4. 移动机器人导航项目：地图构建（SLAM）、定位与路径规划、导航栈配置

4.1 导航系统整体架构与核心模块

移动机器人导航的本质是回答三个递进问题：“我在哪里？”（定位）、“周围环境长什么样？”（建图）、“如何安全到达目标？”（路径规划）。在 ROS2 中，这些问题由 SLAM 建图模块、AMCL 自适应蒙特卡洛定位、Nav2 导航栈 协同解决。三者通过 TF 树、里程计话题、激光雷达扫描话题和地图话题紧密耦合，构成一个完整的闭环系统。

上图展示了导航系统的数据流：激光雷达与里程计数据同时送入 SLAM 模块完成建图；建图完成后，map_server 加载静态地图，AMCL 结合地图与实时传感器数据输出机器人位姿；Nav2 栈接收目标点后，在代价地图上规划全局路径并跟踪局部轨迹，最终将速度指令发送给底盘。RViz2 作为交互窗口，用于设置初始位姿、发布目标点并监控各模块状态。

4.2 SLAM 建图：从传感器数据到栅格地图

SLAM（Simultaneous Localization and Mapping）在建图过程中同时估计机器人位姿与环境地图。ROS2 中最常用的方案是 slam_toolbox，它基于扫描匹配与图优化，适合结构化室内环境。启动建图的核心命令如下：

ros2 launch turtlebot3_gazebo turtlebot3_world.launch.py
ros2 launch slam_toolbox online_async_launch.py
ros2 run teleop_twist_keyboard teleop_twist_keyboard

建图过程中，需要缓慢移动机器人覆盖整个环境，避免急转弯和快速移动导致扫描匹配失败。建图完成后，使用 map_saver_cli 保存地图：

ros2 run nav2_map_server map_saver_cli -f ~/map/my_house

该命令生成 my_house.pgm（图像文件）和 my_house.yaml（元数据文件）。YAML 文件中的关键参数包括：

4.3 AMCL 定位：粒子滤波的工程实践

AMCL（Adaptive Monte Carlo Localization）使用粒子群表示机器人位姿的概率分布。每个粒子代表一个可能的位姿 (x, y, θ)，通过运动模型预测、激光观测更新和重采样三个步骤迭代收敛。启动定位前，需要先启动 map_server 加载地图：

ros2 launch nav2_bringup localization_launch.py map:=~/map/my_house.yaml

AMCL 的关键参数直接影响定位精度与鲁棒性：

• min_particles / max_particles：粒子数量范围，室内场景建议 500~2000，粒子越多越精确但 CPU 开销越大。
• update_min_d：触发重采样的最小位移（米），建议 0.2~0.5。
• update_min_a：触发重采样的最小旋转（弧度），建议 0.2~0.5。
• laser_likelihood_max_dist：激光匹配的最大距离，超过该距离的测量被忽略，防止动态物体干扰。

在 RViz2 中，使用 2D Pose Estimate 按钮手动指定初始位姿。若初始位姿偏差过大（超过 1 米或 30°），粒子群可能无法收敛到正确位置，表现为定位漂移或地图与激光点云错位。此时应重新设置初始位姿，或使用 ros2 service call /relocalize 触发全局重定位。

4.4 Nav2 导航栈配置与路径规划

Nav2 是 ROS2 的官方导航框架，其核心是 行为树（Behavior Tree） 驱动的任务调度。启动导航的完整命令为：

ros2 launch nav2_bringup navigation_launch.py map:=~/map/my_house.yaml

导航栈的核心配置集中在 nav2_params.yaml 中，主要包含以下部分：

planner_server:
  ros__parameters:
    planner_plugins: ["GridBased"]
    GridBased:
      plugin: "nav2_navfn_planner/NavfnPlanner"
      tolerance: 0.5

controller_server:
  ros__parameters:
    controller_plugins: ["FollowPath"]
    FollowPath:
      plugin: "nav2_regulated_pure_pursuit_controller/RegulatedPurePursuitController"
      desired_linear_vel: 0.3
      max_linear_accel: 0.5

local_costmap:
  local_costmap:
    ros__parameters:
      robot_radius: 0.22
      inflation_radius: 0.55
      update_frequency: 5.0

路径规划分为两层：全局规划（NavfnPlanner）在静态地图上计算从起点到目标点的最优路径；局部规划（RegulatedPurePursuitController）则基于实时代价地图，避开动态障碍物并跟踪全局路径。代价地图中的 inflation_radius 决定障碍物周围膨胀区域的大小，该值过小会导致机器人贴近墙壁，过大则可能无法通过狭窄通道。

4.5 综合案例：从建图到自主导航的完整流程

以下是一个典型的室内巡检机器人部署流程，假设使用 TurtleBot3 仿真环境：

1. 启动仿真环境： ros2 launch turtlebot3_gazebo turtlebot3_world.launch.py
2. SLAM 建图： 启动 slam_toolbox，手动遥控机器人遍历环境，保存地图。
3. 启动定位： 加载地图并启动 AMCL，在 RViz2 中给出初始位姿。
4. 启动导航： 启动 Nav2 导航栈，等待 /amcl_pose 话题输出稳定。
5. 发布目标点： 在 RViz2 中使用 Nav2 Goal 按钮点击目标位置，观察机器人规划路径并执行。
6. 监控与调参： 观察 /plan 话题的全局路径是否合理，/local_plan 是否平滑，必要时调整代价地图参数。

实际部署中，若机器人到达目标点后停止位置偏差较大，可检查 goal_checker 的 xy_goal_tolerance 参数（默认 0.25 m）。若机器人频繁陷入“抖动-恢复-再抖动”的循环，通常是因为局部代价地图更新频率过低或膨胀半径过小，导致规划路径反复变化。

4.6 误区与复盘：导航系统调试要点

复盘导航系统调试过程，最重要的经验是：先确认 TF 树正确，再检查定位收敛，最后才调路径规划参数。TF 树是导航系统的“坐标系骨架”，任何模块的坐标系错位都会导致灾难性后果。建议在调试初期使用 ros2 run tf2_ros tf2_echo map base_link 持续监控坐标变换，确保 map→odom→base_link 链路稳定输出。

此外，导航性能的瓶颈往往不在算法本身，而在传感器质量与底盘响应。激光雷达的扫描频率、里程计的打滑程度、底盘的加减速能力，都会直接影响导航效果。在仿真环境中调试成功的参数，迁移到真实机器人时通常需要重新标定，尤其是 max_linear_accel 和 max_rotational_accel 必须与底盘实际能力匹配，否则会导致跟踪超调或震荡。