先交代一下背景：这个项目是一条1:6缩尺无人船验证平台，主要拿来跑多障碍场景下的自主避碰（collision avoidance）技术验证。去年年底到今年上半年，我在这套平台上投入了大半年时间，把从算法选型、仿真验证到实船调参的整个链路完整走了一遍。这篇东西不打算复述论文，也不打算贴一堆公式吓人，只讲工程落地过程中那些论文里不会写的事：为什么选这套方案、哪些参数最敏感、实船测试到底踩了多少坑。如果你正在做无人船、无人艇或者类似的自主航行项目，尤其在做多障碍避碰，这篇应该能帮你省不少弯路。

1. 为什么水面多障碍避碰比想象中难：先弄清问题边界

1.1 水面环境没有"标准答案"，每条路径都要同时满足安全和规则

无人船的避碰和无人车的避碰看起来都是"从A点到B点、避开障碍物"，但水面环境的约束完全不同。陆地上有明确车道线、交通信号灯和人行横道，障碍物的运动规律也相对可预测；水面上什么都没有，一条河、一片湖、一个港池，处处可走，但又处处不能乱走。你不仅要避开静态障碍（浮标、桥墩、码头、浅滩），还要避开动态障碍（其他船只、漂浮物、游泳区域），甚至要预测这些动态目标未来十几秒内的运动趋势。

多障碍场景真正的难点在于障碍物数量上来之后，决策空间会爆炸。单障碍避碰，算法可以找到一条漂亮的绕行轨迹；三个障碍同时出现在航道前方，彼此还会形成"夹击"态势，这时候最优解往往不是一个明确的绕行方向，而是一组需要权衡的候选方案。再加上水面运动受风、浪、流的持续干扰，你算出来的轨迹可能下一秒就被水流推偏了。所以无人船避碰从来不是"能不能碰到"的问题，而是"在什么时间窗口内、以什么方式让开"的问题。

1.2 传感器视野受限、执行器响应慢，留给决策的时间窗口很短

无人车用激光雷达加视觉，基本可以做到厘米级的环境感知；无人船差得远。水面环境空旷，特征稀疏，视觉在逆光和雾气下经常失效；毫米波雷达在水面上有大量杂波；激光雷达虽然能测障碍，但距离通常只有几十米，对小型漂浮物还容易漏检。我在项目里用到的感知组合是RTK定位、激光雷达、视觉和AIS（船舶自动识别系统）融合，但每一种都有明显的短板。

更麻烦的是执行器的响应延迟。无人船靠螺旋桨和舵转向，船体本身具有大惯性和非线性水动力特性，指令下达之后要经过一段时间才能建立转向角速度。缩尺模型相对好一些，但同样存在"打了舵船头才开始转"的延迟。这个延迟直接压缩了避碰决策的反应窗口。假如船速2米/秒，感知系统有0.3秒延迟，决策计算加执行机构响应又占掉1秒，那么留给规划系统的真实距离窗口可能只剩几米。很多算法在仿真里跑得很好，一上实船就撞，根子就在这。

1.3 COLREGs规则约束：避碰不只要安全，还要"合规"

水面航行有一套国际通用的规则，即海上避碰规则（COLREGs）。它对对遇、追越、交叉会遇三种态势下的让路责任做了明确界定：对遇时双方各自向右转向；追越时前方船保持航向航速，后方船让路；交叉相遇时，有他船在本船右舷一侧的，本船通常需要让路或减速。无人船做避碰，不能像无人机那样随便挑一个方向绕开，必须在规则框架内行动。

这个约束很烦人，但必须遵守。举个例子：两个障碍物分别位于本船左前方和右前方，单纯从几何安全角度看，向左绕行或许距离更短；但如果右前方那艘船是交叉相遇态势下的来船，规则要求你向右或减速让行，简单"抄近路"就会把一个本来合规的避让动作变成违规行为。更麻烦的是，多障碍场景下不同障碍物对应的会遇态势可能互相矛盾——对一艘船要右转，对另一艘船右转反而迎头撞上去。这时候避碰算法就得分出优先级，在规则和安全之间找平衡点。这个问题我在仿真阶段完全没意识到，直到实船测试被一艘按规则航行的真船"教育"了才彻底重视起来。

2. 我最终采用的避碰框架：分层决策与速度障碍法的取舍

2.1 候选算法横向对比：没有银弹，只有最合适的组合

先把我实际调研过的几类方案摆在一起对比，方便你快速理解它们的差异。下面是基于这个项目的经验总结，每个方案都有它的适用边界，不存在一个万能算法。

这个表不是让你直接照着选，而是想说：不同算法解决的是不同层面的问题。APF适合静态地图上的局部调整，DWA适合近距离反应，VO适合对动态障碍做速度级避让，MPC适合精确控制，DRL适合长期策略学习。单独拿哪一个出来做多障碍避碰，都会在某些场景失效。

2.2 分层结构：全局规划管"方向"、局部避碰管"动作"、应急制动管"保命"

最后落地的框架分三层。第一层是全局航线规划，在水域地图上预先规划一条从起点到终点的参考航线，只考虑静态障碍和禁航区，这一步相对简单，因为水面环境变化慢，不需要高频更新。第二层是局部避碰层，以本船为中心，利用激光雷达和融合感知获取周边障碍物的实时状态，通过改进的速度障碍法生成避碰速度指令，同时用DWA做最终的可行性校验，确保生成的速度在船体动力学允许范围内。第三层是应急制动层，当探测到障碍物进入安全距离、且局部避碰无法及时脱困时，直接执行停车、倒车甚至原地等待，优先保证不发生碰撞。

这个分层结构的核心逻辑是把"决策频率"从低到高分开：全局层的计算周期是秒级，局部层是十赫兹级，应急层则是毫秒级独立看门狗。这样即使某层出问题，其他层也不会立刻崩溃。比如全局航线规划卡了一个周期，局部避碰仍然能自主规避；局部避碰因为某个传感器数据异常失效，应急层还能做最后的刹停动作。这个设计帮我扛住了后续一大堆实船测试的突发状况，如果没有应急层，至少有两次测试会直接撞上码头边缘。

2.3 为什么没有直接上深度强化学习

现在很多论文都在推深度强化学习（DRL）做无人船避碰，我也花过不少时间在仿真环境里跑DRL相关实验，但最终没有把它部署到实船上，原因有三点。

第一，安全可解释性不足。DRL策略是一个黑箱，船一旦进入从未见过的状态，你无法预测它会输出什么动作，也无法向监管方或者验收方解释"为什么在这个关键时刻选择了这个转向角度"。对于实验平台可以容忍，对于要实际航行的系统，这是硬伤。第二，训练场景和实船环境之间存在巨大gap。仿真里可以用完美传感器模型，水流恒定向，障碍物匀速直线；实船上有噪声、有延迟、有风浪流突变，策略很容易"过拟合"仿真。第三，实船数据获取成本太高。DRL要想覆盖足够多的边界情况，需要大量失败样本，而每次失败都可能意味着碰撞事故。目前我更倾向于把DRL用在策略建议、参数自动调节这类辅助环节，主线还是用可解释的规则加优化方法。

3. 从会遇态势判断到转向决策：COLREGs的真正落地难点

3.1 先把障碍物归成三类，决策才有针对性

多障碍避碰的第一步不是算轨迹，而是给障碍物分类。我把本船感知范围内的障碍物分成三类：静态障碍，包括浮标、桥墩、固定码头和浅滩，这类障碍物位置基本不变，处理起来最简单；动态航行船，包括其他机动船只，它们受COLREGs约束，行为相对有规律，可以通过AIS和运动预测建模；突发事件目标，包括漂流的木头、小划艇、游泳区域边缘等，这类目标速度慢、运动方向不稳定，但风险很高，必须用更大的安全距离去对待。

分类之后，每个障碍物会附加上不同的"属性标签"，包括最小安全半径、最高风险等级、是否受COLREGs约束。在速度障碍法计算碰撞锥时，这些属性会直接影响膨胀半径和预测时间窗口的大小。比如对一艘横向行驶的货船，我给它设定的是30米的感知膨胀半径和20秒的预测窗口；对一个缓慢漂移的浮标，膨胀半径15米、预测窗口只给8秒。分类的意义在于，不会让一个无关紧要的浮标和一条动态船占据同样的决策权重。

3.2 会遇态势判断：用速度向量和相对方位算"责任边界"

会遇态势判断是COLREGs落地的第一个难关。工程上我不会去读复杂的航海图，直接用两个核心参数来做判断：相对方位角（他船相对本船方位与船艏向的夹角）和本船相对他船的速度向量。以本船为中心建立一个运动坐标系，根据这两个参数把会遇情形分成对遇、追越、左交叉、右交叉等类别，每一类对应一组默认避让动作。

我对接实船数据时发现了一个之前没太在意的细节：态势判断必须持续稳定，不能频繁跳变。如果某个目标正好处于两种态势的边界附近，比如相对方位在交叉和对遇之间摇摆，决策系统就可能一会儿输出向右转、一会儿输出保向，导致船走成"S形"。解决办法是给态势判断加一个"滞回区间"，也就是状态切换必须连续满足多个周期，且角速度方向一致。这个做法跟信号处理里的消抖一个思路，代价是判断延迟增加几百毫秒，但换来的是决策稳定性，值。

3.3 速度障碍法（VO）实际落地：从碰撞锥到可航行速度域

速度障碍法的核心思想不复杂：把本船视为一个膨胀的圆，假设障碍物在未来一段时间内按当前速度运动，那么本船哪些速度向量会导致撞上它，在速度空间里就会构成一个"碰撞锥"。只要选择一个落在碰撞锥之外的速度向量，就能在预测时间内避开这个障碍。多障碍场景变成多个碰撞锥的叠加，我们的任务是在速度空间里找到一块同时避开所有碰撞锥的区域。

实际工程中有三个改进点。第一，把碰撞锥的预测时间设为可变化：对近处的动态障碍物用短预测窗口，反映其当前运动趋势；对远处障碍物用长窗口，过滤掉瞬时抖动。第二，引入"时间优先"机制——如果两个碰撞锥重合，优先处理TCPA（最短会遇时间）更小的那个障碍物，因为它是真正的紧急威胁。第三，速度选择不能只求避开碰撞锥，还要靠近目标方向并保持稳定转向，所以我在VO之后接了一个代价评价函数，把"偏离航线的代价""转向角速度的代价""与障碍物最小距离的代价"加权求和，选出最优速度。加了这个评价层之后，船的轨迹明显比纯VO输出的要平滑很多。

3.4 多障碍优先级仲裁：当规则和规则打架时怎么办

多障碍场景最棘手的问题是优先级冲突。典型情况：本船前方左侧是静态桥墩，前方右侧是一艘交叉相遇且负有让路义务的动态船。如果按COLREGs处理动态船，应该向右转向；但向右又会撞向桥墩。这时候算法必须在"让路责任"和"物理安全"之间做出取舍。

我的处理原则是安全优先、规则次之，但不完全抛弃规则。具体做法是把每个候选速度向量都做两层过滤：第一层排除所有会导致碰撞的向量，无论规则上多么正确，物理上可能撞船的动作一律不用；第二层在剩余的安全向量里，优先选择满足COLREGs语义的那个方向。如果规则要求的动作恰好撞向静态障碍，则退而求其次，选择一个既避开静态障碍、又能在后续适当时机回归规则动作的向量。这个"先安全后合规、尽量兼顾"的策略在仿真和实船测试中都跑得很顺，也比较好向监管方解释。

4. 多障碍场景的参数标定与仿真验证过程

4.1 仿真平台搭建：不能完全依赖场景库，要自己加变态场景

我在仿真阶段用了主流机器人仿真环境，自行搭建了一套水面场景。规划了一块长500米、宽200米的水域，在其中随机布置了8到16个不同类型的障碍物，包括固定浮标、运动船只、随机漂移物，还加了一段狭窄航道。之所以不用纯随机布置，是因为避碰算法必须在"有结构的场景"里才看得出问题：狭窄航道两侧有静态障碍，中间有一条运动船对向而来，这种场景才能逼出进退两难的局面。

仿真平台的输出不止是轨迹，我还要记录本船每一时刻的速度指令、障碍物预测位置、决策标记（是保向、转向还是减速）以及最小会遇距离。这样每一帧都能回放，定位问题时能看到"是感知丢了目标，还是决策没算出来，还是执行没跟上"。我的一个建议是：仿真环境里至少加两类极端场景，一类是障碍物突然出现（比如从转弯盲区冲出），另一类是动态障碍物突然改变航向。这两种情况最容易暴露算法在预测模型和响应时间上的弱点。

4.2 关键参数标定：膨胀半径、预测窗口、采样频率、权重系数

参数标定是避碰算法从"能跑"到"跑得好"的分水岭。我这里把最关键的几组参数列出来，并说明它们是怎么影响行为的。

膨胀半径这个参数很有意思，设得太小，船贴着障碍物擦过去，看起来效率高，但一旦有风浪扰动或者水流突变就直接撞；设得太大，狭窄航道又过不去，误报率飙升。我的最终策略是让膨胀半径与当前船速挂钩，速度越快膨胀越大，速度降到接近零时膨胀半径收缩到船宽加一个固定余量。这个"动态膨胀"既保安全又不牺牲通过性。

4.3 评价指标与仿真结果：选对指标，问题才暴露得出来

评价避碰算法不能只看"有没有撞上"，我用四个指标：碰撞次数、最小会遇距离（DCPA）、最短会遇时间（TCPA）和路径偏离度。前两个反映安全性，第三个反映决策的时效性，第四个反映效率。在仿真阶段，随机场景跑了300组（同样场景分布、不同随机种子），最终碰撞次数为0，所有场景的最小会遇距离都大于3倍船宽，TCPA低于3秒的情况没有出现过。

但"仿真成绩好"恰恰是最危险的信号。我后来复盘发现，仿真里障碍物模型是纯数学的，没有传感器噪声，没有水面反射，也没有水动力延迟，所以算法很容易表现得"太完美"。真正有效的验证方式是"带噪声仿真"：给障碍物位置加上1米左右的高斯噪声，给速度测量加10%的随机误差，重新跑同一批场景，碰撞率立刻从0升到平均每百次1.2次。这套带噪声测试后来成了我的标准配置，也让算法在实船测试前的可靠性提升了一大截。

5. 实船测试踩坑记录：传感器、动力延迟与安全兜底

5.1 传感器层面的坑：逆光、水花、雷达近距杂波

实船和仿真最大的不同，是你要面对一个"不干净"的传感器世界。第一次上实船时，视觉检测在逆光方向直接失效，水面变成一片白茫茫，浮标完全消失。后来加了偏振镜片，选在非逆光时段测试，但治标不治本，真正解决还是要靠多传感器融合：视觉丢掉的目标，激光雷达能补回来；激光雷达漏掉的近距离漂浮物，视觉又能及时报出来。

另一个坑是水花。船高速行驶时溅起的水花会打湿激光雷达镜头，造成大范围误报。我测试时出现过一次"前方出现一整面弧形障碍墙"的假象，差点触发应急制动。排查下来是水花正好在雷达扫描平面内形成了连续反射点。解决思路是给雷达加装挡水罩，同时在驱动层加一个最小有效距离的滤波逻辑，对距离突变的目标做时长校验，只有持续存在足够多扫描周期的目标才被认为有效。这个方法牺牲了一部分真实紧急情况的响应速度，但换来的误报率下降非常明显。

5.2 动态障碍预测偏差：运动模型太简单会害死人

我在预测动态障碍物时最初用的是恒定速度模型，也就是假设他船在未来一段时间保持当前速度和航向。这个模型在开阔水域对付正常航行船基本够用，但一旦遇到他船开始转弯，预测轨迹和实际轨迹会迅速分离。仿真里我很少遇到这种情况，实船上却经常出现"他船突然向右转，本船还以为它继续直行，直到预测位置和实际位置差出十几米才反应过来"。

痛定思痛之后，我引入了"机动检测"机制。不断用实际观测数据和预测轨迹做对比，如果连续若干周期内偏差超过设定阈值，就判定他船正在机动，立刻丢弃旧预测、重新初始化预测模型，同时将本船的安全距离阈值临时上调30%。这样做的代价是会让避碰动作变得更加保守，但实船测试中我宁可保守，也不能赌对面会按直线航行。

5.3 动力模型失配与修正振荡：船的响应真的慢半拍

在仿真里，我给速度指令加了一个一阶延迟模型，自以为已经考虑到了船体惯性。实船一跑才发现，真实的水动力特性比一阶延迟复杂得多：低速时舵效差，船头转得慢；高速时惯性大，转弯半径明显变大；再加上侧向风和水流的作用，实际航向和期望航向的偏差经常超过20度。局部避碰算法如果只看期望速度，不看当前船体状态，就会导致过度修正——左转没转过来就右转补偿，船在水面上走出一条明显振荡的蛇形轨迹。

解决方法是把"船体运动模型"嵌入到DWA的轨迹预测里。每次采样候选速度时，不只是做纯运动学外推，而是用一个简化水动力模型预测未来2秒内船的实际航向变化，再计算候选轨迹是否会撞到障碍。这个改动让避碰动作的"预判性"好很多，船的轨迹也平滑了不少。但我也明白，这个简化模型在浪大时依然不准，所以又加了一条规则：当船体横摇和航向偏差同时超过阈值时，自动降低允许的最大船速，给决策留出更多反应时间。

5.4 安全兜底不可少：应急制动和人工接管的最后防线

不管算法做得多完善，工程上总要有"最后一道防线"。我在系统里单独实现了一个应急制动模块，独立于局部避碰逻辑运行。它持续监控最近障碍物的距离和相对速度，如果计算出的剩余碰撞时间低于设定安全阈值，会直接发送制动指令，同时暂停所有避碰规划输出。这个模块逻辑极简，没有复杂的判断，就是为了确保在最极端情况下能停下来。

此外，系统保留了远程人工接管通道。实船测试期间，无论算法运行得多稳定，我都会让操作员保持在遥控器附近，测试区域也划定在开阔水域、留足缓冲距离。项目结束前的一次偶发通信断链，让我彻底意识到"本地看门狗"的重要性：当遥控链路断开时，船端的自主系统必须在几十毫秒内接管，否则船会按最后一次指令盲目航行。我把通信状态监控、本地自主接管和应急制动串成了一条完整的安全链，之后的测试才真正踏实。

结语：一点个人体会

如果你问我在这个项目里收获最大的是什么，我会说不是某个算法调得有多好，而是彻底理解了"算法只是避碰系统的一小部分。真正决定能不能安全航行的，是感知的可信度、决策的可解释性、执行的鲁棒性，以及系统整体的安全兜底。多障碍自主避碰没有一个放之四海而皆准的方案，任何论文里的算法到了实船上都会露出原型。最稳的路径永远是：先在带噪声的仿真环境里把边界试探清楚，再拿着保守的参数上实船逐步放宽，每放宽一个参数都要用跑过的场景复盘。这套方法论，比任何单一算法都更值得花时间去打磨。