地图避障方法有哪些局限?

好，这道题我觉得核心是在问一个本质矛盾：基于地图的方法本质上假设环境是静态的，但真实世界是动态的，这个假设一失效，后面所有东西都会跟着出问题。

我先说环境动态性。比如在商场或餐厅里，行人、购物车这些一直在动，传统方法比如全局规划用A*，局部用DWA或TEB，很容易出现全局路径刚规划好就被堵住，局部规划器在那反复震荡。最典型的场景就是狭窄走廊里两个人相向走来，机器人直接僵住，或者不停重新规划路径，看起来就像在抖。

再一个就是建图精度。SLAM在建图时会有误差累积，尤其是在长走廊或者特征稀疏的区域，位姿估计会漂移。更麻烦的是动态物体会被混进地图里，留下鬼影障碍物。比如门店场景里玻璃反光、人流密集，地图建出来可靠性会大打折扣，机器人可能对着一个本来不存在的位置绕路。

实时性这块也是个瓶颈。全局路径规划在大地图上，比如超过十万个栅格，A*可能要花几十到一百毫秒，而局部规划像MPC要求50赫兹以上更新，CPU负载很高。你要么降低规划频率，那碰撞风险就上来了；要么提高频率，延迟又累积，最后反应变慢。

计算和存储开销也得权衡。稠密栅格地图每百平米就占好几兆，点云地图更是到G级别，更新成本很高。拓扑地图虽然轻量，但会丢失很多细节，没法直接用于避障。

那实际工程里怎么处理呢？我的思路是分层架构。全局用拓扑地图做粗粒度路径，局部用稠密栅格做精细避障，这样精度和效率都能兼顾。同时一定要做动态物体过滤，比如用Ray-casting一致性检测，避免动态障碍物污染地图。还有一个很实用的方法是用Ego-centric局部地图代替全局维护，只关注机器人周围几米的范围，计算量小很多。

不过这里有个前提：如果环境变化太快，比如人流量极大的展会，光靠过滤和分层还不够，你可能需要把预测也加进来，用一些轻量的轨迹预测模型来提前判断行人意图。这个方向其实挺有意思，传统方法和学习模型的融合是未来的趋势。

所以总的来说，我更倾向于把基于地图的方法看作一个安全底座，它提供基础约束，但真正应对动态场景要靠局部规划和动态感知的配合。如果让我选，我会优先保证建图质量和动态过滤的实时性，而不是一味追求地图的精细度。