3. Nav2导航框架

Nav2是ROS2生态中用于移动机器人自主导航的官方框架，它取代了ROS1时代的move_base，并在架构上进行了全面重构。理解Nav2的核心价值，不能仅停留在“能跑起来”的层面，而应将其视为一个由多个可插拔模块组成的决策与执行流水线。在边缘AI融合场景下，Nav2的模块化设计使得“识别结果”能够以多种方式注入导航决策链——例如修改代价地图的障碍物膨胀层、切换全局规划器的路径代价函数，或触发控制器的速度限制。本章将深入拆解Nav2的六大核心组成：导航栈、行为树、代价地图、规划器、控制器与恢复行为，并重点分析它们之间的数据流与控制流关系。

上图展示了Nav2导航栈的核心组件及其交互关系。传感器数据（激光、相机、IMU）与边缘AI识别结果共同输入代价地图，代价地图为规划器提供环境模型，规划器生成全局路径，控制器负责局部跟踪，而行为树则作为“大脑”统筹整个任务的执行顺序与异常处理。恢复行为在控制器或规划器失败时介入，尝试从错误状态中恢复。下面我们将逐一深入每个组件的原理与实战要点。

3.1 导航栈组成：从move_base到Nav2的架构演进

核心原理

Nav2导航栈本质上是一个插件化的服务器集合，每个服务器负责一个独立的功能域。与ROS1的move_base单体节点不同，Nav2将导航任务拆分为多个独立的ROS2节点（如planner_server、controller_server、behavior_server、costmap_2d等），节点间通过话题（Topic）和服务（Service）通信。这种拆分带来了三个关键优势：故障隔离（单个模块崩溃不影响整体）、资源独立调度（可为规划器分配更高CPU优先级）、灵活替换（可针对特定场景更换算法插件）。

在边缘AI融合场景中，这种架构尤为重要。例如，当AI识别到前方有“易碎物品”时，我们可以仅重启costmap的语义层插件，而不影响正在运行的控制器。导航栈的完整数据流为：传感器 → 代价地图 → 全局规划器 → 局部控制器 → 速度指令 → 底盘。

判断方法或操作流程

要判断一个导航系统是否基于Nav2，可以检查其启动文件中是否包含以下节点：planner_server、controller_server、behavior_server、costmap_2d节点。Nav2的启动通常使用nav2_bringup包中的launch文件，核心参数通过YAML文件配置。操作流程上，开发者需要依次配置：

1. 地图源：静态地图（SLAM生成）或动态地图（实时构建）。
2. 传感器源：激光扫描、点云、深度相机等，需配置对应的costmap观察者（observation source）。
3. 插件选择：在planner_server中指定全局规划插件（如NavFn、SmacPlannerHybrid），在controller_server中指定局部控制插件（如DWB、MPPI）。
4. 行为树文件：选择或自定义XML格式的行为树，定义导航任务的执行逻辑。

案例拆解或实战场景

假设我们为一台室内服务机器人配置Nav2，其传感器包括2D激光雷达和RGB-D相机。初始现象是机器人经常在狭窄走廊中“卡住”。通过分析ros2 topic echo /plan和/local_plan，发现全局路径正常，但局部路径频繁重新规划。进一步检查costmap的膨胀层参数，发现inflation_radius设置为0.5米，而走廊宽度仅0.8米，导致可行区域过窄。调整参数至0.3米后，问题解决。这个案例说明，导航栈的调优往往需要跨模块分析，而非单一参数调整。

常见误区或总结复盘

复盘要点：导航栈的每个模块都应视为可观测、可调试的独立单元。建议在开发初期就建立完整的日志记录和可视化工具链（如RViz2、PlotJuggler），以便快速定位问题发生在哪个模块。

3.2 行为树：导航任务的“决策大脑”

核心原理

行为树（Behavior Tree, BT）是一种用于描述任务执行顺序的树形结构，它替代了ROS1中基于状态机的任务调度。BT由控制节点（Sequence、Fallback、Parallel）和执行节点（Action、Condition）组成。与状态机相比，BT具有模块化、可复用、易于并行的优势。在Nav2中，BT负责编排整个导航流程：从接收目标、更新代价地图、规划路径、控制执行，到异常处理。

一个典型的Nav2行为树包含以下节点：ComputePathToPose（计算全局路径）、FollowPath（跟踪路径）、RecoveryNode（恢复行为）、PipelineSequence（并行执行）。边缘AI的识别结果可以通过自定义BT条件节点（Condition Node）注入，例如“检测到前方有人时，暂停导航并等待”。

判断方法或操作流程

要自定义行为树，需要理解BT的四个基本控制类型：

• Sequence（序列）：按顺序执行子节点，任一失败则整体失败。
• Fallback（回退）：依次尝试子节点，直到一个成功。
• Parallel（并行）：同时执行多个子节点，根据成功/失败阈值决定结果。
• Decorator（装饰器）：修改子节点的行为，如重试、反转结果、限时执行。

操作流程上，开发者使用nav2_bt_navigator包提供的工具加载XML文件，并通过bt_navigator节点执行。调试时，可以使用ros2 run nav2_bt_navigator bt_navigator并配合Groot2（BT可视化工具）进行实时监控。

案例拆解或实战场景

考虑一个配送机器人场景：当AI识别到电梯门即将关闭时，需要机器人加速通过。我们可以在BT中插入一个Parallel节点，同时执行“正常跟随路径”和“检测电梯门状态”两个子节点。当检测到门即将关闭时，触发一个SpeedController动作，临时提高最大速度限制。这个案例中，BT的并行能力使得AI事件可以异步干预导航行为，而不需要中断整个任务。

常见误区或总结复盘

复盘要点：行为树是Nav2中最具“智能”的部分，它决定了机器人在复杂环境中的应变能力。建议在开发初期就规划好BT的扩展点，为后续AI融合预留接口。

3.3 代价地图：环境模型的“语义化”表达

核心原理

代价地图（Costmap）是Nav2中所有规划与决策的基础。它将环境表示为二维网格，每个单元格存储一个0-254的代价数值：0表示完全空闲，254表示致命障碍，中间值表示不同程度的危险（如靠近障碍物的膨胀区域）。Nav2维护两张代价地图：全局代价地图（用于全局规划，通常基于静态地图）和局部代价地图（用于局部规划，基于实时传感器数据）。

代价地图采用分层架构（Layered Costmap），每一层负责一种数据源。核心层包括：静态层（Static Layer，加载SLAM地图）、障碍物层（Obstacle Layer，处理传感器数据）、膨胀层（Inflation Layer，根据机器人半径生成危险区域）。在边缘AI融合中，我们可以新增一个语义层（Semantic Layer），将AI识别结果（如“人行横道”、“施工区域”）转换为代价地图上的特定标记。

判断方法或操作流程

配置代价地图的关键参数包括：

操作流程上，开发者需要为每个传感器配置对应的observation_source，包括话题名、数据类型、是否标记为障碍物等。对于语义层，需要编写插件类，订阅AI识别结果话题，并更新对应区域的代价。

案例拆解或实战场景

在一个工厂AGV场景中，AI识别系统检测到地面有“油渍”（可能打滑）。我们将油渍区域在语义层中标记为高代价（如200），但非致命（254）。这样，全局规划器会尽量避开油渍区域，但如果无法完全避开，机器人仍可通过，但控制器会收到代价提示，自动降低速度。实现时，语义层插件订阅/ai/oil_spill话题，接收多边形坐标，并在costmap中更新对应网格的代价。通过RViz2可以直观看到油渍区域被渲染为红色高代价区域。

常见误区或总结复盘

复盘要点：代价地图是连接感知与规划的桥梁。在边缘AI融合中，语义层是主要的“注入点”，但要注意语义信息的时效性——过期的AI识别结果可能导致代价地图失真。

3.4 规划器与控制器：从全局到局部的路径生成与跟踪

核心原理

全局规划器（Planner）负责在全局代价地图上搜索从起点到目标点的最优路径。Nav2默认支持多种规划算法：NavFn（基于Dijkstra或A*）、SmacPlannerHybrid（考虑机器人运动学约束）、Theta*（任意角度路径）。全局规划的输出是一条离散的路径点序列。

局部控制器（Controller）负责跟踪全局路径，同时避开局部代价地图中的动态障碍物。常用的控制器包括：DWB（Dynamic Window Approach的改进版）、MPPI（Model Predictive Path Integral，基于采样的模型预测控制）、Regulated Pure Pursuit（纯追踪的改进版）。控制器输出速度指令（线速度+角速度）给底盘。

判断方法或操作流程

选择规划器与控制器时，需考虑机器人运动模型：

• 差速/全向底盘：可使用NavFn + DWB，计算量小，响应快。
• 阿克曼底盘（汽车模型）：必须使用SmacPlannerHybrid或类似考虑转弯半径的规划器，控制器推荐MPPI。
• 高动态环境：推荐MPPI控制器，它通过随机采样预测多条轨迹，选择最优轨迹，对动态障碍物更鲁棒。

操作流程上，在planner_server的YAML配置中设置planner_plugins列表，在controller_server中设置controller_plugins列表。每个插件可以有自己的独立参数。

案例拆解或实战场景

考虑一个在狭窄仓库中运行的叉车（阿克曼模型）。初始使用NavFn + DWB，发现路径经常出现“锯齿状”折线，且转弯时频繁停顿。分析原因是NavFn不考虑转弯半径，生成的路径包含锐角转弯。解决方案：将全局规划器切换为SmacPlannerHybrid，并设置minimum_turning_radius为0.8m。同时，将控制器切换为MPPI，并调整motion_model为ackermann。修改后，路径平滑度显著提升，转弯停顿减少70%。

常见误区或总结复盘

复盘要点：规划器与控制器是导航性能的“双引擎”。在边缘AI融合中，AI识别结果可以动态调整规划器的代价函数（如避开特定区域）或控制器的速度限制（如靠近行人时减速）。这种“感知-规划-控制”的闭环是Nav2与AI融合的核心价值。

3.5 恢复行为：导航系统的“安”

核心原理

恢复行为（Recovery Behaviors）是当导航任务失败时，系统尝试自我修复的一系列动作。Nav2内置了三种标准恢复行为：旋转恢复（Spin，原地旋转以清除传感器盲区）、清除代价地图（Clear Costmap，移除过期的障碍物信息）、重新规划（Replan，重新计算全局路径）。恢复行为由行为树中的RecoveryNode触发，通常位于Fallback节点下，作为最后的尝试。

在边缘AI融合中，恢复行为可以更加智能。例如，当AI识别到“前方道路被临时封闭”时，可以触发一个“等待并重新规划”的恢复行为，而不是立即执行旋转。

判断方法或操作流程

配置恢复行为的流程：

1. 在behavior_server的YAML中定义可用的恢复插件。
2. 在行为树XML中，使用RecoveryNode包装可能失败的动作。
3. 设置恢复尝试的最大次数（number_of_retries），避免无限循环。

判断恢复行为是否生效，可以观察/behavior_server/transition_event话题，查看状态转换日志。

案例拆解或实战场景

一个室外巡检机器人遇到GPS信号丢失（在Nav2中通常表现为定位漂移）。初始现象是机器人路径偏移，控制器频繁报错。通过分析日志，发现controller_server的goal_checker无法确认到达目标。解决方案：在行为树中增加一个自定义恢复节点WaitForGPSFix，当检测到定位质量低于阈值时，暂停导航并原地等待，直到GPS恢复。这个恢复行为比默认的旋转更有效，因为旋转无法解决GPS问题。

常见误区或总结复盘

复盘要点：恢复行为的设计应基于对失败原因的深入分析。在边缘AI融合中，恢复行为可以结合AI预测（如“前方拥堵持续X秒”），做出更合理的决策。

3.6 综合实战：边缘AI识别结果影响路径规划

为了将本章知识串联，我们设计一个综合案例：一台服务机器人在医院走廊中导航，边缘AI模块实时识别“轮椅”、“病床”、“施工区域”三类目标。目标是通过AI识别结果动态调整导航行为。

实现方案：

1. 语义层注入：编写semantic_layer插件，订阅/ai/detections话题，将“施工区域”标记为高代价（200），“轮椅”标记为中等代价（100），“病床”标记为低代价（50）。
2. 行为树扩展：在BT中增加一个ConditionNode，检查“前方5米内是否有轮椅”。如果为真，则触发一个SlowDown动作，将最大速度限制从1.0m/s降至0.3m/s。
3. 控制器参数动态调整：通过dynamic_reconfigure或ROS2参数回调，实时修改控制器的max_vel_x参数。

结果对比：未融合AI时，机器人遇到施工区域会因代价过高而绕远路，遇到轮椅则急刹车。融合后，机器人能提前减速、平稳避让，路径规划更符合人类预期。

风险与代价：语义层的计算延迟约50ms，对实时性要求高的场景需优化模型推理速度。此外，AI误检可能导致代价地图错误，需设计置信度阈值过滤。

复盘经验：Nav2的模块化设计使得AI融合可以发生在多个层级（代价地图、行为树、控制器参数），开发者应根据具体需求选择最合适的注入点。通常，语义层适合影响“长期规划”，行为树适合影响“任务逻辑”，控制器参数适合影响“瞬时响应”。