TEB算法

起始点：start， 目标点：goal，由全局规划器指定

N个控制点：插入N个控制点(机器人的姿态[x、y、theta])，以这一系列姿态点代表该条路径。

时间分辨率：每两个姿态点之间定义一个时间(等时间间隔)

目标函数(约束条件)：每个目标函数只与橡皮筋中的某几个连续状态有关。而非整条band。

TEB算法就是在全局路径中以固定的时间间隔插入N个状态点，让路径变成一条可以形变的橡皮筋，然后再给它施加一个约束。每个约束可以看作橡皮筋的外力，给橡皮筋施加力以后，橡皮筋会形变，这种形变就是它内部的优化算法。通过这个优化变形，就会找到满足各种约束的最终可行路径。

约束条件/目标函数（常见的四种）：

1. 跟随路径+避障
   拉回来+推出去
2. 速度/加速度约束
   两个状态点之间，直接用差分近似计算
        
         
3. 运动学约束
   若干弧段组成的平滑轨迹，(最小转弯半径)
4. 最快路径约束（区别于最短路径）

TEB优化的问题

TEB是一个多目标优化的问题，大多数目标都是局部的，故只与一小部分参数相关。因此它只依赖于几个连续的机器人状态。

优化算法使用的时开源框架g2o : nodes、edges.

g2o优化算法目标 即这些离散的位姿组成的轨迹能够达到时间最短、路径最短、远离障碍物等目标，同时限制速度/加速度，使轨迹满足机器人运动学。

TEB整个工作流程：

全局路径————>加入约束条件—————>g2o优化——————>速度指令
(等时间间隔插入N个状态点，把它变成橡皮筋)
                               (给橡皮筋施加外力)

听说现在自动驾驶很火，所以我也做了一个 | 雷锋网

TEB算法流程_陈_呵呵的博客-CSDN博客

Category: TEB算法 | 沉默杀手

TEB轨迹优化算法-代码解析与参数建议_zz123456zzss的博客-CSDN博客_teb算法

浅谈Time Elastic Band - 知乎

网上收集关于Teb Local Planner的调试使用 - 古月居