地图避障方法有哪些局限?

回答与解析

核心局限性分析

1. 环境动态性假设失效

• 传统方法假设地图静态，但真实场景（餐厅、商场、家庭）行人、车辆持续移动
• 结果：全局路径频繁失效，局部规划器（如DWA、TEB）陷入局部最优或震荡
• 典型问题：狭窄走廊中行人相向而行，机器人"僵住"或反复重规划

2. 建图精度与误差累积

• SLAM漂移：长走廊、特征稀疏区域位姿估计发散
• 动态物体混入地图：留下"鬼影"障碍物，导致虚假避障
• 实际影响：vivo场景如线下门店，玻璃反光、人流密集，建图可靠性骤降

3. 实时性瓶颈

• 全局路径规划（A*/Dijkstra）在大型地图（>10万栅格）耗时10-100ms
• 动态障碍物预测+轨迹优化（MPC）需50Hz以上，CPU负载高
• 权衡：降低规划频率导致碰撞风险，提高频率则延迟累积

4. 计算与存储开销

工程实践中的应对思路

• 分层架构：全局拓扑+局部栅格，平衡精度与效率
• 动态物体过滤：Ray-casting一致性检测，避免地图污染
• 边缘轻量化：NanoMap、Ego-centric局部地图替代全局维护
• 端到端融合：传统方法提供安全约束，学习模型处理意图预测

学习建议

建议先掌握SLAM和路径规划基础，再通过仿真项目理解动态环境中地图方法的局限，注重理论与实践结合。

口语版讲法(约4分钟)

• 本质问静态假设与动态现实的冲突
• 环境动态性：行人、车辆导致路径失效
• 建图精度：鬼影和漂移问题
• 实时性与计算开销的权衡
• 工程应对：分层架构与动态过滤，以及我的取舍

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。

关键一句:环境变化太快时，仅靠过滤和分层不够，需要加入轨迹预测模型来提前判断行人意图。

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你给商场做清洁机器人，它基于预先建好的地图去避障。但商场里经常有人走动、推车、甚至临时摆个促销展架。你觉得这种纯地图的方法在实际跑起来会遇到哪些坑？

2. 问法 2 · 层层追问

   传统机器人的避障主要依赖静态地图，但真实环境变化很快……那地图建得再精确，如果场景变了会怎样？……还有实时性和计算开销的问题，你怎么权衡？

3. 问法 3 · 直球架构

   从环境动态性、建图精度、实时性、计算开销四个角度，分析基于地图的避障方法在实际应用中的局限性和缺点，并举例说明它们对系统鲁棒性的影响。