共计 1650 个字符，预计需要花费 5 分钟才能阅读完成。

背景与痛点

自动驾驶系统的避障能力直接影响行车安全。在复杂城市道路中，避障模块需要处理静态障碍物（如路障、停放的车辆）和动态障碍物（如行人、其他车辆）。Autoware.universe 作为开源自动驾驶框架，其避障模块的性能高度依赖参数配置。然而，开发者常面临以下挑战：

• 参数间耦合性强，单一参数调整可能引发连锁反应
• 缺乏针对不同场景（如高速 / 低速、城区 / 园区）的调优指导
• 实车测试成本高，难以快速验证参数效果

核心参数解析

costmap 配置

costmap 是避障算法的核心数据结构，用于表示环境中的障碍物信息。关键参数包括：

1. inflation_radius（膨胀半径）：
2. 控制障碍物在 costmap 中的扩展范围
3. 值过小会导致路径过于靠近障碍物

4. 值过大会导致可用路径空间减少

5. cost_scaling_factor（代价缩放因子）：

6. 影响障碍物周围代价的衰减梯度

7. 推荐值范围：5.0-10.0

8. lethal_cost_threshold（致命代价阈值）：

9. 定义碰撞风险的临界值
10. 默认值通常设为 253（最大值 254）

动态障碍物处理

1. prediction_time_horizon（预测时间范围）：
2. 动态障碍物的预测时长（秒）

3. 城区场景建议 1.5-3.0 秒

4. min_obstacle_velocity（最小障碍物速度）：

5. 低于此速度的物体视为静态
6. 典型值 0.1-0.5m/s

调优方法

仿真测试流程

1. 在 LGSVL 或 CARLA 中搭建测试场景
2. 通过 ros2 param set 动态修改参数
3. 使用 rviz 观察 costmap 变化
4. 记录路径规划结果与计算耗时

实车验证步骤

1. 在封闭场地设置锥桶障碍
2. 从低速（5km/h）开始测试
3. 逐步提高速度并观察避障行为
4. 使用 ros2 bag 记录传感器数据用于回放分析

代码示例

# 动态调整 costmap 参数的示例代码
def update_costmap_params(node):
    # 设置膨胀半径（单位：米）node.set_parameters([
        rclpy.parameter.Parameter(
            'inflation_radius',
            rclpy.parameter.ParameterType.DOUBLE,
            0.5
        )
    ])

    # 设置代价缩放因子
    node.set_parameters([
        rclpy.parameter.Parameter(
            'cost_scaling_factor',
            rclpy.parameter.ParameterType.DOUBLE,
            8.0
        )
    ])

    # 设置动态障碍物预测时间
    node.set_parameters([
        rclpy.parameter.Parameter(
            'prediction_time_horizon',
            rclpy.parameter.ParameterType.DOUBLE,
            2.0
        )
    ])

性能与安全考量

计算资源消耗

• 减小 costmap 分辨率可降低计算负载，但会损失精度
• 动态障碍物预测时长每增加 1 秒，计算量增长约 30%

安全边际设计

1. 低速场景（<20km/h）：
2. 膨胀半径建议 0.3-0.5 米

3. 可使用较高 costmap 分辨率（0.05-0.1m）

4. 高速场景（>50km/h）：

5. 膨胀半径需 1.0 米以上
6. 应降低 costmap 分辨率（0.15-0.2m）以保证实时性

避坑指南

1. 参数冻结问题：
2. 现象：修改参数后无效果
3. 原因：可能被其他节点的默认值覆盖

4. 解决：检查参数优先级，使用 ros2 param list 确认

5. 路径震荡问题：

6. 现象：车辆在障碍物前反复摆动
7. 原因：通常由于障碍物代价衰减过快

8. 解决：调整 cost_scaling_factor 至更大值

9. 漏检动态障碍物：

10. 现象：对慢速移动物体反应迟钝
11. 原因：min_obstacle_velocity 设置过高
12. 解决：降低至 0.1m/ s 并增加预测时长

实践建议

建议开发者建立参数调优矩阵，系统性地测试不同场景组合：

1. 创建 Excel 表格记录参数组合
2. 对每种组合进行仿真测试
3. 标注出最优的 3 - 5 组参数
4. 在实车测试中验证这些参数组

通过这种方法可以快速找到适合特定场景的最佳参数配置。记住，没有放之四海皆准的 ” 完美参数 ”，持续迭代优化才是关键。