动态障碍物怎么检测与规避？

这道题问的是服务机器人怎么在动态环境里安全导航，核心是感知、预测、规划三个环节怎么联动，而不是单独讲某一个。我先给个框架：感知要准，预测要快且带不确定性，规划要能同时处理时间和空间两个维度。

先说感知。动态障碍物检测不能靠单一传感器，我通常会做激光雷达和视觉的融合。激光雷达用聚类或者点云分割提取位置和速度，视觉用YOLO或者RT-DETR这类检测器识别行人车辆，然后通过深度估计或者点云投影拿到3D框。融合这一步，卡尔曼滤波是经典做法，但最近像BEVFusion这种端到端的方案在遮挡场景下效果更好。关键是要区分静态和动态，比如连续帧算光流或者点云流，把背景滤掉，输出每个障碍物的位置、速度、类别，还有不确定性协方差。

然后是预测。预测不是猜一个轨迹，而是给出[[多模态]]的概率分布。短期预测，3秒以内，我用恒定速度模型加卡尔曼滤波，够快够稳；如果场景里有密集人群，比如商场或者医院走廊，就需要Social LSTM或者VectorNet这类模型来建模人和人、人和机器人之间的交互。长期意图预测我一般不做，除非是十字路口这种需要判断拐弯的场景，否则计算量不划算。预测层输出的核心是轨迹簇，每条轨迹带一个概率，这样下游规划可以选最安全的那条。

规划层是重头戏。没有一种方案能通吃所有场景，得根据场景选。TEB和DWA实时性好，适合低速、障碍物少的场景，比如扫地机器人；时空A*或者JPS在结构化环境里很准，比如工厂车间，但计算量跟时间维度成正比，场景一大就卡；MPC加社交力场模型能处理密集人群，但调参麻烦，需要滚动优化，更新周期100到200毫秒。实际落地我通常混合用：MPC做主规划器，处理预测轨迹的时空走廊，同时并行跑一个轻量的TEB做紧急避障，一旦碰撞时间小于阈值，直接切TEB。

这里有个坑：预测的不确定性怎么用。如果预测协方差很大，说明障碍物行为不可预测，比如小孩子突然跑动，那规划层就要把障碍物膨胀半径加大，或者主动降速。另一个坑是延迟补偿。从传感器采集到执行器动作，中间有几十毫秒延迟，我会用预测状态来匹配实际执行时刻，否则机器人看到的是过去的位置。

还有一个点值得提：如果算力受限，比如在室内服务机器人上，我会把复杂的预测模型按需触发。比如只有障碍物密度高于某个阈值才跑Social LSTM，否则就用恒定速度。这样能省算力，但代价是预测精度下降，需要规划层更保守。这其实是个取舍问题。

所以我的整体思路是：感知融合、预测带不确定性、规划分层混合。上线前我会特别关注失效降级，比如激光雷达坏了，视觉还能撑一下，但如果视觉也坏了，必须切到降速或者暂停，安全第一。