轮式机器人的全局路径规划调研

轮式机器人（含轮式人形）在地面导航，本质是 2.5D 的全局路径规划问题。本文按地图 表示组织文献，覆盖 2D 栅格、2.5D 高程图、3D 体素、稀疏图与表面表示五条路线，梳理 各自的可通行性估计与规划方法、开源实现和适用边界；再顺着引文关系还原技术演进脉络, 最后给出选型建议和四个可能的研究方向。

一、调研概述

1.1 问题描述

轮式人形机器人上半身再复杂，底盘仍然是轮式移动机器人：它只能在连续的地面上运 动，不能像无人机那样在自由三维空间里穿行。所以它的全局路径规划不是 3D 问题，而 是「在一张带高度信息的地面上找路」—— 也就是 2.5D。

这个定位决定了后面所有的技术取舍。把它当自由 3D 问题做，会付出没必要的计算代价； 当纯 2D 做，又会在坡道、门槛、台阶前失效。

调研目标：为轮式机器人的全局路径规划方案设计提供选型依据，回答三个问题 —— 在什么地图表示上规划、可通行性怎么算、用什么规划器。

顺带一提，「轮式人形」这个关键词在 arXiv 上几乎搜不到导航规划的工作 —— 该方向 当前的研究重心在上肢操作和全身控制，底盘导航被默认为已解决、直接复用轮式移动 机器人方案。所以下文的调研对象是轮式机器人这个更大的类别。

1.2 背景知识

全局与局部的分工。 全局规划器在已知地图上算出从起点到终点的一条路径，关心的是 连通性和总代价；局部规划器（或控制器）跟踪这条路径并处理未建图的动态障碍，关心的是 运动学可行性和实时性。二者频率差一个数量级 —— 参考 2.5D 导航系统 的配置： 建图与全局规划约 1 Hz，局部跟踪约 10 Hz。

可通行性（traversability） 是这个领域的核心概念：不是二值的「有没有障碍」，而是 「这块地形对这个机器人有多难走」。它至少包含坡度、粗糙度、机器人在该处的姿态三个 维度，进阶的还会包含不确定性。这个概念是 2.5D 及以上所有方法的公共基础。

为什么 3D 激光的点云不能直接规划。 SE(2) NavMesh 讲得清楚：点云缺乏结构 组织，几何表面和连通性都要靠额外处理去推断，在大场景下计算开销很大且容易出错。 所以从传感器到规划器之间，必须插一层地图表示 —— 选哪一层就是本文的主线。

二、文献调研

2.1 地图表示：五类路线

全局规划的第一个决策不是选算法，而是选在什么表示上规划。

flowchart TD
    A["传感器数据<br/>3D 激光 / RGB-D"] --> B["2D 栅格<br/>占据/空闲"]
    A --> C["2.5D 高程图<br/>每格一个高度"]
    A --> D["3D 体素 / OctoMap<br/>完整三维占据"]
    A --> E["表面表示<br/>网格 / NavMesh"]
    A --> J["稀疏图<br/>TRG / 拓扑图"]
    D -.多层投影.-> C
    B --> F["图搜索<br/>A* / Theta* / D* Lite"]
    C --> G["带代价的图搜索<br/>通行性作权重"]
    D --> H["3D 图搜索 / 采样"]
    E --> I["多边形寻路"]
    J --> K["图优化 / A*"]

表示	每格/节点存什么	优点	失效场景
2D 栅格	占据概率	构建快、查询快、生态成熟	坡道被判为障碍；分不清墙与可跨台阶
2.5D 高程图	高度、方差、法向量、粗糙度	信息量与开销的平衡点	单层，表达不了悬空物与多层结构
3D 体素	占据概率（八叉树）	完整、支持多层	存储大、查询慢
表面 / NavMesh	可通行多边形	寻路极快	构建复杂；经典实现假设通行性与朝向无关
稀疏图 / TRG	节点=稳定性与可达性	大场景实时，天然带风险语义	图的构建质量决定上限

一个容易被忽略的事实：2.5D 不是 3D 的简化，而是一种针对地面运动的建模选择。 对只能贴地运动的轮式底盘，「同一平面位置只有一个可站立高度」这个假设在绝大多数 场景成立。

2.2 2D 栅格路线

主流实现

ROS2 的 Nav2 提供了一整套成熟的 2D 全局规划器：

规划器	搜索空间	适用平台
NavFn	2D 栅格，Dijkstra/A*	通用，最经典
Smac 2D	2D 栅格，优化过的 A*	通用
Smac Hybrid-A*	SE(2)，Dubins / Reeds-Shepp	阿克曼、类车
Smac State Lattice	状态格	差速与全向

对轮式人形这类差速或全向底盘，SmacPlannerLattice 通常比 Hybrid-A* 更合适 —— 后者的 Dubins/Reeds-Shepp 模型是为转弯半径受限的类车平台设计的。两者都保证路径 运动学可行。注意一个差异：Hybrid-A* 支持路径平滑，State Lattice 不支持（格点 依赖代价地图分辨率）。

经典算法层面还有 Theta*（any-angle，路径不受栅格八方向约束）、D* Lite （增量式重规划，适合地图局部更新）和 JPS（Jump Point Search，在均匀代价栅格上 跳过对称路径，大幅减少扩展节点数）。A-OctoMap 就是在 JPS 上做的改进。

失效边界

T-Hybrid A* 给了个有说服力的量化结果：火星地形数据集上 50 组随机起终点实验， 2D 地图规划出的路径有一半无法被安全跟踪 —— 部分路径点的地形粗糙度或机器人投影 姿态超出安全阈值。

室内失效更具体，2.5D 导航系统 列举得清楚：坡道、楼梯、路沿、粗糙地面、路上的 杂物 —— 这些对机器人可能可通行，但在 2D 栅格上一律被标成障碍。

结论：如果场景是平整地面加静态障碍，2D 栅格 + Nav2 就是正确答案，不要过度设计。

2.3 2.5D 高程图路线（重点）

这是轮式机器人最主流的一路。链路分三段：建图 → 算可通行性 → 在其上规划。

2.3.1 建图

事实标准是 ETH / ANYbotics 这套，三篇论文对应三代实现：

• Fankhauser 等 2018「Probabilistic Terrain Mapping for Mobile Robots With Uncertain Localization」—— 这是 elevation_mapping 的论文。机器人中心的高程 图，卡尔曼滤波融合位姿与距离传感器，再做基于邻域的概率融合，每格维护高度和方差。 维护方差这点很关键，它是后续做不确定性感知的前提。
• Miki 等 2022「Elevation Mapping for Locomotion and Navigation using GPU」—— 这是 elevation_mapping_cupy 的论文。GPU 加速之外，三个关键增强： 高度漂移补偿（对抗状态估计漂移造成的伪影）、基于光线投射的可见性清理 （去除虚假体素，并正确处理悬空障碍）、学习式可通行性滤波器。
• Wermelinger 等 2016「Navigation planning for legged robots in challenging terrain」—— traversability_estimation 的方法论来源。

那条「可见性清理正确处理悬空障碍」值得记 —— 它部分缓解了 2.5D 表达不了悬空物的固有 短板。

一个实机必踩的坑，2.5D 导航系统 专门提到：RGB-D 相机通常看不到机器人 正下方和正前方，启动时机器人站在未建图的空洞里，跟踪器无法工作。解法是按机器人 位姿和坡度主动填充足迹范围内的空格，初始化阶段用较大半径（0.4 m），完成后收到 较小半径（0.25 m）补偶发空洞。

2.3.2 可通行性估计

这是 2.5D 的核心，也是各家差异最大的地方。四种思路，复杂度递增。

思路一：高度差分（最轻量）

2.5D 导航系统 的公式，沿横纵两向取间隔 $\Delta$ 的高度差估坡度，映射成概率：

$$S_h(i,j) = \frac{|z(i,j+\Delta) - z(i,j-\Delta)|}{2\Delta\varepsilon}, \quad S_v(i,j) = \frac{|z(i+\Delta,j) - z(i-\Delta,j)|}{2\Delta\varepsilon}$$

$$S = \frac{S_h + S_v}{2}, \quad p(i,j) = e^{-\lambda S(i,j)}$$

$p > 0.5$ 判可通行。只有 $\Delta$ 和 $\lambda$ 两个参数，标定简单，适合算力紧张的 平台。

思路二：局部平面拟合（最主流）

足迹范围内最小二乘拟合平面 $ax + by + c = z$，坡度由法向量与竖直方向夹角得到， 粗糙度取各点到平面距离的标准差：

$$S_{slope} = \arccos\left(\frac{(a, b, -1) \cdot (0,0,1)}{\sqrt{a^2+b^2+1}}\right), \quad \sigma = \sqrt{\frac{1}{|\mathcal{B}|}\sum_j \frac{(a x_j + b y_j + c - z_j)^2}{a^2+b^2+1}}$$

T-Hybrid A* 用 PCA 取最小特征向量作法向量，本质相同。它还额外算点到拟合平面的 有符号距离极差 $h = \max_i(d_i) - \min_j(d_j)$ —— 有符号是关键，这样凹坑和 凸起都能检出，绝对值会把两者混为一谈。

思路三：把机器人姿态算进去

前两种算的是「地形本身好不好走」，但真正决定安全的是机器人以某个朝向停在该处时的 姿态。T-Hybrid A* 规划时实时把机器人投影到局部平面，解出真实 roll 和 pitch：

$$\tilde{\tau} = 1 - w_r \frac{r_{sum}}{r_{max}} - w_{\theta x} \frac{|\theta_x|}{\theta_{xmax}} - w_{\theta y} \max\left(\frac{\theta_y}{\theta_{ymin}}, \frac{\theta_y}{\theta_{ymax}}\right)$$

注意 pitch 用了两个不对称阈值 —— 上坡和下坡的安全裕度本来就不同。对重心高的 平台，这个不对称只会更明显。

思路四：把不确定性和风险算进去

前三种都把可通行性当确定值。但地图本身有噪声，感知退化场景尤甚。STEP（DARPA 地下挑战赛）给出另一套框架：不确定性感知的建图与可通行性评估，用条件风险价值 （CVaR）做尾部风险评估 —— 关注的不是平均有多难走，而是最坏那部分有多糟。配合风险 感知 MPC 与快速恢复行为，在洞穴、矿井、隧道做了轮式和腿式平台的实地验证。

对轮式人形这个视角值得重视：重心高的平台，一次翻倒的代价远高于多绕十米，用均值 代价优化本身就是错配。

一个容易整体遗漏的类别：负障碍。 上面讨论的都是正障碍（凸起、坡、墙），但坑洞、 台阶下沿、装卸口这类负障碍感知上更难 —— 激光打不到坑底就没有回波，表现为数据 缺失而非障碍。Hines 等 用虚拟表面加姿态感知的规划与行为处理。

综述：针对地面车辆最对口的是 Borges 等 2022（方法、传感器与挑战），另有 可通行性估计综述 和地面分割与可通行性估计综述。

2.3.3 在高程图上规划

路线 A：把通行性喂给现成的 2D 规划器。 2.5D 导航系统 最省事：把逐格通行性 概率写进 Nav2 代价地图，直接用现成规划器（他们用 Theta*），局部跟踪用 MPPI。

他们对比两种 MPPI 代价函数的结论有意思：Slope-Roughness 路径更短但会贴着悬崖走； Slope-Traversability 离边缘更远更保守但会直接开过小坑。没有绝对更好，取决于你的 失败代价是翻车还是颠簸。

路线 B：专门的地形感知规划器。 T-Hybrid A* 分层混合 —— 绝对不可通行区 只用 2D 表示、规划时跳过；其余区域才建 2.5D 做完整姿态评估。点云分割用动态体素 栅格，尺寸按机器人算：

$$G_l = G_w = \sqrt{R_l^2 + R_w^2}, \quad G_h = G_l \tan\rho_{max}$$

高度取 $G_h$ 后，树木桥梁这类悬空结构自然落在栅格外 —— 一个几何约束同时完成降采样和 悬空物过滤。实机（0.7×0.5×0.5 m，Velodyne-16，最大坡度 20°）长坡场景 roll cost 从纯 2.5D 的 537 降到 464。

2.3.4 2.5D 的硬边界

三条，都无法靠调参绕过：

1. 悬空结构——每格一个高度，桌子货架门框横梁表达不了；
2. 多层重叠——天桥、楼梯间、多层厂房，同一平面位置有多个可站立高度；
3. 矮小物体误判——纯几何下，线缆、地垫容易被当成地面起伏。

碰到前两条就该往 2.4 走。

2.4 3D 体素与多层结构

投影法：3D 建图，2.5D 规划

性价比最高的折中，室内不平整环境导航 是典型。流程：轮式里程计 + 2D 激光 + RGB-D 建 3D OctoMap → 投影出多层 2D 占据图 → 按层间高度差生成可通行图 → 变步长 RRT 规划。

它的场景设定对室内轮式机器人特别贴切：现代室内环境大多按无障碍标准设计，因此 轮式机器人可以走坡道、同时避开楼梯。这直接决定了可通行性判据 —— 不是「地面平不平」， 而是「这个坡度轮式底盘能不能上」。

投影法的价值：建图阶段保留完整 3D 信息（悬空物和多层都在），规划阶段投影到 2.5D （开销可控）。

直接在多层结构上规划

多层是常态时，多层点云加权可通行图 更彻底：点云用多层跳表结构加瘦身算法 组织；直接通过车体与点云交互分析取通行性指标，跳过曲面拟合；指标赋到多层连通图 得到加权可通行图，改造 A* 搜索。

OctoMap 效率优化：A-OctoMap 自适应分辨率下采样，Parallel OctoMapping 并行化。

2.5 稀疏图与表面表示

这一类的共同点是把稠密栅格压缩成稀疏结构，用空间换时间。

TRG 系列：风险图（对轮式平台最相关）

TRG-Planner（RA-L 2025）提出可通行风险图（TRG）：节点表示地形的稳定 性与可达性，边表示相对通行风险加权的候选路径。用波前传播方式构建、分层管理, 因此大场景也能实时规划。最后在 TRG 上做图优化，同时优先安全和短距离。四足实机验证, 是 DreamSTEP 队在 ICRA 2023 Quadruped Robot Challenge 夺冠方案的全局规划器。

RB-TRG（2026-08）是本文调研到的最贴近轮式人形平台的工作，实机 Go2-W 轮式四足。它指出原生 TRG 的代价是在圆形邻域和沿边地形区域上算的，而非机器人 有朝向的机体足迹 —— 对轮式腿式平台会漏掉部分支撑丧失和机体与地形干涉， 转弯时尤其明显。

做法：沿图的边和 yaw 扫掠采样有向矩形足迹，度量纵向支撑变化、侧向倾斜、地形干涉、 以及对不可信地图区域的暴露；把这些量的均值与上尾特征并入转移代价，A* 在有序 节点对状态上最小化。关键是它保留了 TRG 的构建过程和规划接口，是增强而非另起炉灶。

结果：端到端成功率 51.5% → 68.5%，平均路径长度增加 2.3%。这个交换比很说明问题 —— 多走 2.3% 的路换 17 个百分点的成功率。拿了 IEEE ICRA 2026 Legged Robot Challenges 最佳自主与最佳机动奖。

注意它和 STEP 的呼应：「对不可信地图区域的暴露」和「上尾特征」本质都是风险感知， 不是平均代价优化。两条独立线索收敛到同一思路。

SE(2) NavMesh：朝向相关的多边形表示

SE(2) NavMesh（ETH RSL，2026-07）把可通行区域抽象成连通凸多边形。经典 NavMesh 假设通行性与朝向无关，对非圆形机体失效。它用足迹掩膜评估通行性并按 yaw 离散成多层，层内平移连通、层间原地旋转连通。

规划用三阶段 ASA（A* → String Pulling → A*）：yaw 分层图上搜可行路径与区域序列 → 丢弃 yaw 信息合并区域得多边形走廊、走廊内几何拉直 → 拉直位置上二次搜索优化朝向。

结果：比经典 NavMesh 多捕获 50% 以上可通行面积，ASA 再降 6.2% 路径长度。实机通过 0.8 m 宽通道 —— 只比机体宽 0.27 m。

它自承的局限对轮式人形恰是机会：只考虑固定机体高度，「降低高度就能过」的区域被 误判为不可通行。很多轮式人形能调整躯干高度，把高度作为额外离散维度加入是自然扩展。

同类还有 SCAN-Planner 的朝向相关双圆柱足迹与投影 A* 加 z 梯度抑制 —— 避障主要在水平方向变形，保持斜坡楼梯上的垂直趋势。以及 ArtPlanner， traversability 引导的采样加 MPC，面向野外腿式机器人。

拓扑图：更高层的抽象

再往上还有一层本文未展开的表示：分层语义拓扑图。osmAG 用 OSM 格式表达 分层的语义区域图（房间、走廊、连接关系），适合建筑尺度的粗粒度路径规划，再由下层 几何规划器细化。这条路线和上面几种是互补关系而非竞争。

2.6 横切主题：动态环境下的重规划

上面绝大多数工作假设全局地图静态、规划一次然后跟踪。但轮式人形的作业场景（商场、 办公、家庭）高度动态。

这个方向本文覆盖不足，只找到一条明确线索：De Luca 等 2023「Autonomous Navigation With Online Replanning and Recovery Behaviors for Wheeled-Legged Robots Using Behavior Trees」—— 用行为树组织在线重规划与恢复行为，平台正是轮式腿式 机器人。行为树在这里的作用是把「什么时候该重规划、重规划失败怎么办」这类控制流从 规划器里剥离出来显式建模。

结合 D* Lite 这类增量式重规划算法，是值得单独展开的方向。

2.7 最新进展（2026 年）

把 2026 年 4 月之后的工作单独拎出来看，会发现三条清晰的趋势线。

趋势一：把全局规划推到传感器视距之外

这是今年最集中的方向。核心矛盾是：车载传感器只能看到周边几十米，但安全高效的 路线取决于视距之外的地形特征，纯靠局部感知的全局规划必然近视。

Viswanath 等 2026 的做法是从俯视数据（卫星影像、航空激光、矢量地图）学习 连续的可通行性图，监督信号直接来自人类驾驶的 GPS 轨迹，再用激光的自监督几何 先验做约束。他们同时公开了一个 299 场景、约 1244 km² 地形配 1130 km 人类驾驶数据的 数据集（HuggingFace）。实车结果：路径长度在人类路径的 3.66% 以内， 操作员干预次数比纯局部规划方案减少约 85%。

Sivaprakasam 等 2026（CMU）走的是蒸馏全局可通行性先验到图像 affordance 预测，同样针对长时程下的近视行为。Singh 等 2026 则更直接：把低分辨率的全局 DEM 与实时传感器反馈做混合，弥补「全局建图与实时感知脱节」的问题。

对室内轮式平台的启发：室内没有卫星影像，但建筑 BIM 图纸、楼层平面图是等价的 俯视先验。这条路线的思想可以迁移，数据源要换。

趋势二：风险建模从「加权代价」走向「概率融合」

STEP 在 2021 年引入 CVaR 尾部风险，RB-TRG 在 2026 年用上尾特征， 两条独立线索已经收敛。今年又出现了第三条：

Genua 等 2026 面向自主轮椅的分层风险图，把四类异质风险 —— 地形坡度、静态 障碍、动态障碍、语义可通行性 —— 用 Noisy-OR 融合模型合成统一的概率代价面。这个 选择值得注意：Noisy-OR 假设各风险源独立地「导致失败」，比线性加权更符合安全语义。 配对蒙特卡洛评估中，碰撞率从 73% 以上降到 32% 以下，障碍物间距翻倍，并在商用 电动轮椅上做了室内外三种任务剖面的验证。

电动轮椅在运动学和安全约束上与轮式人形高度相似，这篇的参考价值比多数越野工作更高。

另有 Arief 等 2026 从理论侧切入：在真实通行代价先验未知、驱动不完美的前提 下，把 Dijkstra 当作 oracle 解在线随机最短路问题，并给出可证明的保证。这类工作填的是 「代价函数本身不确定时该怎么规划」的空白。

趋势三：跨本体的可迁移性成为显式问题

Wang 等 2026 提出的问题很尖锐：对一个机器人语义上合理的路径，对另一个机器人 可能物理上不可行。他们用 VLA 模型提供语义先验，再用轨迹残差适配特定本体的移动性 约束。

这正好呼应本文反复提到的一点 —— 同一套可通行性公式，换个平台语义可能完全不同。 过去这被当作调参问题，现在开始被当作建模问题处理。

三、开源项目

项目	层次	对应论文	说明
grid_map	基础库	—	多层二维栅格地图，2.5D 方案的底座
elevation_mapping	建图	Fankhauser 2018	机器人中心高程图，每格维护高度与方差
elevation_mapping_cupy	建图	Miki 2022	GPU 版；漂移补偿、可见性清理、学习式通行性滤波
traversability_estimation	通行性	Wermelinger 2016	基于 grid_map 的通行性滤波器
Nav2	规划	—	NavFn / Smac 2D / Hybrid-A* / State Lattice
T-Hybrid-planner	规划	T-Hybrid A*	2D+2.5D 混合地图 + 地形感知 Hybrid A*
TRG-Planner 项目页	规划	TRG-Planner	可通行风险图，ICRA 2023 四足挑战赛冠军方案。仅有项目页，代码未公开
RB-TRG	规划	RB-TRG	有向足迹风险图，ICRA 2026 最佳自主/机动奖
CMU 自主导航开发环境	系统	—	地形可通行性分析、避障、路点跟随与仿真环境
FAR Planner	规划	—	可视图规划，DARPA SubT 决赛探索扇区最多
SE(2) NavMesh	规划	SE(2) NavMesh	朝向相关 NavMesh（代码待发布）

选型上的一条经验：推荐工具时把它背后的论文一起读，比只看 README 清楚得多 —— 参数含义、适用假设、已知局限通常只在论文里。上表的「对应论文」一列就是为此。

系统级整体架构可参考 ETH 的轮式腿式机器人工作：自适应运动控制 + 移动性感知的 局部导航 + 城市尺度的大范围路径规划，在苏黎世和塞维利亚做了公里级自主任务。

四、演进脉络

把这些工作按引用关系串起来，能看出比单篇阅读更清楚的东西。下面这张图是顺着引文关系 整理的 —— 箭头表示后者引用并建立在前者之上。

flowchart TD
    W16["Wermelinger 2016<br/>腿式机器人地形导航规划"] --> F18["Fankhauser 2018<br/>概率地形建图"]
    K17["Krüsi 2017<br/>点云直接规划"] --> W16
    K17 --> TH23["T-Hybrid A* 2023<br/>2D+2.5D 混合地图"]
    F18 --> M22["Miki 2022<br/>GPU 高程图"]
    F18 --> D22["2.5D 导航系统 2022<br/>Nav2 集成"]
    W16 --> STEP21["STEP 2021<br/>CVaR 尾部风险"]
    M22 --> TRG25["TRG-Planner 2025<br/>可通行风险图"]
    STEP21 --> TRG25
    TH23 --> RB26["RB-TRG 2026<br/>有向足迹风险图"]
    TRG25 --> RB26
    H20["Hines 2020<br/>负障碍"] --> RB26
    M22 --> SE26["SE(2) NavMesh 2026<br/>朝向相关多边形"]
    STEP21 --> LR26["分层风险图 2026<br/>Noisy-OR 融合"]

三条主线：

建图线（ETH 系）。 Krüsi 2017 证明了可以直接在点云上规划但代价高昂 → Wermelinger 2016 转向高程图上的导航规划 → Fankhauser 2018 把建图做成概率框架并维护每格方差 → Miki 2022 上 GPU 并加入可见性清理。方差这条线索很关键 —— 2018 年埋下的这个设计, 是后来所有不确定性感知方法的前提。

风险线。 STEP 2021 首次把 CVaR 尾部风险引入可通行性评估 → TRG-Planner 2025 把 风险直接编码进图的边权 → RB-TRG 2026 进一步用有向足迹算风险的上尾特征 → 同年 分层风险图用 Noisy-OR 做多源风险融合。四篇独立工作、不同团队，都在朝「用概率而 非加权代价描述风险」收敛，这个信号比任何单篇的性能数字都重要。

表示线。 从 2D 栅格到 2.5D 高程图是为了表达地形；从高程图到 TRG / NavMesh 是为了 压缩规模并显式编码朝向。注意 SE(2) NavMesh 和 RB-TRG 是 2026 年同期的两篇，一个 走多边形、一个走稀疏图，但解决的是同一个问题 —— 非圆形机体的朝向相关通行性。 这种「同期不同路径攻同一问题」的格局，通常意味着该问题刚刚成熟到值得攻。

一个观察：RB-TRG 同时引用了 T-Hybrid A*、TRG-Planner 和 Hines 的负障碍工作， 它是本文所覆盖的三条线的汇合点。想快速切入这个领域，从它的参考文献读起效率最高。

五、调研结论与方案建议

以下是我基于上述文献的推断，不是论文结论，需自行验证。

5.1 选型决策

flowchart TD
    A{"场景里有<br/>坡道 / 门槛 / 地面起伏吗"} -->|否| B["2D 栅格 + Nav2<br/>不要过度设计"]
    A -->|是| C{"有悬空障碍<br/>或多层结构吗"}
    C -->|否| D["2.5D 高程图<br/>elevation_mapping_cupy<br/>+ 通行性写入代价地图<br/>+ Nav2 规划器"]
    C -->|是| E{"需要跨楼层吗"}
    E -->|否| F["3D 建图 + 多层投影<br/>OctoMap → 2.5D<br/>规划仍在 2.5D 上"]
    E -->|是| G["多层图表示<br/>多层可通行图 / TRG / NavMesh"]

5.2 具体判断

默认路线是「3D 建图 + 2.5D 规划」。 既然已有 3D 激光，建图阶段没理由丢掉三维信息 （悬空物和多层都在里面），但规划投影到 2.5D 控制开销。

通行性判据必须按平台标定，不要照搬论文参数。 公式结构通用，但 $\rho_{max}$、 $h_{max}$、roll/pitch 阈值必须按自己底盘实测能力定。

不对称的 pitch 阈值值得照搬。 上下坡安全裕度不同，对重心高的平台尤其重要。

朝向相关的通行性，取决于机体长宽比。 底盘接近方形或圆形时圆形膨胀够用；明显细长、 或需要窄通道原地转身时，才考虑 RB-TRG / SE(2) NavMesh 这类方案。 先量长宽比再决定，不要预先上复杂方案。

风险感知比平均代价更适合重心高的平台。 STEP 的 CVaR 和 RB-TRG 的 上尾特征是同一思路的两种实现。轮式人形一次翻倒的代价远高于多绕路，值得优先考虑。

同一个公式在不同平台上语义可能相反。 T-Hybrid A* 的 $G_h = G_l \tan\rho_{max}$ 是为了排除悬空物（室外的树和桥与底盘无关）；但对轮式 人形，桌子货架本身就是障碍，这个高度应取机体高度。照搬公式不看语义会出事。

全局规划不需要高频。 建图与全局规划 1 Hz、跟踪 10 Hz 是合理配置，算力优先给跟踪 和局部避障。

5.3 开放问题

动态环境下的全局重规划触发条件。 见 2.6 节 —— De Luca 2023 的行为树方案是 目前找到的唯一明确线索，D* Lite 与通行性代价如何结合仍需自行验证。

机体高度可变时的表示扩展。 SE(2) NavMesh 处理 yaw 的分层方式能否推广到 高度维度，尚无现成工作。

六、可能的研究方向与创新方案

以下是我基于上述脉络的推断，不是文献结论。 每条给出问题、依据和一个可落地的 方案草图。

6.1 把机体高度加进 SE(2)，做 SE(2)×H 的通行性

问题。 SE(2) NavMesh 自己在 Limitations 里承认：它只考虑固定机体高度， 因此「降低高度就能通过」的区域会被误判为不可通行，可通行面积被系统性低估。而轮式 人形、可升降底盘、轮式腿式平台恰恰普遍能调整躯干高度。

依据。 SE(2) NavMesh 已经证明了「把一个额外自由度离散成分层图、层内平移连通、 层间转移连通」这套机制是可行且高效的 —— 它对 yaw 就是这么做的。高度和 yaw 在 结构上是同一类问题。

方案草图。 把机体高度离散成 $N_H$ 档（如 3 档：常态 / 半蹲 / 最低），对每档用 对应的足迹掩膜和高度阈值独立评估通行性，生成 $N_\Psi \times N_H$ 层。层间转移分两类： 同高度不同 yaw 的原地旋转、同 yaw 不同高度的升降。升降的代价按耗时加稳定性惩罚 计 —— 降低重心通常更稳，但升降本身耗时且过程中重心轨迹有风险。ASA 的三阶段寻路可以 直接复用，只是状态多了一维。

预期收益与风险。 收益是窄空间可通行面积的显著提升（对标 SE(2) NavMesh 相对经典 NavMesh 的 50%）。风险是状态空间乘以 $N_H$，需要验证大场景下是否还能实时 —— 好在 高度的档位数远少于 yaw，$N_H \le 4$ 应该可控。

6.2 用 BIM / 楼层平面图做室内版的「超视距先验」

问题。 趋势一那批工作（卫星影像、航空激光学可通行性）全部面向室外。室内轮式 机器人有同样的近视问题 —— 传感器看不到隔壁房间，但全局路径的优劣恰恰取决于那里。

依据。 Viswanath 等 的关键设计不是「用卫星图」，而是用一种覆盖全域的 俯视先验，配合稀疏的真实轨迹监督。室内的等价物是 BIM 模型或楼层平面图 —— 覆盖全域、免费获取、且天然含语义（门、楼梯、电梯、房间功能）。osmAG 已经 证明了建筑级拓扑图对粗粒度规划有用，缺的是「从图纸预测可通行性」这一步。

方案草图。 以 BIM / 平面图为输入，预测一张连续的先验可通行性图；监督信号用机器人 自己历史运行的轨迹（等价于人类驾驶轨迹），几何先验用已建的高程图做自监督约束。在线 运行时把先验图与实时高程图融合 —— 融合方式可以直接借 Genua 等 的 Noisy-OR。

这个方案的额外价值：图纸和实际不符的地方（临时堆放、改造）会表现为先验与实测的 显著分歧，这本身就是有用的信号，可以驱动重新探索。

6.3 把重规划触发条件建模成风险变化，而不是几何变化

问题。 第 2.6 节留的开放问题 —— 动态环境下什么时候该重规划。现有做法要么定时 触发，要么在检测到路径被阻断时触发，两者都不够。定时重规划浪费算力；等到阻断再规划 往往已经晚了。

依据。 De Luca 等 用行为树把重规划的控制流显式建模，但触发条件本身仍是 几何判据。而趋势二那批工作已经把可通行性做成了概率量。既然代价是概率，代价的 变化量就是可度量的。

方案草图。 维护当前全局路径沿线的累积风险 $R(t)$。局部地图每次更新后重算 $R(t)$，当风险增量超过阈值或当前路径风险超过次优路径的估计风险时触发重规划。 前者应对突发障碍，后者应对「原路径还能走但已经不划算」的渐变情形 —— 后一种是纯几何 判据完全捕捉不到的。配合 D* Lite 做增量式重算，避免每次全量重规划。

验证方式。 在同一动态场景下对比定时触发、几何触发、风险触发三种策略的干预次数 和总耗时。

6.4 轮式人形专属：把上半身状态纳入底盘通行性

问题。 本文所有工作都把机器人当成一个刚性足迹。但轮式人形的上半身是可动的 —— 手臂展开时的投影、搬运物体时的重心偏移、俯身时的高度变化，都会改变底盘的通行性。

依据。 Wang 等 已经把「本体特定的移动性约束」提为显式问题； 门洞导航那篇 也开始协调底盘与机械臂的运动。但都停留在局部规划层面，全局 规划仍然假设机体形状固定。

方案草图。 把上半身构型抽象成少数几个任务态（空载 / 持物 / 手臂收拢 / 手臂展开），每个任务态对应一组足迹掩膜和重心高度参数。全局规划时，任务序列是已知的 （先去 A 取物、再去 B 放下），因此可以分段用不同的通行性图规划，在任务态切换点 做拼接。这比在线维护一个连续的构型相关通行性要现实得多。

这条我认为是轮式人形相对普通 AGV 最本质的差异，也是现有文献覆盖最薄的地方 —— 本次调研没有找到任何一篇正面处理它。

七、参考文献

说明：💻 = 有公开代码，📊 = 有公开数据集，🔗 = 仅有项目页。本节逐条核对过 各论文正文中的链接，未标注的即为未找到公开实现。

核心论文

• T-Hybrid A* — Hybrid Map-Based Path Planning for Robot Navigation in Unstructured Environments, arXiv:2303.05304 ｜ 💻 代码
• 2.5D 导航系统 — 2.5D Mapping, Pathfinding and Path Following, arXiv:2209.07252 ｜ 无独立仓库，基于 elevation_mapping 与 Nav2 实现
• SE(2) NavMesh — SE(2) Navigation Mesh, arXiv:2607.01454 ｜ 🔗 项目页（代码待发布）
• SCAN-Planner — arXiv:2606.19555 ｜ 💻 代码（待发布）

图表示与风险感知

• TRG-Planner — Traversal Risk Graph-Based Path Planning, arXiv:2501.01806 ｜ 🔗 项目页（代码未公开）
• RB-TRG — Robot-Body-Aware TRG Planning for Wheeled-Legged Robots, arXiv:2608.16433 ｜ 💻 代码
• STEP — Stochastic Traversability Evaluation and Planning, arXiv:2303.01614 ｜ 未开源
• ArtPlanner — Robust Legged Robot Navigation in the Field, arXiv:2303.01420
• osmAG — Hierarchical Semantic Topometric Area Graph Maps, arXiv:2309.04791

建图与可通行性

• Fankhauser 等 2018 — Probabilistic Terrain Mapping for Mobile Robots With Uncertain Localization, RA-L ｜ 💻 elevation_mapping
• Miki 等 2022 — Elevation Mapping for Locomotion and Navigation using GPU, arXiv:2204.12876 ｜ 💻 elevation_mapping_cupy
• Wermelinger 等 2016 — Navigation planning for legged robots in challenging terrain, IROS ｜ 💻 traversability_estimation
• Krüsi 等 2017 — Driving on Point Clouds, JFR
• Hines 等 2020 — Negative Obstacle Navigation, arXiv:2010.16018

其他地图表示

• 室内不平整环境导航 — arXiv:1710.10523 ｜ 未开源
• 多层点云加权可通行图 — arXiv:2504.21622 ｜ 未开源
• A-OctoMap — arXiv:2406.13910（改进 JPS，未开源）／ Parallel OctoMapping — arXiv:2603.22508

2026 年最新进展

• Viswanath 等 2026 — Learning Traversability-Aware Global Planners for Long Horizon Off-Road Navigation, arXiv:2607.23743 ｜ 📊 数据集（299 场景 / 1244 km²）
• Sivaprakasam 等 2026 — Distilling Global Traversability Priors, arXiv:2607.17984
• Singh 等 2026 — Terrain-Aware Local Path Planning with Global DEM Integration, arXiv:2608.17038
• Genua 等 2026 — Layered Risk Mapping for Autonomous Patient Transport, arXiv:2607.13497
• Arief 等 2026 — Dijkstra as an Oracle for Online Stochastic Shortest Path, arXiv:2608.17703
• Wang 等 2026 — CrossTracer: Cross-Embodiment Navigation, arXiv:2608.06688
• Sinaei 等 2026 — Motion Planning for Mobile Manipulators Navigating Doorways, arXiv:2608.00206

系统与综述

• 轮式腿式机器人导航与运动 — arXiv:2405.01792
• De Luca 等 2023 — Online Replanning and Recovery Behaviors Using Behavior Trees, RA-L
• Borges 等 2022 — A Survey on Terrain Traversability Analysis for Autonomous Ground Vehicles, Field Robotics
• 可通行性估计综述 — arXiv:2204.10883 ／ 地面分割与可通行性估计综述 — arXiv:2312.16839
• MRPB 1.0 — 局部规划统一 benchmark, arXiv:2011.00491