在仓储物流机器人、园区巡检机器人、无人配送车以及室外移动机器人应用中，导航系统不仅需要让机器人按照规划路径前进，更重要的是能够实时感知周围环境变化，并在遇到障碍物时快速做出避障决策。

在ROS2生态里，Nav2（Navigation2）已经是移动机器人常用的导航框架。MPPI（Model Predictive Path Integral，模型预测路径积分控制）作为 Nav2 中的局部控制器，适合用来提升路径跟踪、动态避障和运动平滑性。

MPPI 的做法很直观：每个控制周期先生成一批候选动作，在模型里预测这些动作接下来会走成什么样，再根据路径、障碍物、目标点等评分项，算出当前最合适的控制指令。

01

MPPI主要解决什么问题

全局规划器负责给机器人画出从起点到终点的参考路线，局部控制器负责把这条路线落到实时运动上。实际运行时，地图、传感器、底盘控制和周围环境都会带来偏差，机器人需要在很短时间内不断修正自己的动作。

MPPI 会在每个控制周期内生成大量候选控制序列，并预测未来一小段时间内机器人可能走出的轨迹。随后，它用代价函数对这些轨迹进行评分，选择更安全、更平滑、更接近目标的控制趋势。

因此，MPPI 更像一个带预判能力的局部决策模块：跟住路径、避开障碍、控制速度、稳定姿态，这几件事会在同一套评分体系里一起权衡。

02

核心流程：采样、预测、评分、融合

MPPI 的流程可以拆成四步：采样、预测、评分、融合。它先试出很多种走法，再通过评分机制降低高风险方案的影响，把更可靠的运动趋势融合到最终控制指令里。

图1：MPPI 的核心流程：采样、预测、评分、融合

控制序列采样

与 DWB 在速度空间中采样候选速度类似，MPPI 会围绕当前控制输入生成大量候选控制序列。直观来看，就是机器人在当前位置附近同时尝试多组速度和转向组合。

u_i = u + ε_i

其中，u 表示当前控制输入，ε_i 表示随机扰动，u_i 表示第 i 条候选控制序列。

这些候选序列会对应出多条潜在运动轨迹，为后续预测和评分提供基础。

图2：围绕当前状态采样生成多条候选轨迹

轨迹预测

完成采样后，MPPI 会基于机器人运动模型，对每一条候选控制序列进行未来状态预测。工程上可以把这一步看成一次短时间模拟：机器人先在模型中跑一遍，看看不同控制方案在 0.5 s、1.0 s、1.5 s、2.0 s 后分别会到达哪里。

x_{t+1} = f(x_t, u_t)

其中，x_t 表示当前状态，u_t 表示控制输入，f 表示机器人运动模型。

有了这一步，系统就能提前发现某条轨迹是否会靠近障碍物、是否偏离全局路径、是否有利于接近目标点。

图3：MPPI 对候选控制序列进行未来状态预测

Critic 评分

预测轨迹还不能直接执行，需要先评价。Critic 可以看作一组独立的打分项，每个打分项关注一个维度，例如路径贴合度、障碍物距离、目标推进效率、速度约束等。

实际应用中，下面三类评分项最常见，也最容易影响导航效果：

• 路径贴合度评分（Path Follow Critic）：衡量候选轨迹与全局路径之间的偏离程度。轨迹越贴近全局路径，代价越小。

• 障碍物安全评分（Obstacle Critic）：衡量轨迹与障碍物之间的安全距离。轨迹越靠近障碍物，代价越高。

• 目标推进评分（Goal Critic）：衡量轨迹是否有效接近目标点。终点越接近目标，代价越小。

Nav2 MPPI 还提供 Path Align、Goal Angle、Velocity Deadband、Prefer Forward、Twirling、Constraint、Cost 等辅助 Critic，用来约束朝向、速度、旋转行为和代价地图风险。不同场景下，这些评分项的启用和权重配置会直接影响最终效果。

综合代价可以简化成多个评分项的加权求和：

J = Σ w_k · C_k

其中，C_k 表示不同 Critic 的代价，w_k 表示对应权重。总代价越小，说明这条轨迹的综合表现越好。

图4：通过不同 Critic 对候选轨迹进行综合评分

权重融合

评分完成后，MPPI 会把每条轨迹的代价转换成权重。低代价轨迹影响更大，高代价轨迹影响变小。

ω_i ∝ exp(-(J_i - J_min) / λ)

这种处理比直接挑一条轨迹更稳定，可以减少控制指令在不同候选轨迹之间的跳变，让运动输出更加平滑。

03

在Nav2中如何启用MPPI？

在 Nav2 里启用 MPPI 并不复杂。通常只需要在 nav2_params.yaml 中，将 FollowPath 插件指定为 nav2_mppi_controller::MPPIController，再根据机器人平台和应用场景配置参数。

调参时建议重点关注这几项：

• batch_size：每个控制周期采样的候选轨迹数量。数值越大，搜索更充分，计算开销也会增加。

• time_steps：未来预测步数，决定 MPPI 能提前看到多远。

• model_dt：每一步预测之间的时间间隔。

• critics 与 critic 权重：决定机器人更偏向贴合路径、远离障碍，还是更积极地靠近目标点。

下面是一套适用于差速机器人导航的参考配置。实际项目里，参数还需要结合底盘运动能力、传感器视野、代价地图分辨率和运行速度反复调试。

图5：MPPI 控制器参数配置示例 1

图6：MPPI 控制器参数配置示例 2

图7：MPPI Critic 及权重配置示例

04

仿真与实机测试

在 Gazebo 仿真环境中，启用 MPPI 后，机器人能够在存在多处静态障碍物的地图中生成平滑的局部轨迹。候选轨迹用于探索不同运动方案，最终输出轨迹体现的是路径跟踪、避障安全和目标推进之间的综合平衡。

图8：Gazebo 仿真环境中的MPPI导航效果

到了真实机器人平台上，MPPI 的效果还会受到传感器数据质量、定位稳定性、底盘控制精度、计算资源和参数配置的共同影响。以室外巡行为例，机器人以约 1.2 m/s 的速度前进时，如果前方临时出现人员障碍，就需要快速重新规划并完成绕行，同时尽量避免急停、抖动和大幅偏离路径。

图9：真实机器人平台室外导航与避障演示

这也是导航算法落地时经常被低估的部分。算法本身要调，建图、定位、感知、控制、算力和参数也要一起配合，任何一环不稳定，最终体验都会打折。

05

从算法验证到场景落地

对科研教学、机器人开发和行业验证来说，MPPI这类导航算法只有跑到真实平台上，才能暴露问题，也才能沉淀可复用的工程经验。

阿木实验室R300 室内外导航无人车，就是围绕这类验证需求设计的。平台出厂具备建图、定位、室内外导航等能力，代码开源并支持二次开发，可以减少底盘适配、传感器接入和导航调参上的重复工作，让用户把更多时间放到算法验证、场景迭代和功能创新上。

R300 还可以与阿木实验室无人机产品组合使用，扩展出空地协同、集群作业等系统方案，适用于巡检验证、教学实验、科研开发以及多机器人协同项目。

想了解更多产品信息、方案细节或合作方式，扫描下方二维码联系我们。

我们将为你提供产品选型、技术咨询与项目对接支持，助力无人机应用与开发更快落地。

如果您有感兴趣的技术话题，请在留言区告诉我们！关注阿木实验室，更多技术干货不断更新！

开发遇到棘手难题可以上阿木官方论坛：

bbs.amovlab.com

有工程师亲自解答

10000+无人机开发者和你共同进步！