课程导入：ROS2机器人安全避障的整体概念、学习目标与课程项目预览
移动机器人在真实环境中执行任务时，最核心的底线要求是“不碰撞、不翻覆、不困死”。无论是仓储物流中的自主搬运机器人、餐厅中的送餐机器人，还是巡检场景中的轮式或履带式平台，安全避障能力都直接决定了系统能否从实验室走向实际部署。传统避障方案通常依赖激光雷达或超声波传感器，通过几何距离判断来触发减速或停止。然而，真实环境中的障碍物并非都是规则的几何体——可能是透明玻璃、低矮台阶、悬空物体、反光金属表面，甚至是突然出现的人或动物。仅靠几何测距无法区分“可通行区域”与“危险区域”，更无法理解障碍物的语义属性。本课程将系统讲解如何将AI视觉识别能力与ROS2导航框架中的代价地图（Costmap）机制深度联动，构建一套具备语义理解能力的智能避障系统。课程内容覆盖从传感器选型、AI模型部署、ROS2节点通信设计，到代价地图动态更新的完整工程链路。
上图展示了本课程的核心架构：感知层负责采集环境图像并运行AI模型识别障碍物类别；联动层通过ROS2消息机制和TF2坐标变换将视觉信息转换为机器人坐标系下的障碍物位置与属性；规划层则利用Nav2的代价地图机制，将AI识别结果动态注入全局与局部代价地图中，从而影响路径规划器的决策。整个系统形成闭环：感知→理解→规划→执行→反馈。这张图将贯穿课程始终，后续每个章节都会围绕其中的一个或多个模块展开深入讲解。
1.1 为什么传统避障方案不够用？——从几何避障到语义避障
核心原理：传统避障方案（如纯激光雷达测距、超声波触发）本质上属于“几何避障”——只关心障碍物的距离和轮廓，不关心障碍物是什么。这种方案在结构化环境中表现尚可，但在复杂场景中暴露出明显缺陷。例如，激光雷达无法检测透明玻璃，超声波对吸音材料不敏感，而视觉传感器配合AI模型则能识别出“这是玻璃门”“这是纸箱”“这是正在行走的人”。语义信息让机器人能够做出更合理的决策：遇到纸箱可以尝试绕行，遇到玻璃门则必须保持更大安全距离，遇到行人则需要减速并等待。
判断方法：评估一个避障系统是否满足实际需求，可以从以下维度进行判断：
| 评估维度 | 传统几何避障 | AI语义避障 |
|---|---|---|
| 障碍物识别能力 | 仅知道“有障碍物” | 知道“是什么障碍物” |
| 透明/反光物体 | 无法检测或误判 | 可通过视觉识别 |
| 动态物体处理 | 只能检测当前帧位置 | 可预测运动趋势 |
| 安全策略定制 | 统一膨胀半径 | 按类别差异化膨胀 |
| 计算资源消耗 | 低 | 较高，需优化 |
实战场景：假设一台室内巡检机器人需要穿过一个装有落地玻璃窗的走廊。传统激光雷达方案中，玻璃窗几乎不反射激光束，雷达会将其视为“无障碍物”，机器人可能直接撞上去。而AI视觉方案中，摄像头捕捉到玻璃窗的边框和反射特征，模型输出“glass_window”类别，系统在代价地图中为玻璃区域添加高代价标记，机器人选择远离玻璃窗的路径通过。
1.2 课程学习目标——你将掌握哪些核心能力
核心原理：本课程的学习目标不是单纯地“跑通一个Demo”，而是让学员具备独立设计、实现和调优一套完整AI避障系统的工程能力。课程按照“从底层到顶层、从模块到系统”的逻辑组织，每个章节都对应一个可交付的工程模块。
具体目标拆解：
- 掌握ROS2核心通信机制：理解话题（Topic）、服务（Service）、动作（Action）的适用场景，能够设计自定义消息接口用于传递AI识别结果。
- 熟悉Nav2导航框架：理解全局代价地图与局部代价地图的工作原理，掌握膨胀层（Inflation Layer）、障碍物层（Obstacle Layer）的配置方法。
- 掌握AI模型部署与推理优化：能够在机器人嵌入式平台（如Jetson Orin、树莓派）上部署轻量级目标检测模型，并优化推理延迟。
- 实现视觉-代价地图联动：编写ROS2节点将AI识别结果转换为代价地图的障碍物标记，实现动态更新。
- 完成系统集成与测试：在仿真环境（Gazebo）和真实机器人上完成避障实验，掌握调参方法和性能评估指标。
案例拆解：以一个典型的课程项目为例——开发一台能够识别“人、纸箱、玻璃门、台阶”四类障碍物的室内服务机器人。项目要求：机器人在走廊中遇到行人时减速并保持1.5米距离；遇到纸箱时尝试绕行；遇到玻璃门时停止并发出语音提示；遇到台阶时立即制动。这个项目需要综合运用本课程所有知识点，最终交付一个可运行的ROS2功能包。
1.3 课程项目预览——AI识别与Nav2代价地图的联动方案
核心原理：本课程的核心项目是将AI视觉识别结果实时注入Nav2代价地图，使路径规划器能够感知语义障碍物。实现思路是：AI模型对相机图像进行推理，输出障碍物的类别和像素坐标；通过相机内参和TF2坐标变换，将像素坐标转换为机器人坐标系（通常是base_link或odom）下的三维位置；然后编写一个ROS2节点，将障碍物位置和类别信息发布到代价地图的障碍物层，代价地图根据障碍物类别设置不同的膨胀半径和代价值。
操作流程：
# 系统运行流程（伪代码）
1. 启动相机驱动节点 → 发布 /camera/image_raw 话题
2. 启动AI推理节点 → 订阅图像话题，运行YOLOv8模型
→ 发布 /ai_detections 话题（自定义消息：类别、置信度、bbox）
3. 启动坐标变换节点 → 订阅 /ai_detections 和 TF2
→ 将bbox中心点转换为 base_link 坐标系下的 (x, y, z)
→ 发布 /semantic_obstacles 话题
4. 启动代价地图更新节点 → 订阅 /semantic_obstacles
→ 调用 costmap2d::Costmap2DROS 的 API 更新障碍物层
5. 启动Nav2导航 → 规划器读取更新后的代价地图 → 生成安全路径关键参数设计：不同类别的障碍物应设置不同的膨胀半径和代价阈值。例如：
| 障碍物类别 | 膨胀半径（米） | 代价值 | 机器人行为 |
|---|---|---|---|
| 行人 | 0.8 | 254（致命） | 减速、等待 |
| 纸箱 | 0.3 | 200 | 尝试绕行 |
| 玻璃门 | 0.5 | 254（致命） | 停止 |
| 台阶 | 0.4 | 254（致命） | 立即制动 |
案例拆解：在Gazebo仿真环境中搭建一个包含上述四类障碍物的测试场景。初始状态下，机器人从起点出发，导航到目标点。路径上放置一个纸箱和一个行人模型。系统运行后，AI模型识别出纸箱和行人，代价地图中对应区域被标记为高代价。全局规划器生成一条绕过纸箱、远离行人的路径。当行人移动时，局部代价地图实时更新，机器人动态调整路径。最终机器人安全到达目标点，全程无碰撞。
1.4 常见误区与学习建议
核心原理：初学者在学习AI避障时容易陷入几个典型误区。第一个误区是“重AI轻导航”——花费大量时间训练模型，却忽视了代价地图的调参，导致系统整体性能不佳。第二个误区是“重仿真轻实机”——仿真环境中的传感器模型和物理引擎与真实环境存在差异，仿真中表现良好的系统在实机上可能完全失效。第三个误区是“重实现轻设计”——拿到代码就运行，不理解底层原理，遇到问题无从下手。
判断方法：检验自己是否真正掌握知识点的标准是：能否在不参考代码的情况下，画出系统的数据流图；能否解释代价地图中每个参数的含义和调整依据；能否在系统出现异常时快速定位是感知问题、通信问题还是规划问题。
学习建议：
- 每章学习后，尝试用自己的语言复述核心概念，并画出对应的架构图。
- 动手实践时，先修改参数观察效果变化，再阅读源码理解原理。
- 遇到问题先查看ROS2日志（ros2 topic echo、rqt_graph），再搜索解决方案。
- 建立自己的调试清单：传感器是否正常发布、TF树是否完整、代价地图是否更新、规划器是否响应。