全局规划+局部避障怎么融合?

这道题其实是在问一个很本质的矛盾：机器人要同时做到全局最优和实时安全，但单一规划器根本搞不定。先验地图是静态、完整的，但更新慢；传感器数据是动态、局部的，但频率高。所以落地的时候，我们不会只用一种，而是分层互补，全局路径规划给一个战略方向，局部避障做战术执行。

具体说一下。全局规划依赖先验地图，优化目标是路径最短、能耗最低，计算频率大概1到10赫兹，地图变了才重规划。局部避障靠激光雷达或深度相机，目标是避开动态障碍，频率能到50到200赫兹，直接[[嵌入]]控制闭环。你可以这么理解：全局层告诉机器人“你要从A走到B，大致走这条走廊”，局部层负责在走廊里躲开突然冲出来的行人。两者信息正交，缺一不可。

举个例子。仓储机器人，先验地图里有货架位置和固定通道，全局规划出一条从充电桩到拣货点的最优路径。但实际运行时，通道上可能临时堆了退货箱，或者有另一个机器人挡路。这时候局部规划在100毫秒内重新规划一段轨迹绕过去，不会停下来等全局重算。这就是典型的互补优势。

那对鲁棒性的提升呢？最直接的是容错。传感器被遮挡，比如扫地机器人钻进沙发底下，激光雷达暂时失效，全局路径能提供一个航迹推算的基准，不至于原地打转。地图过时或者定位漂移，比如商场装修后货架挪了位置，局部感知实时修正路径，不会撞上去。动态环境更是局部层的强项，突发障碍完全由它处理，不用打断全局规划。还有就是计算安全隔离，局部规划硬实时保证，全局规划可以降级或者异步跑。

再说感知-规划的闭环。工程上，局部规划器其实是一个高频的优化问题。传感器数据进来，更新局部代价地图，然后轨迹优化，输出控制指令，执行后新观测再反馈回来。这里有个关键设计：全局路径作为软约束，相当于一个参考线；局部障碍物是硬约束，绝对不能碰。两者在优化问题里统一建模，比如DWA或者TEB算法里，代价函数同时包含路径跟踪误差和障碍物距离。如果局部规划失败，比如陷入死胡同，会触发全局重规划，形成执行-监测-重规划的完整闭环。说白了，上层信任下层能处理细节，下层信任传感器数据是最新的，出了问题上层兜底。

这里有个坑。如果先验地图太旧，全局路径本身就有问题，比如地图上标着门，实际已经封了，那局部规划再怎么绕也绕不出去。所以上线我会特别关注地图更新的触发条件，比如局部规划反复失败就主动请求全局重规划。还有一个常见失败场景是传感器噪声太大，局部规划频繁急转弯，导致机器人抖动。这时候要调代价地图的膨胀半径和轨迹平滑权重。

其实这种分层架构和自动驾驶里的行为规划加运动控制很像，但机器人场景里地图精度和传感器质量通常差一些，所以对鲁棒性的要求更高。如果面试官有兴趣，可以聊聊地图不确定性建模，比如用概率图把定位误差传给规划层。

所以我的判断是，全局和局部不是谁替代谁，而是各管一摊，上层给方向，下层保安全。我更倾向于把全局路径看成一种先验参考，而不是必须严格跟踪的轨迹，给局部规划留够自由度。