1. 从一台“跑偏”的AGV说起导航控制器到底管什么先讲个我亲身经历的事。几年前帮一个做仓储自动化的朋友调试一台AGV车体是标准的差速驱动底盘激光雷达、驱动轮、电池都装好了上电之后车能走但走不了直线——让它从A点到B点它总是画着弧线往一边偏走个五六米就歪出半米。当时第一反应是轮子装歪了拿卡尺量了半天机械公差在合理范围内。后来把问题定位到导航控制器上控制器里配置的轮径参数和实际轮径差了3毫米编码器每转一圈累积的里程误差被积分放大车就越走越偏。这件事很典型地说明了导航控制器在移动机器人里的位置——它不显眼但它是整台车的“小脑加脊髓”。传感器告诉它“你在哪”调度系统告诉它“你去哪”它负责把这两件事翻译成左右轮各自该转多快、转多久并且在走的过程中不断修正偏差。AGVAutomated Guided Vehicle自动导引车和AMRAutonomous Mobile Robot自主移动机器人这两个词经常被混着用但在导航控制器这个层面它们的诉求差别很大。AGV传统上依赖磁条、二维码、反光板这类外部标记路径是固定的导航控制器更多在做“循迹”和“到站停车”AMR则依赖激光SLAM、视觉SLAM等自然导航方式路径是动态规划的导航控制器要处理地图、定位、路径跟踪、避障这一整套闭环。现在两者边界越来越模糊很多AGV也上了激光SLAM很多AMR也保留二维码做末端精定位所以导航控制器这个部件的能力要求也在往上走。这篇文章想解决的问题很具体导航控制器到底是什么、它在移动机器人系统里承担哪些职责、选型和调试时要注意什么、常见的坑怎么排。不管你是刚入行的机器人工程师还是正在做AGV/AMR项目的集成商或者是想给自己的微型移动机器人做一套导航方案的爱好者看完应该能对这块有个清晰的认知至少下次遇到“车走不直”“定位跳变”“到点停不准”这类问题知道该往哪个方向查。我尽量不写成产品手册而是按一个实际做过项目的人的思路来讲——先讲它在系统里的位置再拆它的核心功能模块然后是实操调试的流程和参数最后是踩过的坑和排查表。2. 导航控制器在移动机器人系统里的位置2.1 一张系统分层图看清它夹在谁中间移动机器人的控制系统通常是分层的从上到下大致是这样调度层上位系统WMS、RCS、或者多机调度软件负责给每台车派任务比如“去A区3号货架取货送到B区1号站台”。它关心的是任务分配和交通管制不关心某台车的轮子怎么转。导航控制层本文主角接收调度层的目标点结合地图和传感器数据做定位、路径规划、路径跟踪、避障决策输出速度指令。运动控制层驱动器接收导航层给的速度指令通常是线速度v和角速度ω或者左右轮速做电流环、速度环、位置环的闭环控制驱动电机。执行层电机、舵机、举升机构等真正干活的部分。导航控制器就卡在第二层。往上它要能听懂调度系统的话通常走TCP/IP、Modbus TCP、或者ROS的action/topic往下它要能跟驱动器说上话CANopen、RS485、EtherCAT、或者模拟量/脉冲。中间这一层做得好不好直接决定了车“聪不聪明”。注意有些小型的AGV会把导航控制和运动控制做在同一块板子上甚至和驱动器集成在一起。这种一体化方案成本低、体积小但调试时边界模糊出了问题不好定位是导航算法的问题还是电机控制的问题。做项目时如果预算允许我倾向于导航和驱动分开排查问题时能省很多时间。2.2 它和“工控机ROS”方案的区别很多人会问我用一台工控机跑ROS上面跑move_base、AMCL这不就是导航控制器吗从功能上讲是的工控机ROS确实承担了导航控制的职责。但从工程角度两者有区别对比项专用导航控制器工控机ROS方案实时性硬实时或软实时周期稳定在毫秒级Linux非实时内核周期抖动大功耗与体积通常10W以内巴掌大小30W以上需要散热空间开发门槛配置为主算法封装好需要自己搭框架、调参灵活性受限于厂商提供的接口想怎么改就怎么改成本批量后单台成本低单台成本可能更低但开发人力高适用场景量产AGV/AMR、对稳定性要求高的场景研发验证、非标定制、科研我自己的经验是做产品、做批量用专用导航控制器做研究、做非标用工控机ROS。两者不是对立的很多专用控制器内部跑的就是裁剪过的ROS或者自研的实时框架只是把接口和调参界面做得更工程化。2.3 微型移动机器人的特殊考量热搜词里有个“微型移动机器人”这个方向值得单独说。微型机器人比如手掌大小的AMR、教育机器人、巡检小車对导航控制器的要求和大车完全不同算力要求低但功耗敏感大车可以用x86工控机微型车往往用STM32、ESP32或者树莓派级别的算力导航控制器要足够轻量。传感器精简大车可以装多线激光雷达、深度相机、IMU、轮速计微型车可能只有一个单线雷达加IMU甚至只有视觉。成本极度敏感微型机器人的导航控制器成本可能要求控制在几十到几百元这决定了很多方案只能用MCU做。所以看导航控制器不能脱离应用场景。拿工业AGV的控制器去套微型机器人算力过剩、成本超标拿微型方案去做工业AGV实时性和可靠性又不够。3. 导航控制器的核心功能模块拆解3.1 定位知道“我在哪”是一切的前提定位是导航控制器最核心也最难的模块。没有可靠的定位后面的路径规划、避障都是空中楼阁。常见的定位方式有这么几类1外部标记定位磁条/磁钉AGV最传统的方式地面铺磁条车底装磁传感器。优点是成本低、可靠性高、不受光线影响缺点是路径固定改路径要重新施工。二维码地面贴二维码车底装朝下的相机。定位精度可以做到毫米级常用于末端对接。缺点是二维码磨损后要更换路径也是固定的。反光板激光雷达扫描墙上的反光柱通过三角测量定位。精度高但需要安装反光板环境改动成本高。2自然导航定位激光SLAM用激光雷达扫描环境轮廓和预先建好的地图做匹配scan matching同时用里程计做预测用滤波或优化算法融合。这是目前AMR最主流的方案。视觉SLAM用相机做特征提取和匹配分单目、双目、RGB-D几种。视觉信息丰富但受光照影响大算力要求高。IMU轮速计航迹推算不依赖外部环境但误差会累积必须和其他传感器融合。导航控制器在定位模块里要做的事是把这些传感器的数据融合起来输出一个稳定、连续、低延迟的位姿x, y, θ。融合算法常见的有扩展卡尔曼滤波EKF、粒子滤波AMCL、以及基于图优化的方法。实操心得定位跳变是现场最常见的问题之一。表现是车在行驶中位姿突然跳了几十厘米导致路径跟踪剧烈修正车体抖动甚至急停。排查时先看是不是激光匹配失败环境特征太少、动态障碍物太多再看里程计标定是否准确最后看融合参数里的过程噪声和观测噪声是否匹配。我一般会把定位的原始数据和融合后的数据都录下来用离线工具回放比在现场盯着看效率高得多。3.2 地图定位和规划的公共底座地图在导航控制器里有两个用途一是给定位做匹配参考二是给路径规划提供可通行区域。地图的表示形式主要有栅格地图Occupancy Grid把环境切成小格子每格标记为占用、空闲、未知。最通用适合激光SLAM。特征地图存储环境中的特征点、线段、反光板位置等。数据量小适合结构化环境。拓扑地图用节点和边表示环境节点是关键位置边是可行路径。适合大范围调度但精度低。点云地图直接存激光点云用于高精度匹配。数据量大对算力要求高。导航控制器通常支持导入和导出地图有些还支持在线建图和离线编辑。地图的质量直接影响定位和规划效果——地图里如果有大量动态障碍物留下的“鬼影”定位就会频繁匹配失败。3.3 路径规划从A到B怎么走路径规划分全局和局部两层全局规划在已知地图上从当前位置到目标点找一条最优或次优路径。常用算法有A*、Dijkstra、RRT等。热搜词里提到的“三条agv基本a算法”和“多agv路径规划强化学习”都属于这个范畴。A是经典中的经典启发式函数设计得好搜索效率很高强化学习做多机路径规划是近年的研究热点但在工业现场落地还不多主要是训练成本和泛化性问题。局部规划全局路径只是一条参考线实际行驶中会遇到动态障碍物、定位误差需要局部规划器实时调整。常用算法有DWA动态窗口法、TEB时间弹性带、MPC模型预测控制等。导航控制器要做的是把全局规划和局部规划串起来并且在多车场景下处理交通管制——比如路口互锁、窄道单向通行、跟车距离保持。3.4 路径跟踪让车真的沿着线走规划出来的路径是一串点怎么让车精确地沿着这串点走是路径跟踪模块的事。常见方法纯跟踪Pure Pursuit在路径上找一个前视点计算车到前视点的曲率输出角速度。简单好用参数少低速场景很稳。Stanley控制考虑前轮横向误差和航向误差适合前轮转向的车。模型预测控制MPC建立车辆运动学或动力学模型滚动优化未来一段时间的控制量。效果好但算力要求高。路径跟踪的参数前视距离、速度前馈、PID增益需要根据车体尺寸、重量、驱动方式仔细调。前视距离太短车会画龙太长切弯时误差大。3.5 避障与安全最后一道防线避障分两层一层是导航层面的避障局部规划器绕开障碍物另一层是安全层面的急停由安全激光雷达或超声传感器触发直接切断驱动。导航控制器通常要处理第一层第二层由独立的安全回路负责符合安全标准的话。注意导航避障和安全急停一定要分开。我见过把两者混在一起的方案结果导航算法一卡顿安全急停也失效了这是很危险的。安全回路必须是独立的、经过认证的硬件链路。4. 实操从零配置一台AGV的导航控制器4.1 硬件接线与通信打通假设我们拿到的是一台差速驱动AGV导航控制器是某款支持激光SLAM的专用控制器驱动器是CANopen接口。接线顺序供电导航控制器通常24V或48V供电注意和驱动器、雷达的电压匹配。共地一定要做好否则通信容易出错。通信控制器和驱动器走CAN控制器和激光雷达走网口或串口控制器和调度系统走WiFi或网口。CAN总线的终端电阻要接120欧姆两端各一个。传感器激光雷达装在车体对角或正前方IMU装在车体几何中心附近轮速编码器接驱动器或直接接控制器。通信打通的标准是控制器能读到驱动器的状态电流、速度、故障码能控制驱动器转动能收到雷达的点云能收到IMU的数据。这一步看起来简单但现场经常卡在CAN波特率不匹配、网口IP冲突、串口流控没关这些小问题上。4.2 里程计标定让车“知道自己走了多远”里程计标定是导航调试的第一步也是最容易被忽略的一步。标定内容包括轮径标定让车直线走10米对比编码器计算的里程和实际里程算出轮径修正系数。公式是修正后轮径 标称轮径 × (实际距离 / 编码器计算距离)。轮距标定让车原地转10圈对比编码器计算的转角和实际转角算出轮距修正系数。编码器方向确认左右轮前进时编码器计数是增加还是减少方向反了会导致里程计发散。我一般会做三组标定取平均因为地面摩擦、负载分布都会影响结果。标定完之后让车走一个2米×2米的正方形回到起点看误差有多大。误差在5厘米以内算合格超过10厘米就要重新标。4.3 建图与定位初始化建图有两种方式一种是遥控车走一圈控制器在线建图另一种是导入CAD图纸转成栅格地图。前者适合未知环境后者适合已知结构化环境。建图时要注意走慢一点让雷达有足够的数据积累。避免在人多、动态障碍物多的时段建图。建完图后手动编辑把动态障碍物留下的噪点擦掉把墙、柱子这些静态特征保留。定位初始化时要告诉控制器车在地图上的初始位姿。如果是激光SLAM可以用“初始位姿猜测自动匹配”的方式也可以手动在地图上点选。初始化后让车静止几十秒观察定位是否收敛稳定。4.4 路径规划参数配置全局规划参数主要是启发式函数的权重、搜索步长、是否允许对角移动。局部规划参数包括最大速度根据车体稳定性和安全距离设定一般AGV在0.5~1.5m/s。最大加速度影响启停的平顺性太重会打滑太轻效率低。避障距离车体轮廓外扩多少通常留10~20厘米余量。前视距离纯跟踪的关键参数一般取车长的1~2倍。这些参数没有万能值要根据实际车体和场景调。我的习惯是先保守低速、大避障距离跑通之后再逐步放开。4.5 联调与压力测试单机调通之后要和调度系统联调。联调的重点是任务下发和状态上报是否及时、准确。多车场景下路口互锁、跟车、避让是否正常。异常情况定位丢失、通信中断、障碍物长时间阻挡的处理逻辑。压力测试可以跑长时间循环任务观察有没有内存泄漏、定位漂移、通信丢包。我一般会跑至少8小时记录关键数据事后分析。5. 常见问题与排查技巧实录5.1 定位类问题现象可能原因排查方法解决定位跳变激光匹配失败看匹配得分、环境特征数量增加特征、清理地图噪点、调整匹配参数定位缓慢漂移里程计标定不准对比编码器里程和实际里程重新标定轮径、轮距定位丢失环境变化太大看雷达数据和地图差异重新建图或增加其他传感器融合初始定位失败初始位姿给错检查初始位姿设置手动点选或扩大搜索范围5.2 路径跟踪类问题现象可能原因排查方法解决车画龙前视距离太短增大前视距离调到车长的1.5~2倍切弯误差大前视距离太长减小前视距离折中调到点停不准减速距离不够看速度曲线调整减速点和停车精度参数车体抖动控制周期不稳定看控制器CPU占用降低算法复杂度或换控制器5.3 避障类问题现象可能原因排查方法解决频繁急停避障距离太大看障碍物距离缩小避障距离或调整滤波撞到障碍物避障距离太小看雷达盲区增大距离、增加传感器绕不开障碍局部规划器陷入局部最优看规划轨迹调整代价函数或换算法5.4 多车调度类问题现象可能原因排查方法解决路口死锁互锁逻辑不完善看调度日志增加超时释放、优先级跟车太近跟车距离参数小看车间距增大跟车距离任务分配不均调度算法问题看任务队列优化调度策略独家避坑技巧现场调试时我习惯在控制器里加一个“黑匣子”功能把定位、规划、控制的关键数据以固定频率写到文件里。出问题时不用重现直接拿数据回放分析。这个习惯帮我省了无数次现场蹲守的时间。6. 选型建议与趋势观察6.1 选型时看哪些指标实时性控制周期是否稳定抖动多大。工业场景建议周期≤10ms抖动≤1ms。接口丰富度CAN、RS485、网口、USB、GPIO是否够用。算法能力支持哪些定位方式、规划算法是否支持二次开发。开发生态文档、SDK、社区支持是否完善。成本批量价格、授权费用。可靠性工作温度、防护等级、MTBF。6.2 几个趋势算力上移随着SLAM算法越来越重导航控制器的算力在往上走有些方案开始用GPU或NPU做视觉加速。多传感器融合单一传感器越来越难满足复杂场景激光视觉IMU轮速的融合成为标配。云端协同部分调度和地图更新放到云端控制器做边缘计算。强化学习落地多AGV路径规划用强化学习是研究热点但目前工业落地还少主要卡在训练成本和安全性验证上。7. 最后分享几个调试小技巧调试导航控制器这些年攒了一些不太上得了台面但很管用的经验第一先让车走直线再让它走曲线。直线都走不好曲线肯定画龙。直线调试时把速度降到最低看编码器反馈和实际轨迹的偏差先把里程计和轮子的问题排干净。第二参数一次只改一个。导航参数之间耦合很强一次改多个出了问题不知道是哪个引起的。我一般会记录每次改动的参数和对应的现象形成自己的调参日志。第三善用仿真。Gazebo、Webots这些仿真工具可以在没有实车的情况下验证算法和参数虽然仿真和实际有差距但能排掉大部分逻辑错误。第四现场调试带个好点的路由器。很多莫名其妙的通信问题最后查出来是WiFi信号不稳。有线能解决的事别用无线。第五地图不是建一次就完事。环境会变货架会挪地图要定期更新。我一般建议客户每季度重新建一次图或者至少检查一次地图和实际环境的差异。导航控制器这个东西入门不难调好很难。它不像机械结构那样看得见摸得着也不像上层软件那样界面友好但它是移动机器人真正“动起来”的关键。希望这篇内容能帮你少走点弯路遇到问题时有个排查的方向。 
长河君 · 2026/10/28 9:15:38 · 阅读 1.2k AGV/AMR导航控制器：从原理到调试的工程实践指南
1. 从一台“跑偏”的AGV说起导航控制器到底管什么先讲个我亲身经历的事。几年前帮一个做仓储自动化的朋友调试一台AGV车体是标准的差速驱动底盘激光雷达、驱动轮、电池都装好了上电之后车能走但走不了直线——让它从A点到B点它总是画着弧线往一边偏走个五六米就歪出半米。当时第一反应是轮子装歪了拿卡尺量了半天机械公差在合理范围内。后来把问题定位到导航控制器上控制器里配置的轮径参数和实际轮径差了3毫米编码器每转一圈累积的里程误差被积分放大车就越走越偏。这件事很典型地说明了导航控制器在移动机器人里的位置——它不显眼但它是整台车的“小脑加脊髓”。传感器告诉它“你在哪”调度系统告诉它“你去哪”它负责把这两件事翻译成左右轮各自该转多快、转多久并且在走的过程中不断修正偏差。AGVAutomated Guided Vehicle自动导引车和AMRAutonomous Mobile Robot自主移动机器人这两个词经常被混着用但在导航控制器这个层面它们的诉求差别很大。AGV传统上依赖磁条、二维码、反光板这类外部标记路径是固定的导航控制器更多在做“循迹”和“到站停车”AMR则依赖激光SLAM、视觉SLAM等自然导航方式路径是动态规划的导航控制器要处理地图、定位、路径跟踪、避障这一整套闭环。现在两者边界越来越模糊很多AGV也上了激光SLAM很多AMR也保留二维码做末端精定位所以导航控制器这个部件的能力要求也在往上走。这篇文章想解决的问题很具体导航控制器到底是什么、它在移动机器人系统里承担哪些职责、选型和调试时要注意什么、常见的坑怎么排。不管你是刚入行的机器人工程师还是正在做AGV/AMR项目的集成商或者是想给自己的微型移动机器人做一套导航方案的爱好者看完应该能对这块有个清晰的认知至少下次遇到“车走不直”“定位跳变”“到点停不准”这类问题知道该往哪个方向查。我尽量不写成产品手册而是按一个实际做过项目的人的思路来讲——先讲它在系统里的位置再拆它的核心功能模块然后是实操调试的流程和参数最后是踩过的坑和排查表。2. 导航控制器在移动机器人系统里的位置2.1 一张系统分层图看清它夹在谁中间移动机器人的控制系统通常是分层的从上到下大致是这样调度层上位系统WMS、RCS、或者多机调度软件负责给每台车派任务比如“去A区3号货架取货送到B区1号站台”。它关心的是任务分配和交通管制不关心某台车的轮子怎么转。导航控制层本文主角接收调度层的目标点结合地图和传感器数据做定位、路径规划、路径跟踪、避障决策输出速度指令。运动控制层驱动器接收导航层给的速度指令通常是线速度v和角速度ω或者左右轮速做电流环、速度环、位置环的闭环控制驱动电机。执行层电机、舵机、举升机构等真正干活的部分。导航控制器就卡在第二层。往上它要能听懂调度系统的话通常走TCP/IP、Modbus TCP、或者ROS的action/topic往下它要能跟驱动器说上话CANopen、RS485、EtherCAT、或者模拟量/脉冲。中间这一层做得好不好直接决定了车“聪不聪明”。注意有些小型的AGV会把导航控制和运动控制做在同一块板子上甚至和驱动器集成在一起。这种一体化方案成本低、体积小但调试时边界模糊出了问题不好定位是导航算法的问题还是电机控制的问题。做项目时如果预算允许我倾向于导航和驱动分开排查问题时能省很多时间。2.2 它和“工控机ROS”方案的区别很多人会问我用一台工控机跑ROS上面跑move_base、AMCL这不就是导航控制器吗从功能上讲是的工控机ROS确实承担了导航控制的职责。但从工程角度两者有区别对比项专用导航控制器工控机ROS方案实时性硬实时或软实时周期稳定在毫秒级Linux非实时内核周期抖动大功耗与体积通常10W以内巴掌大小30W以上需要散热空间开发门槛配置为主算法封装好需要自己搭框架、调参灵活性受限于厂商提供的接口想怎么改就怎么改成本批量后单台成本低单台成本可能更低但开发人力高适用场景量产AGV/AMR、对稳定性要求高的场景研发验证、非标定制、科研我自己的经验是做产品、做批量用专用导航控制器做研究、做非标用工控机ROS。两者不是对立的很多专用控制器内部跑的就是裁剪过的ROS或者自研的实时框架只是把接口和调参界面做得更工程化。2.3 微型移动机器人的特殊考量热搜词里有个“微型移动机器人”这个方向值得单独说。微型机器人比如手掌大小的AMR、教育机器人、巡检小車对导航控制器的要求和大车完全不同算力要求低但功耗敏感大车可以用x86工控机微型车往往用STM32、ESP32或者树莓派级别的算力导航控制器要足够轻量。传感器精简大车可以装多线激光雷达、深度相机、IMU、轮速计微型车可能只有一个单线雷达加IMU甚至只有视觉。成本极度敏感微型机器人的导航控制器成本可能要求控制在几十到几百元这决定了很多方案只能用MCU做。所以看导航控制器不能脱离应用场景。拿工业AGV的控制器去套微型机器人算力过剩、成本超标拿微型方案去做工业AGV实时性和可靠性又不够。3. 导航控制器的核心功能模块拆解3.1 定位知道“我在哪”是一切的前提定位是导航控制器最核心也最难的模块。没有可靠的定位后面的路径规划、避障都是空中楼阁。常见的定位方式有这么几类1外部标记定位磁条/磁钉AGV最传统的方式地面铺磁条车底装磁传感器。优点是成本低、可靠性高、不受光线影响缺点是路径固定改路径要重新施工。二维码地面贴二维码车底装朝下的相机。定位精度可以做到毫米级常用于末端对接。缺点是二维码磨损后要更换路径也是固定的。反光板激光雷达扫描墙上的反光柱通过三角测量定位。精度高但需要安装反光板环境改动成本高。2自然导航定位激光SLAM用激光雷达扫描环境轮廓和预先建好的地图做匹配scan matching同时用里程计做预测用滤波或优化算法融合。这是目前AMR最主流的方案。视觉SLAM用相机做特征提取和匹配分单目、双目、RGB-D几种。视觉信息丰富但受光照影响大算力要求高。IMU轮速计航迹推算不依赖外部环境但误差会累积必须和其他传感器融合。导航控制器在定位模块里要做的事是把这些传感器的数据融合起来输出一个稳定、连续、低延迟的位姿x, y, θ。融合算法常见的有扩展卡尔曼滤波EKF、粒子滤波AMCL、以及基于图优化的方法。实操心得定位跳变是现场最常见的问题之一。表现是车在行驶中位姿突然跳了几十厘米导致路径跟踪剧烈修正车体抖动甚至急停。排查时先看是不是激光匹配失败环境特征太少、动态障碍物太多再看里程计标定是否准确最后看融合参数里的过程噪声和观测噪声是否匹配。我一般会把定位的原始数据和融合后的数据都录下来用离线工具回放比在现场盯着看效率高得多。3.2 地图定位和规划的公共底座地图在导航控制器里有两个用途一是给定位做匹配参考二是给路径规划提供可通行区域。地图的表示形式主要有栅格地图Occupancy Grid把环境切成小格子每格标记为占用、空闲、未知。最通用适合激光SLAM。特征地图存储环境中的特征点、线段、反光板位置等。数据量小适合结构化环境。拓扑地图用节点和边表示环境节点是关键位置边是可行路径。适合大范围调度但精度低。点云地图直接存激光点云用于高精度匹配。数据量大对算力要求高。导航控制器通常支持导入和导出地图有些还支持在线建图和离线编辑。地图的质量直接影响定位和规划效果——地图里如果有大量动态障碍物留下的“鬼影”定位就会频繁匹配失败。3.3 路径规划从A到B怎么走路径规划分全局和局部两层全局规划在已知地图上从当前位置到目标点找一条最优或次优路径。常用算法有A*、Dijkstra、RRT等。热搜词里提到的“三条agv基本a算法”和“多agv路径规划强化学习”都属于这个范畴。A是经典中的经典启发式函数设计得好搜索效率很高强化学习做多机路径规划是近年的研究热点但在工业现场落地还不多主要是训练成本和泛化性问题。局部规划全局路径只是一条参考线实际行驶中会遇到动态障碍物、定位误差需要局部规划器实时调整。常用算法有DWA动态窗口法、TEB时间弹性带、MPC模型预测控制等。导航控制器要做的是把全局规划和局部规划串起来并且在多车场景下处理交通管制——比如路口互锁、窄道单向通行、跟车距离保持。3.4 路径跟踪让车真的沿着线走规划出来的路径是一串点怎么让车精确地沿着这串点走是路径跟踪模块的事。常见方法纯跟踪Pure Pursuit在路径上找一个前视点计算车到前视点的曲率输出角速度。简单好用参数少低速场景很稳。Stanley控制考虑前轮横向误差和航向误差适合前轮转向的车。模型预测控制MPC建立车辆运动学或动力学模型滚动优化未来一段时间的控制量。效果好但算力要求高。路径跟踪的参数前视距离、速度前馈、PID增益需要根据车体尺寸、重量、驱动方式仔细调。前视距离太短车会画龙太长切弯时误差大。3.5 避障与安全最后一道防线避障分两层一层是导航层面的避障局部规划器绕开障碍物另一层是安全层面的急停由安全激光雷达或超声传感器触发直接切断驱动。导航控制器通常要处理第一层第二层由独立的安全回路负责符合安全标准的话。注意导航避障和安全急停一定要分开。我见过把两者混在一起的方案结果导航算法一卡顿安全急停也失效了这是很危险的。安全回路必须是独立的、经过认证的硬件链路。4. 实操从零配置一台AGV的导航控制器4.1 硬件接线与通信打通假设我们拿到的是一台差速驱动AGV导航控制器是某款支持激光SLAM的专用控制器驱动器是CANopen接口。接线顺序供电导航控制器通常24V或48V供电注意和驱动器、雷达的电压匹配。共地一定要做好否则通信容易出错。通信控制器和驱动器走CAN控制器和激光雷达走网口或串口控制器和调度系统走WiFi或网口。CAN总线的终端电阻要接120欧姆两端各一个。传感器激光雷达装在车体对角或正前方IMU装在车体几何中心附近轮速编码器接驱动器或直接接控制器。通信打通的标准是控制器能读到驱动器的状态电流、速度、故障码能控制驱动器转动能收到雷达的点云能收到IMU的数据。这一步看起来简单但现场经常卡在CAN波特率不匹配、网口IP冲突、串口流控没关这些小问题上。4.2 里程计标定让车“知道自己走了多远”里程计标定是导航调试的第一步也是最容易被忽略的一步。标定内容包括轮径标定让车直线走10米对比编码器计算的里程和实际里程算出轮径修正系数。公式是修正后轮径 标称轮径 × (实际距离 / 编码器计算距离)。轮距标定让车原地转10圈对比编码器计算的转角和实际转角算出轮距修正系数。编码器方向确认左右轮前进时编码器计数是增加还是减少方向反了会导致里程计发散。我一般会做三组标定取平均因为地面摩擦、负载分布都会影响结果。标定完之后让车走一个2米×2米的正方形回到起点看误差有多大。误差在5厘米以内算合格超过10厘米就要重新标。4.3 建图与定位初始化建图有两种方式一种是遥控车走一圈控制器在线建图另一种是导入CAD图纸转成栅格地图。前者适合未知环境后者适合已知结构化环境。建图时要注意走慢一点让雷达有足够的数据积累。避免在人多、动态障碍物多的时段建图。建完图后手动编辑把动态障碍物留下的噪点擦掉把墙、柱子这些静态特征保留。定位初始化时要告诉控制器车在地图上的初始位姿。如果是激光SLAM可以用“初始位姿猜测自动匹配”的方式也可以手动在地图上点选。初始化后让车静止几十秒观察定位是否收敛稳定。4.4 路径规划参数配置全局规划参数主要是启发式函数的权重、搜索步长、是否允许对角移动。局部规划参数包括最大速度根据车体稳定性和安全距离设定一般AGV在0.5~1.5m/s。最大加速度影响启停的平顺性太重会打滑太轻效率低。避障距离车体轮廓外扩多少通常留10~20厘米余量。前视距离纯跟踪的关键参数一般取车长的1~2倍。这些参数没有万能值要根据实际车体和场景调。我的习惯是先保守低速、大避障距离跑通之后再逐步放开。4.5 联调与压力测试单机调通之后要和调度系统联调。联调的重点是任务下发和状态上报是否及时、准确。多车场景下路口互锁、跟车、避让是否正常。异常情况定位丢失、通信中断、障碍物长时间阻挡的处理逻辑。压力测试可以跑长时间循环任务观察有没有内存泄漏、定位漂移、通信丢包。我一般会跑至少8小时记录关键数据事后分析。5. 常见问题与排查技巧实录5.1 定位类问题现象可能原因排查方法解决定位跳变激光匹配失败看匹配得分、环境特征数量增加特征、清理地图噪点、调整匹配参数定位缓慢漂移里程计标定不准对比编码器里程和实际里程重新标定轮径、轮距定位丢失环境变化太大看雷达数据和地图差异重新建图或增加其他传感器融合初始定位失败初始位姿给错检查初始位姿设置手动点选或扩大搜索范围5.2 路径跟踪类问题现象可能原因排查方法解决车画龙前视距离太短增大前视距离调到车长的1.5~2倍切弯误差大前视距离太长减小前视距离折中调到点停不准减速距离不够看速度曲线调整减速点和停车精度参数车体抖动控制周期不稳定看控制器CPU占用降低算法复杂度或换控制器5.3 避障类问题现象可能原因排查方法解决频繁急停避障距离太大看障碍物距离缩小避障距离或调整滤波撞到障碍物避障距离太小看雷达盲区增大距离、增加传感器绕不开障碍局部规划器陷入局部最优看规划轨迹调整代价函数或换算法5.4 多车调度类问题现象可能原因排查方法解决路口死锁互锁逻辑不完善看调度日志增加超时释放、优先级跟车太近跟车距离参数小看车间距增大跟车距离任务分配不均调度算法问题看任务队列优化调度策略独家避坑技巧现场调试时我习惯在控制器里加一个“黑匣子”功能把定位、规划、控制的关键数据以固定频率写到文件里。出问题时不用重现直接拿数据回放分析。这个习惯帮我省了无数次现场蹲守的时间。6. 选型建议与趋势观察6.1 选型时看哪些指标实时性控制周期是否稳定抖动多大。工业场景建议周期≤10ms抖动≤1ms。接口丰富度CAN、RS485、网口、USB、GPIO是否够用。算法能力支持哪些定位方式、规划算法是否支持二次开发。开发生态文档、SDK、社区支持是否完善。成本批量价格、授权费用。可靠性工作温度、防护等级、MTBF。6.2 几个趋势算力上移随着SLAM算法越来越重导航控制器的算力在往上走有些方案开始用GPU或NPU做视觉加速。多传感器融合单一传感器越来越难满足复杂场景激光视觉IMU轮速的融合成为标配。云端协同部分调度和地图更新放到云端控制器做边缘计算。强化学习落地多AGV路径规划用强化学习是研究热点但目前工业落地还少主要卡在训练成本和安全性验证上。7. 最后分享几个调试小技巧调试导航控制器这些年攒了一些不太上得了台面但很管用的经验第一先让车走直线再让它走曲线。直线都走不好曲线肯定画龙。直线调试时把速度降到最低看编码器反馈和实际轨迹的偏差先把里程计和轮子的问题排干净。第二参数一次只改一个。导航参数之间耦合很强一次改多个出了问题不知道是哪个引起的。我一般会记录每次改动的参数和对应的现象形成自己的调参日志。第三善用仿真。Gazebo、Webots这些仿真工具可以在没有实车的情况下验证算法和参数虽然仿真和实际有差距但能排掉大部分逻辑错误。第四现场调试带个好点的路由器。很多莫名其妙的通信问题最后查出来是WiFi信号不稳。有线能解决的事别用无线。第五地图不是建一次就完事。环境会变货架会挪地图要定期更新。我一般建议客户每季度重新建一次图或者至少检查一次地图和实际环境的差异。导航控制器这个东西入门不难调好很难。它不像机械结构那样看得见摸得着也不像上层软件那样界面友好但它是移动机器人真正“动起来”的关键。希望这篇内容能帮你少走点弯路遇到问题时有个排查的方向。