1. SLAM与Nav2概述

机器人导航发展史 · SLAM技术简介 · Nav2功能包简介 · 联合导航的价值与挑战

大家好，我是你们这门课的老朋友。做了快十年机器人导航，从ROS1一路折腾到ROS2，踩过的坑比代码行数还多。今天咱们先不急着敲键盘，把SLAM和Nav2这两兄弟的来龙去脉捋清楚。你想想看，要是连它们为什么凑在一起都不明白，后面调参肯定得懵。

1.1 机器人导航发展史

最早做机器人导航，大家基本靠“碰运气”。我记得2012年那会儿，实验室里一台差速底盘，装个超声波就敢说自己在做导航。说白了，那时候就是走一步看一步，撞墙了再回头。

后来有了激光雷达，再后来有了开源算法。从早期的VFH、ND，到后来ROS里集成的move_base，导航才慢慢像个正经系统。我个人习惯把这段历史分成三个阶段：

• 史前时代（2000年前）：人工示教、磁条、红外。几乎没有自主性。
• 开源爆发期（2010-2018）：ROS + gmapping + move_base 成为标配。但说实话，那时候的导航很脆弱，换个环境就趴窝。
• 现代导航（2019至今）：Nav2全面重写，行为树驱动，生命周期管理，加上SLAM从离线变成在线。嗯，这才是能用的东西。

1.2 SLAM技术简介

SLAM，全称是同步定位与建图。你想想看，一个机器人被扔到陌生环境，它不知道自己在哪，也没有地图——这就是SLAM要解决的问题。一边估计自己的位姿，一边把周围环境画成地图。

主流SLAM分两派：激光SLAM 和 视觉SLAM。我个人更偏爱激光SLAM，因为稳定、精度高，尤其在室内。视觉SLAM虽然信息丰富，但光照一变就容易崩。我在一个工厂项目里吃过这个亏——白天好好的，傍晚光线一暗，视觉SLAM直接飞了。后来换成激光+IMU融合，才算稳住。

常用的开源方案：

• Gmapping：经典粒子滤波，适合小场景，计算量大。
• Cartographer：Google出品，图优化，支持闭环，我目前的主力。
• Hector SLAM：不需要里程计，但要求高频激光，无人机上用得挺多。
• ORB-SLAM3：视觉/视觉惯导，学术界宠儿，工程落地需要调参。

1.3 Nav2功能包简介

Nav2是ROS2下的导航框架，说白了就是move_base的全面升级版。但它不是简单的“换皮”，而是重新设计了架构。核心变化有三点：

1. 行为树驱动：导航逻辑变成可配置的树，你可以像搭积木一样组合“规划”、“控制”、“恢复”。
2. 生命周期管理：每个组件都有明确的状态机（未配置→激活→停用），系统更健壮。
3. 插件化：全局规划器、局部规划器、代价地图……全是插件。想换算法？改个参数就行。

Nav2的核心模块包括：

模块	功能	常用插件
全局规划器	计算从起点到目标点的全局路径	NavFn, Smac Planner, A*
局部规划器	实时避障，跟踪全局路径	DWA, TEB, Regulated Pure Pursuit
代价地图	融合传感器数据，生成障碍物图层	Costmap2D, Voxel Layer
行为树	控制导航流程，处理异常	BT Navigator, 自定义行为
定位模块	提供机器人在地图中的位姿	AMCL, 融合定位

我个人觉得，Nav2最大的优点是“可观测”。每个模块都有状态话题，你可以用rqt看到行为树走到哪一步了。调试起来比move_base的黑盒舒服太多。

1.4 联合导航的价值与挑战

为什么要把SLAM和Nav2放在一起讲？因为在实际项目中，建图和导航从来不是割裂的。你建完图，导航要用；导航过程中，地图可能需要更新。这就是联合导航的核心价值。

• 价值1：动态环境适应 —— 仓库里的货架变了，SLAM可以局部更新地图，Nav2立刻感知。
• 价值2：重定位能力 —— 机器人被搬动？SLAM提供全局定位，Nav2不用重新建图。
• 价值3：数据闭环 —— 导航中发现的未知区域，可以反馈给SLAM，完善地图。

不过别担心，这门课就是来拆解这些挑战的。后面每一章都会针对具体问题给出工程解法。你想想看，要是联合导航那么容易，还要我们这些工程师干嘛？