从DWA到TEB：移动机器人路径规划算法选型指南（含性能对比测试）-优快云博客

从DWA到TEB：移动机器人路径规划算法选型实战与深度评测

当你第一次在ROS中启动移动机器人，看着它在仿真环境里磕磕绊绊地撞向障碍物，或者以诡异的姿态原地打转时，那种挫败感我太熟悉了。路径规划，这个听起来充满学术气息的词汇，在实际工程中往往意味着无数个调试参数的深夜和令人困惑的算法选择。DWA、TEB、EBand、MPC……每个算法都有它的拥趸和论文支撑，但究竟哪个适合你的机器人、你的场景？是追求极致的实时性，还是需要平滑优雅的轨迹？是处理简单的静态环境，还是要在动态人流中穿梭？

这篇文章不会给你一个“标准答案”，因为本就不存在。但我可以带你深入算法内部，通过亲手搭建的Gazebo测试场和一系列严苛的对比实验，让你看清DWA和TEB这两位“明星选手”在不同聚光灯下的真实表现。我们会从算法思想的根源聊起，用代码和可视化数据说话，最终帮你建立一套属于自己的技术选型决策框架。无论你是正在为毕业设计发愁的学生，还是负责产品落地的工程师，希望这些踩过的坑和总结的经验，能让你少走些弯路。

1. 路径规划算法核心思想：两种截然不同的哲学

在深入对比之前，我们必须理解DWA（Dynamic Window Approach，动态窗口法）和TEB（Timed Elastic Band，时间弹性带）底层完全不同的设计哲学。这决定了它们的行为模式、适用边界和调参逻辑。

DWA：基于采样的实时反应者

DWA算法的核心思路非常直观，甚至带点“暴力美学”。它在每一个控制周期内，都执行以下操作：

速度空间采样：在机器人当前可达的线速度和角速度范围内，离散地生成大量(v, ω)速度对。这个“可达范围”由机器人的物理极限（最大速度/加速度）和当前速度动态决定，形成一个“动态窗口”。
轨迹模拟：对每一个采样得到的速度对，在短时间内（例如未来1-3秒）向前模拟机器人的运动轨迹。
轨迹评价：根据一系列评价函数，给每一条模拟轨迹打分。评价标准通常包括：
- 目标导向：轨迹终点是否朝向目标点。
- 路径平滑度：轨迹本身是否平缓。
- 避障距离：轨迹与最近障碍物的距离。
- 速度：是否尽可能快地移动。
选择最优：选择得分最高的速度对，作为当前周期发送给机器人底层的控制指令。

你可以把DWA想象成一个极度务实的短跑运动员，它只关心“下一步怎么走最好”，通过快速枚举所有可能的下一步，选一个综合最优解。它的优势在于计算效率极高，反应迅速，非常适合处理突发障碍。但缺点也源于此：过于短视，容易陷入局部最优（比如在U型障碍前振荡），且生成的轨迹可能不够平滑。

TEB：基于优化的全局思考者

TEB则采用了另一套方法论。它将机器人的未来一段路径视为一条由一系列带时间戳的位姿点（Pose）组成的“弹性带”。

初始化：通常从一个全局规划器（如A*、RRT）给出的粗略路径开始，将其离散化为初始的位姿点序列。
构建优化问题：TEB的核心是将路径规划问题构建为一个非线性优化问题。优化变量就是这条“弹性带”上每个位姿点的位置、朝向以及到达该点的时间。优化目标（代价函数）是一个多目标的加权和：
```
// 概念上的代价函数构成
TotalCost = w1 * PathSmoothnessCost + 
            w2 * VelocityConstraintCost + 
            w3 * AccelerationConstraintCost + 
            w4 * ObstacleCost + 
            w5 * TimeOptimalityCost
```
求解与迭代：使用如Gauss-Newton或Levenberg-Marquardt等非线性优化求解器，不断调整位姿点的位置和时间间隔，使得总代价最小。这个过程会同时考虑路径几何平滑度、机器人动力学约束（最大速度、加速度）、避障安全距离以及时间最优性。

TEB更像一个下棋的棋手，它虽然也只规划局部路径，但会通盘考虑未来多个步骤的连贯性、合理性和效率。因此，它生成的轨迹天生平滑，严格遵守机器人的运动学/动力学模型，在复杂狭窄空间表现更优。代价是计算量更大，对优化初值更敏感。

为了更清晰地把握两者本质区别，我整理了下面的对比表：

特性维度	DWA (动态窗口法)	TEB (时间弹性带)
核心原理	速度空间采样 + 轨迹评价	非线性多目标优化
规划视角	短视、反应式（通常<3秒）	前瞻式、考虑整段局部路径
输出特性	直接输出下一时刻控制指令`(v, ω)`	输出一条带时间戳的轨迹（位姿序列）
轨迹质量	可能不平滑，取决于采样分辨率	理论上平滑，满足动力学约束