1. 导航系统全景图：从传感器到运动控制，机器人导航到底在解决什么问题？
大家好，我是老张。在机器人这行摸爬滚打了十几年，踩过的坑比走过的路还多。今天咱们开始第一讲，聊聊导航系统的全景图。
很多人一上来就问我：“老张，机器人导航到底难在哪？” 我通常会反问一句：“你让一个蒙着眼的人，从客厅走到厨房，中间还不能撞到茶几，你觉得难不难？” 机器人导航，说白了就是干这个事。
它要回答三个核心问题：我在哪？我要去哪？我怎么去？ 这三个问题，贯穿了整个导航系统的设计。我刚开始做项目时，总觉得把传感器堆上去就行了，结果机器人原地打转，撞墙撞得砰砰响。嗯，后来才明白，这背后是一整套系统工程。
核心三问：
- 我在哪？ —— 定位（Localization）
- 我要去哪？ —— 目标设定（Goal Setting）
- 我怎么去？ —— 规划与控制（Planning & Control）
1.1 传感器层：机器人的“眼睛”和“耳朵”
先说说传感器。没有传感器，机器人就是个瞎子。但传感器也不是越多越好，我见过有人给一个小车装了6个激光雷达，结果数据融合把自己搞崩溃了。
常见的传感器分几类：
- 激光雷达（LiDAR）： 精度高，测距准。室内用单线，室外用多线。我习惯把激光雷达比作“尺子”，它告诉你前方多少厘米有障碍物。
- 相机（Camera）： 信息丰富，能看到颜色、纹理。但怕暗、怕强光。视觉SLAM里常用，但计算量大。
- IMU（惯性测量单元）： 测加速度和角速度。短时间很准，但会漂移。你想想看，手机里的陀螺仪，放桌上不动，过一会儿它自己就偏了。
- 轮式里程计（Wheel Odometry）： 通过轮子转圈算位移。简单便宜，但打滑就完蛋。我在项目中遇到过，机器人在地砖上跑得好好的，一上地毯，里程计直接崩了。
- 超声波/红外： 近距离探测，成本低。扫地机器人常用，但精度一般。
| 传感器 | 优点 | 缺点 | 典型场景 |
|---|---|---|---|
| 激光雷达 | 精度高，不受光照影响 | 贵，怕灰尘，无纹理信息 | 室内建图、定位 |
| 相机 | 信息丰富，便宜 | 受光照影响大，计算量大 | 视觉SLAM、目标识别 |
| IMU | 高频，短时精度高 | 长期漂移，有温漂 | 运动估计、辅助定位 |
| 轮式里程计 | 简单，低成本 | 打滑失效，有累计误差 | 室内AGV、差速底盘 |
我的建议： 别迷信单一传感器。激光雷达+IMU+轮式里程计，是室内导航的“黄金组合”。视觉可以作为补充，但别指望它扛大梁。
1.2 感知与建图层：把“感觉”变成“地图”
传感器拿到的是原始数据，比如一堆点云、一帧图像。但这些数据本身没有意义。你得把它们变成机器人能理解的东西——地图。
建图（Mapping）就是把传感器数据拼成一张全局地图。这里有个坑：建图必须依赖定位，定位又必须依赖地图。这就是经典的“鸡生蛋蛋生鸡”问题。SLAM（同步定位与地图构建）就是来解决这个的。
我刚开始学SLAM时，觉得这东西太玄乎了。后来自己手写了一个EKF-SLAM，跑起来才发现，原来就是不断地猜、测、修正。说白了，就是一边走一边画地图，同时在地图上找自己。
地图的类型也很多：
- 栅格地图（Occupancy Grid Map）： 最常用。把空间分成小格子，每个格子标记“有障碍”或“无障碍”。简单直观，适合路径规划。
- 拓扑地图（Topological Map）： 用节点和边表示。节点是地点，边是路径。适合大范围导航，但精度低。
- 特征地图（Feature Map）： 用点、线、面等特征表示。视觉SLAM常用，但计算复杂。
避坑指南： 我曾经在一个项目里，直接用激光雷达建图，没做回环检测。结果机器人绕了一圈回来，地图上出现了两个“自己”。嗯，从那以后，我再也不敢省略回环检测了。
1.3 定位层：回答“我在哪？”
定位是导航的基石。定位不准，后面全白搭。常用的定位方法有：
- 里程计定位： 靠轮子或IMU积分。简单，但误差会累积。跑个几十米还行，跑几百米就偏到姥姥家了。
- 激光定位（AMCL）： 用激光雷达扫描当前环境，跟已知地图匹配。精度高，但需要初始位置。
- 视觉定位： 通过图像特征匹配。灵活，但受光照影响大。
- GPS： 室外神器，室内废物。别指望在室内用GPS，信号反射能让你怀疑人生。
我个人习惯用多传感器融合。比如，IMU提供高频但会漂的位姿，激光雷达提供低频但精确的修正。两者一结合，效果杠杠的。卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）是常用的融合工具。
关键点： 定位不是一次性的，而是持续的过程。机器人每走一步，都要重新估计自己的位置。这就是“状态估计”的本质。
1.4 规划层：回答“我怎么去？”
知道自己在哪，也知道目标在哪，接下来就是怎么走。规划分两层：
- 全局规划（Global Planning）： 从起点到终点的宏观路径。常用算法有A*、Dijkstra、RRT。A*最经典，但要注意地图栅格大小。栅格太大，路径粗糙；栅格太小，计算量爆炸。
- 局部规划（Local Planning）： 避开动态障碍物，平滑轨迹。常用算法有DWA（动态窗口法）、TEB（时间弹性带）。DWA简单高效，但容易陷入局部最优。
你想想看，全局规划就像你开车用导航，告诉你走哪条路。局部规划就像你实际开车时，躲开前面的坑和行人。两者缺一不可。
我在项目中遇到过一个问题：全局规划出来的路径，局部规划死活跟不上。后来发现是路径曲率太大，机器人转弯半径不够。嗯，从那以后，我每次做规划都会加上运动学约束。
我的经验： 全局规划用A*，局部规划用DWA，这是最稳妥的组合。别一上来就搞什么深度学习规划，先跑通传统方法再说。
1.5 控制层：把“想法”变成“动作”
规划层给出了路径，但机器人怎么走？这就要靠控制层了。控制层把路径转换成电机指令，让机器人动起来。
常见的控制方法：
- PID控制： 简单、经典。调好三个参数（P、I、D），就能让机器人走直线。但遇到斜坡、打滑，PID就有点吃力了。
- 模型预测控制（MPC）： 考虑未来几步，优化控制量。效果好，但计算量大。适合高速或复杂场景。
- 纯追踪（Pure Pursuit）： 让机器人追踪路径上的一个“前视点”。简单直观，适合差速底盘。
控制层的核心是反馈。你给一个指令，机器人执行了，但实际位置跟期望位置有偏差。控制器的任务就是消除这个偏差。我刚开始做控制时，P给得太大，机器人像抽风一样左右摇摆。后来慢慢调，才找到感觉。
避坑指南： 控制频率要匹配。规划频率一般10Hz，控制频率至少50Hz。频率不匹配，机器人会抖得像筛子。我曾经因为控制频率太低，机器人直接撞墙了。
1.6 全景图：把这些串起来
好了，上面讲了传感器、建图、定位、规划、控制。它们不是孤立的，而是一个闭环。我画了一张图，帮你理清关系。
从这张图你能看到，数据从传感器流入，经过感知、定位、规划、控制，最后驱动电机。同时，运动执行的结果又反馈回传感器，形成闭环。这就是导航系统的本质——一个带反馈的感知-决策-执行循环。
1.7 总结：导航到底在解决什么问题？
回到最初的问题。机器人导航，解决的是在未知或已知环境中，安全、高效地从A点移动到B点的问题。它不是一个单一技术，而是传感器、算法、控制的系统工程。
我见过太多人，只盯着一个模块死磕，比如把SLAM做得天花乱坠，但控制一塌糊涂，机器人还是走不好。或者规划算法调得飞起，但定位不准，路径全是废的。
所以，学导航，一定要有全局观。先搭骨架，再填血肉。别一上来就钻牛角尖。
本章核心要点：
- 导航三问：定位、目标、规划
- 传感器是基础，但融合才是王道
- 建图与定位是“鸡生蛋蛋生鸡”，SLAM来解决
- 规划分全局和局部，两者要配合
- 控制是最后一步，反馈是关键
- 整个系统是一个闭环，缺一不可
好了，这一讲就到这里。记住这张全景图，后面每一章，我们都会深入拆解其中的一个模块。到时候你会发现，原来每个坑，都有人替你踩过了。