起点： start，目标： goal，由全球规划者指定
n个控制点：插入n个控制点(机器人的姿势[x，y，theta ] )，用这一系列姿势点表示其路径。
时间分辨率：在两个姿态点之间定义时间(等时间间隔) )。
目标函数(约束)每个目标函数只与橡皮筋中的几个连续状态有关。 不是整个band。
TEB算法是在全局路径中以一定的时间间隔插入n个状态点，使路径成为可变形的橡皮筋，然后对其施加制约。 每个约束都可以看作是橡皮筋的外力，对橡皮筋施力会使橡皮筋变形，这种变形是其内部的优化算法。 这种优化的变形将找到满足各种约束的最终可能路径。
约束/目标函数(四种常见类型) :
循路径避障
为了解除速度/加速度的约束而返回
两个状态点之间通过直接差分近似来计算
运动学约束
由几个圆弧段组成的光滑轨迹，(最小转弯半径)最快路径约束)与最短路径区分) TEB优化问题
TEB是一个多目标优化问题，大多数目标是局部的，因此只与一小部分参数相关。 因此，它取决于几个连续机器人的状态。
优化算法使用开源框架g2o : nodes，edges。
作为g2o优化算法目标的这些离散姿态组成的轨迹可以实现时间最短、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。
整个TEB工作流：
全局路径————约束—————g2o优化————速度指令
(等间隔地插入n个状态点，作为橡皮筋) ) )。
(对橡皮筋施加外力) )
听说现在自动驾驶很受欢迎，所以我也做了|雷锋网
TEB算法流程_陈_呵呵博客-CSDN博客
Category: TEB算法|无声杀手
TEB轨迹优化算法-代码分析和参数建议_zz123456zzss的博客-CSDN博客_teb算法
Time Elastic Band -我知道
网上收集Teb Local Planner调试使用-古月居