一、传感器接入概览：Nav2传感器架构、传感器数据流、传感器融合基础概念
大家好，我是你们的老朋友。今天咱们正式开始聊Nav2的传感器接入。说实话，传感器这块是机器人导航里最容易被忽视、但又最容易出问题的地方。我见过太多项目，算法调得漂漂亮亮，结果传感器数据一进来就崩了——嗯，说白了，数据源没搞定，后面全是白搭。
1.1 Nav2的传感器架构长什么样？
先看整体架构。Nav2的传感器接入，不是简单地把传感器数据扔给导航模块。它有一套清晰的层级结构。我个人习惯把它分成三层：
- 物理层：激光雷达、IMU、里程计、深度相机、超声波……这些是硬件本体。
- 驱动层：把硬件数据转成ROS2消息。比如激光雷达出
，IMU出 。 - 处理层：数据滤波、坐标变换、时间同步、融合。这一层是Nav2真正消费数据的地方。
你想想看，如果驱动层出的数据格式不对，或者时间戳乱跳，Nav2的全局规划器根本没法用。我在项目中遇到过一台国产激光雷达，驱动里时间戳用的是本地时钟，没和系统时钟同步，结果定位模块直接飘了。后来我加了个时间同步节点才搞定。
核心要点：Nav2不直接操作传感器硬件。它通过ROS2的Topic、TF、Service来获取处理后的数据。所以你的传感器驱动必须输出标准消息类型。
1.2 传感器数据流——数据是怎么跑的？
数据流其实不复杂。我画了一张图，你看一眼就明白了。
这张图里，数据从左往右流。物理传感器采集原始数据，驱动层转成ROS2消息，处理层做清洗和融合，最后喂给Nav2。注意那个虚线箭头——TF反馈。为什么要有这个？因为Nav2需要知道传感器装在机器人什么位置，坐标系对不对。我曾经因为TF树没配好，激光雷达的数据在全局地图上转了90度，机器人直接往墙上撞。
小技巧：调试数据流时，我习惯先跑ros2 topic echo /scan看看原始数据长什么样。再跑ros2 run tf2_tools view_frames检查TF树。这两步能解决80%的传感器接入问题。
1.3 传感器融合基础概念——为什么要融合？
单一传感器总有短板。激光雷达精度高，但怕灰尘、怕玻璃。IMU不怕遮挡，但会漂移。里程计短距离准，长距离就拉胯。你想想看，如果只用激光雷达，机器人过个玻璃门就直接失明了。所以得融合。
传感器融合说白了就是：用多个传感器的长处，补彼此的短处。Nav2里最常见的融合方式有两种：
| 融合方式 | 典型组合 | 适用场景 | 我踩过的坑 |
|---|---|---|---|
| 松耦合 | 激光雷达 + 里程计 | 室内平地导航 | 里程计打滑时，定位会跳变 |
| 紧耦合 | 激光雷达 + IMU | 不平整地面、快速运动 | IMU零偏没校准，融合后反而更差 |
| 视觉+惯导 | 深度相机 + IMU | 弱纹理环境 | 光照变化大时，视觉特征跟丢 |
我个人习惯，在项目初期先用松耦合。为什么？因为调试简单。紧耦合虽然精度高，但参数调起来真要命。我记得有一次做AGV项目，紧耦合的卡尔曼滤波参数调了两周，最后发现是IMU安装方向反了——嗯，这种低级错误，谁还没犯过呢。
避坑指南：我曾经在融合时直接把激光雷达和IMU的数据按1:1权重相加，结果定位精度还不如只用激光雷达。后来才明白，融合不是简单的加权平均。你得考虑每个传感器的置信度、噪声模型、更新频率。Nav2里用的robot_localization包，它用的是扩展卡尔曼滤波（EKF），你至少要配置好协方差矩阵。
1.4 一个简单的融合示例
咱们看个实际例子。假设你有一个激光雷达和一个轮式里程计。你想把它们融合起来做定位。在Nav2里，通常用robot_localization的ekf_node。配置大概是这样的：
# ekf.yaml
ekf_filter_node:
ros__parameters:
frequency: 30.0
sensor_timeout: 0.1
two_d_mode: true
publish_tf: true
map_frame: map
odom_frame: odom
base_link_frame: base_link
world_frame: odom
# 里程计输入
odom0: /odom
odom0_config: [true, true, false, false, false, false, true, true, false, false, false, false, false, false, false]
# 激光雷达定位输入（比如AMCL的输出）
odom1: /amcl_pose
odom1_config: [true, true, false, false, false, false, true, true, false, false, false, false, false, false, false]
这个配置里，odom0是里程计，odom1是激光雷达定位。两个传感器都提供x、y位置和yaw角度。EKF会按各自的协方差做最优估计。注意那个two_d_mode: true——如果你做的是地面机器人，一定要开这个。我见过有人忘了开，结果EKF把z轴也估计了，机器人明明在地上跑，定位却飘到天上去了。
一句话总结：传感器融合不是玄学，是数学。但数学背后，全是工程经验。你配置里的每一个参数，都可能决定机器人是稳稳地走，还是原地转圈。
好了，这一章咱们把Nav2的传感器架构、数据流、融合基础概念都过了一遍。下一章开始，我会带大家手把手接入具体的传感器。记住，传感器接入没有捷径，但有了正确的框架和避坑经验，你能少走很多弯路。