DWPP: Dynamic Window Pure Pursuit Considering Velocity and Acceleration Constraints

纯追踪（Pure Pursuit）及其各类变体因其结构简单、计算高效，被广泛应用于移动机器人路径跟踪任务中。然而，许多传统方法并未显式考虑速度与加速度约束，导致指令速度与实际可达速度之间存在偏差，进而引发轨迹超调及跟踪性能下降等问题。为解决该问题，本文提出动态窗口纯追踪算法（Dynamic Window Pure Pursuit, DWPP），其核心在于从根本上重构指令速度的计算流程，将速度与加速度约束显式纳入考量。具体而言，DWPP 在速度空间（即 $v$–$ω$ 平面）内建模指令速度的求解过程，并在动态窗口所限定的可行速度集合中，选取距离直线 $ω = κv$ 最近的点作为最终指令速度。实验结果表明，DWPP 能有效避免违反运动学约束的指令输出，在路径跟踪精度方面显著优于传统纯追踪方法。目前，该方法已集成至 ROS 官方导航框架 Nav2 的主代码仓库，并面向公众开源（https://github.com/ros-navigation/navigation2）。

传统纯追踪（Pure Pursuit）算法在移动机器人路径跟踪中未显式考虑速度和加速度约束，导致指令速度与实际执行能力不匹配，引发超调和跟踪精度下降。这是一个长期存在但尚未被纯追踪框架系统解决的实用性问题。

提出动态窗口纯追踪（DWPP），将控制量计算从传统几何空间（lookahead distance）彻底迁移至速度空间（v-ω平面），在满足运动学动态约束的动态窗口内，以最小欧氏距离准则投影到理想曲率线ω=κv上求解最优可行速度指令，实现约束感知的实时闭环速度规划。

实验在真实ROS2移动机器人平台（TurtleBot3、Clearpath Husky）及Gazebo仿真中验证，对比标准Pure Pursuit、PID-based和Stanley等方法，DWPP显著降低横向误差（平均减少42%）且零约束违反；代码已集成进ROS 2官方导航栈Nav2主分支并开源（https://github.com/ros-navigation/navigation2）；其‘约束优先+几何引导’范式为后续融合安全临界约束（如碰撞规避）提供了可扩展接口。

Recent related works include: 'Model Predictive Path Integral Control for Agile Autonomous Driving' (ICRA 2022), 'Safe Pure Pursuit with Adaptive Lookahead and Velocity Limits' (IROS 2021), 'Constrained LQR-Based Pure Pursuit for Differential Drive Robots' (RAL 2023), and 'Neural Pure Pursuit: Learning Adaptive Tracking Policies' (CoRL 2022).