为扩大20%，留出安全余量

1.3.3 环境动态变化

环境不是一成不变的。行人可能突然转身、车辆可能突然加速、门可能突然打开。

你想想看，如果环境变化的速度超过了机器人的反应速度，那任何算法都救不了你。

所以这里有个关键指标：环境变化率 vs 机器人反应率。我一般要求机器人的反应速度至少是环境变化速度的3倍以上。达不到？那就降速运行。

举个具体例子。我在做服务机器人时，设定了一个规则：

# 动态避障安全策略示例
if 障碍物速度 > 机器人最大速度 * 0.7:
    机器人速度 = 机器人最大速度 * 0.5  # 降速
    重新规划周期 = 30ms  # 提高规划频率
else:
    机器人速度 = 机器人最大速度 * 0.8
    重新规划周期 = 50ms

这个规则看起来很粗糙，但实际效果很好。说白了，就是环境越乱，机器人越要「慢下来、多看看」。

知识体系总览

下面这张图，是我自己梳理的动态避障知识体系。每次带新人，我都会先让他们看这张图：

这张图把动态避障的核心脉络理清楚了。从三大挑战出发，到应对方法，再到典型算法，最后落到核心目标上。后面的章节，我们会逐一深入每个算法和实现细节。

好了，第一章就到这里。记住一句话：动态避障不是「躲」，而是「预判」。把这个观念刻在脑子里，后面的内容你会学得更轻松。

---

公众号:蓝海资料掘金营，微信deep3321