面向移动机器人的障碍物规避模拟器

控件

工作区里包含可移动的障碍物、机器人速度、感知距离、视场角、测量噪声和一个安全距离阈值。传感器射线和预测出的停车距离始终保持可见。逐步模式会准确揭示每一次转向决策是由哪一次观测触发的。

原理

机器人必须在它扫过的区域与障碍相交之前停下或转向。安全距离取决于当前速度、控制器延迟、制动能力、测量不确定性以及机器人的物理半径——而不只是最近一次的测距值。

势场这类反应式控制器把附近的障碍变成斥力矢量，把目标变成引力矢量。它们响应很快，但可能被困在局部极小值里。实用的做法是把反应式的安全层与一个全局或局部规划器配在一起。

算法

1. 剔除过期的、物理上不可能的测距样本。
2. 把有效的观测变换到机器人坐标系。
3. 把每个障碍按机器人半径加上安全裕量膨胀。
4. 由速度和估计的减速度算出停车距离。
5. 前方走廊不安全就停车；否则朝与目标对齐的最空旷扇区转向。
6. 在发出电机指令之前限制加速度和角速度。

源代码

把紧急决策写得足够小，以便穷举测试：

def safe_velocity(target, ranges, stop_distance):
    front = [r for angle, r in ranges if abs(angle) < 0.35]
    if not front or min(front) <= stop_distance:
        return 0.0, choose_clear_turn(ranges)
    return limit_acceleration(target), steer_toward_clearance(ranges)

在真实系统里，要记录传感器时间戳，并在所需数据变得不可用时进入一个安全停车状态。

假设与硬件差异

这个世界是俯视的、二维的：传感器射线是瞬时的、完美细的，而且永远不会被机器人自己的身体遮挡；机器人是一个可以刹到零而没有惯量的圆盘。在一台树莓派车上，超声波束会扩散 15°，飞行时间读数取决于表面材质和阳光，而停车距离由真实质量、电机扭矩和感知—决策—执行延迟决定——这些都在反应式导航路线里讲过。模拟器还忽略了回路抖动和电源压降，所以请把停车距离曲线当成需要记住的形状，而不是可以直接照抄的数字。

电路图

任何 5 V 回波信号在到达树莓派 GPIO 之前都要先做电平转换。电机单独供电，并把地线在一个刻意选定的公共点连接起来。

引导实验

1. 推导停车阈值，而不是猜一个

把速度设低，然后降低停车阈值，直到机器人开始蹭到障碍物。记下这个 数值。现在把速度翻倍，再重复一次。

你需要的阈值不会翻倍，因为它是一个随速度线性变化的项加上一个随 速度平方变化的项：

stop_distance = (v x t_latency) + (v^2 / (2 x a_brake)) + robot_radius + margin

这就是为什么一台在步行速度下能可靠避障的机器人，一提速就开始撞东西—— 而修法是一个随速度变化的阈值，而不是一个到处都让机器人畏手畏脚的 大号固定值。

2. 先造出阈值抖动，再修掉它

把机器人停在恰好处于停车距离的位置上。用单一阈值时，它每秒会在 行驶和转向之间来回翻转好多次。

现在把两者分开：20 cm 停车，30 cm 才恢复行驶。抖动消失了， 因为这个行为必须做出承诺。那道间隙就是迟滞，而同一个模式能修掉 机器人代码里几乎所有由阈值驱动的振荡。

3. 故意把它困住

搭一个凹角——一个马蹄形——让机器人开进去。用确定性的“朝最开阔方向转” 规则，它会转、开，然后永远回到它出发的地方。

这不是一个需要修的 bug。这就是没有地图的含义，也是反应式导航的上限 最清晰的演示。缓解手段是在转向中加入一个随机分量，以及一个在几次尝试 都失败之后升级处理的卡住检测器；真正的解法是记忆，那属于 完全不同的另一条路线。

4. 扫描分辨率与扫描时间的对比

增加扫描角度的数量，然后观察两件事朝相反方向变化：转向决策变好了， 而机器人站着不动的时间变长了。

一次扫描是一段致盲时刻——机器人停着，没有任何进展。三到五个角度 是通常的甜蜜点，再往上，多出来的信息很少值得多花的时间。

你应该观察到什么

硬件落地

模拟器里的射线是瞬时的、无噪的、无限细的。真实的超声波传感器这三样 一样都不具备，而这些差别就是硬件上的全部工作：

先在这里找到安全的停车距离和一条空旷方向规则，在这里犯错不花任何代价。 然后到了硬件上，再加上中值滤波、舵机稳定延迟和接触感知—— 避障算法教程里有每一项的代码。