机器人导航入门指南（从 0 到 1）
机器人导航入门指南（从 0 到 1）
机器人导航入门指南（从 0 到 1）
本文档基于
D:\pan\桌面\导航下的全部资料（资料.txt、1.txt~14.txt）整理而成，配套硬件为 Yahboom X3 麦轮车 + 激光雷达（A1/S2/RPLIDAR），软件栈以 ROS1 (move_base) 为主线，并在关键处标注 ROS2 (Nav2) 的对应关系。阅读建议：第 0~2 章建立认知，第 3~5 章是核心原理，第 6~8 章是动手实操与调参，第 9 章是进阶路线。可以边读边在车上跑。
目录
第 0 章 认知地图：先搞清楚"导航"到底是什么
0.1 一句话区分 SLAM 与导航
SLAM 负责"知道环境长什么样 + 自己在哪"；导航负责"根据这个信息，自己走到某个地方去"。 SLAM 不包含导航，导航通常依赖 SLAM（或等价的定位/建图方案）作为底层支撑。
这是贯穿全文的最重要一句话。很多人把两者混为一谈，是因为它们在演示里常常一起开，看起来像"一套东西"。但软件架构上它们是解耦的两个模块。
0.2 职责边界（务必记住这张表）
能力 SLAM 导航 建图（生成 /map） ✅ ❌（只读地图） 定位（"我在哪"） ✅ ❌（依赖定位结果） 全局路径规划 ❌ ✅ 局部避障 ❌ ✅ 发布速度指令 /cmd_vel❌ ✅ 目标点管理 ❌ ✅ 0.3 一个自主移动机器人由哪些"层"组成
从下往上理解（这是全文的骨架）：
┌─────────────────────────────────────────┐ │ 任务层：要去哪？(目标点 /goal_pose) │ ├─────────────────────────────────────────┤ │ 导航层：全局规划 + 局部规划 + 避障 + 恢复 │ ← move_base / Nav2 ├─────────────────────────────────────────┤ │ 定位层：我在哪？(AMCL / SLAM 位姿) │ ├─────────────────────────────────────────┤ │ 建图层：地图长啥样？(/map 栅格地图) │ ← SLAM ├─────────────────────────────────────────┤ │ 传感器层：雷达 / IMU / 里程计 / 相机 │ ├─────────────────────────────────────────┤ │ 底盘层：电机驱动，发布 /odom，接收 /cmd_vel │ └─────────────────────────────────────────┘
底盘层：电机编码器 → 算出轮速 → 正运动学 → 机器人整体速度 → 时间积分 → 里程计
/odom。同时接收/cmd_vel（线速度 + 角速度）驱动电机。传感器层：激光雷达发布
/scan（sensor_msgs/LaserScan），IMU 发布姿态，相机发布图像/点云。建图层（SLAM）：吃
/scan+/odom+tf，吐出/map（nav_msgs/OccupancyGrid，栅格地图）和位姿估计。定位层：在已有地图上，用粒子滤波（AMCL）估计"我现在在地图的哪个点"。
导航层：吃地图 + 定位 + 目标点，吐出
/cmd_vel。0.4 SLAM 与导航配合的两种典型场景
场景 A：先建图，再导航（最常见）
跑 SLAM 建图，遥控小车走满区域；
保存地图（
.pgm+.yaml）；关掉 SLAM，用静态地图 + AMCL 定位 + move_base 导航长期运行。
场景 B：边 SLAM 边导航（探索未知环境）
SLAM 实时更新
/map和定位；导航实时用这份地图做规划 + 避障（如
rrt_exploration自动探索建图）。仍是两个系统并行协作，不是谁包含谁。
第 1 章 必备前置知识
在动手之前，先建立这些"共同语言"，否则后面的命令和参数都看不懂。
1.1 ROS 基础概念（最小必要集）
概念 一句话解释 在导航里的例子 节点 (node) 一个可执行进程，做一件事 move_base、amcl、slam_gmapping话题 (topic) 节点间异步广播数据的"总线" /scan、/map、/cmd_vel、/odom消息 (msg) 话题上数据的格式 geometry_msgs/Twist、sensor_msgs/LaserScan服务 (service) 同步的"请求-响应" ~dynamic_map获取地图动作 (action) 带反馈的可取消长任务 move_base/goal（导航到目标点）launch 文件 一键启动多个节点 + 配参 yahboomcar_navigation.launch参数 (param/yaml) 节点的可配置项 max_vel_x、inflation_radius常用调试工具：
rosrun rqt_graph rqt_graph # 看节点-话题连接图 rosrun rqt_tf_tree rqt_tf_tree # 看坐标变换树 rosrun rqt_reconfigure rqt_reconfigure # 运行时动态改参数（调参神器） rviz # 2D/3D 可视化1.2 坐标变换 (tf) —— 导航的"骨架"
导航强依赖一组坐标系之间的变换关系，称为 tf 树。典型的室内移动机器人 tf 链是：
map → odom → base_link → (laser_link / imu_link / ...)
坐标系 含义 谁发布 map全局地图坐标系（固定不动） SLAM / AMCL 发布 map → odomodom里程计连续坐标系（短时光滑、长时漂移） 底盘驱动发布 odom → base_linkbase_link机器人本体中心 底盘驱动 laser_link雷达安装位置 robot_state_publisher/ 静态 tf关键点：
base_link只能有一个父节点，所以 AMCL 不直接发布map → base_link，而是发布map → odom的修正量。这样既维护了 tf 树，又能暴露出里程计的累计误差（被 AMCL 修正掉）。直观例子：轮子打滑时，里程计以为走了 1 米，但 AMCL 用雷达观测发现其实没动 → 它调整
map → odom把这 1 米误差"吃掉"。1.3 地图的表示：占据栅格地图 (Occupancy Grid)
SLAM 输出的
/map是一张栅格图，每个像素取值：
0 = 自由空间（free）
100 = 被占用（occupied，障碍物）
-1 = 未知（unknown）
保存为两个文件：
map.pgm：图片（黑白灰，肉眼可看）；
map.yaml：元数据。
map.yaml关键字段（建图保存后必看）：image: map.pgm # 图片路径 resolution: 0.05 # 分辨率：米/像素（一格 5cm） origin: [-15.4, -12.2, 0.0] # 地图左下角在 map 坐标系下的 (x,y,yaw) negate: 0 # 是否黑白颠倒 occupied_thresh: 0.65 # 占用概率 > 0.65 视为障碍 free_thresh: 0.196 # 占用概率 < 0.196 视为自由1.4 传感器与里程计
传感器 输出 在导航中的作用 激光雷达 (2D LiDAR) /scan建图、定位（AMCL）、避障（局部代价地图） IMU 姿态/角速度 提供朝向 yaw，融合进里程计 轮式里程计 /odom短时位姿估计，是 SLAM/AMCL 的运动预测来源 深度相机 (Astra/Realsense) 点云 补充 3D 障碍信息 注意：轮式里程计有累计误差（打滑、轮子磨损）。纯里程计定位叫 Odometry Localization；融合地图观测后叫 AMCL Map Localization，后者能消除累计误差。
1.5 硬件 & 环境准备（Yahboom X3）
# 树莓派 PI5 主控：先进 docker ~/run_docker.sh # 设置车型（在 .bashrc 里，影响很多 launch 文件） sudo vim .bashrc export ROBOT_TYPE=X3 # 可选: X1(四驱) X3(麦轮) X3plus(麦轮机械臂) R2(阿克曼) X7常用启动组合：
roslaunch yahboomcar_nav laser_bringup.launch # laser + 底盘 roslaunch yahboomcar_nav laser_usb_bringup.launch # mono相机 + laser + 底盘 roslaunch yahboomcar_nav laser_astrapro_bringup.launch # Astra + laser + 底盘
第 2 章 导航算法的核心思想
万变不离其宗：导航 = 在图（栅格地图）上搜索一条从起点到终点的路径，并实时躲开障碍。
2.1 两层规划结构
实际机器人导航几乎都是两层结构：
层次 任务 频率 典型算法 全局规划 (Global Planner) 在已知地图上规划一条"宏观路径" 低频（几 Hz） Dijkstra、A*、RRT 局部规划 (Local Planner) 实时跟随全局路径，躲避动态障碍，输出 /cmd_vel高频（10~20 Hz） DWA、TEB、Trajectory Rollout 为什么要分两层？
全局规划重（搜整张图），不能每帧都跑；
局部规划轻（只在窗口内采样），但要快、要躲人。
代价地图也分两层与之对应：
global_costmap（静态、大范围）和local_costmap（滚动、小窗口、含动态障碍）。2.2 经典图搜索算法（全局规划基础）
Dijkstra（迪杰斯特拉）
思想：从起点向所有方向均匀扩展，直到找到终点。
优点：保证最短路径；缺点：慢，漫无目的。
A*（A-star，带启发式的 Dijkstra）
思想：
f(n) = g(n) + h(n)，其中g(n)是已走代价，h(n)是到终点的估计距离（启发函数，如欧氏距离）。用
h(n)把搜索"拉向"目标方向，效率远高于 Dijkstra。风险：启发函数设计不好可能走入死胡同。
D*
A* 的升级，支持环境变化时增量重规划（用于未知/动态环境）。
RRT（快速探索随机树）
用随机采样"长"出一棵树，倾向于探索未知区域。
在
rrt_exploration里用于自动找边界点（已探索与未知的交界），实现自主探索建图。2.3 ROS 中的全局规划器插件
资料里（
12.txt）提到的全局规划插件：
插件 说明 navfn/NavfnROS老牌栅格规划器，实现了 Dijkstra 和 A* global_planner/GlobalPlannerNavfn 的改进重写版，资料默认用它 carrot_planner/CarrotPlanner简单规划器，目标不可达时退到最近可行点 切换方法（
move_base_params.yaml）：base_global_planner: "global_planner/GlobalPlanner" # 默认 # base_global_planner: "navfn/NavfnROS"2.4 局部规划器：DWA vs TEB（重点）
这是资料里着墨最多的部分（
12.txt、14.txt）。DWA（动态窗口法，
dwa_local_planner）
在速度空间
(vx, vy, vθ)里离散采样；对每个采样速度做前向仿真，预测短时间内的轨迹；
给每条轨迹打分：靠近全局路径、靠近目标、远离障碍、速度代价；
选最高分轨迹，把对应速度发给底盘；
循环。
特点：模型简单，适合差速/全向机器人；先到目标坐标点，再原地旋转到目标朝向。
TEB（Timed-Elastic-Band，时间弹性带，
teb_local_planner）
把轨迹看作一串带时间信息的位姿，用 g2o 图优化求解，目标 = 时间最短 + 路径最短 + 远离障碍 + 满足运动学。
运动中边走边调朝向，到终点时朝向通常已对齐，不需要原地旋转。
支持阿克曼（car-like）模型（有最小转弯半径），R2 阿克曼车必须用 TEB，DWA 不适用。
缺点：两轮差速车上可能出现不必要的后退（启动/到点时），需要调参抑制。
选择建议：
差速/麦轮车（X3）：默认 DWA，路径流畅、行为可预期；
阿克曼车（R2）：必须 TEB；
想要平滑且能处理动态障碍、并支持多拓扑并行规划：用 TEB。
2.5 算法的四条主流技术流派（回扣总览）
基于图搜索的传统算法：Dijkstra、A* —— 核心是设计合理的代价函数 (Cost)，非常依赖对业务场景的理解。
基于优化的现代算法：TEB、MPC —— 构造数学模型求最优解，离线计算 + 在线选择。
组合导航算法：SINS/GNSS 等 —— 融合多传感器（自动驾驶、航空航天），核心是姿态算法（欧拉角、方向余弦矩阵、四元数）。
群体智能/采样类：RRT、PSO（如 OkayPlan）—— 适合动态环境下的实时全局规划。
第 3 章 建图（SLAM）—— 导航的前提
本章对应资料
5~10.txt。所有建图算法的操作流程几乎一致，只是map_type参数不同：# 1. 启动底盘 + 雷达 roslaunch yahboomcar_nav laser_usb_bringup.launch # 2. 启动建图（改 map_type 即可切换算法） roslaunch yahboomcar_nav yahboomcar_map.launch use_rviz:=false map_type:=gmapping # map_type:=hector / karto / cartographer # 3. 遥控走满区域，地图尽量闭合 roslaunch yahboomcar_ctrl yahboom_keyboard.launch # 4. 保存地图 rosrun map_server map_saver -f ~/yahboomcar_ws/src/yahboomcar_nav/maps/my_map # 或 bash ~/yahboomcar_ws/src/yahboomcar_nav/maps/map.sh通用注意事项（每种算法都适用）：
建图时速度要慢，特别是旋转速度要慢，否则打滑导致地图错位；
让小车走满要建图的区域，地图尽量闭合；
环境越规则、闭合越好，散射点越少，地图质量越高；
雷达被显示屏遮挡会产生"缺口"，可在雷达配置里调整屏蔽范围。
3.1 Gmapping（
5.txt）
原理：基于 RBpf 粒子滤波，定位与建图分离（先定位再建图）。改进点：改进提议分布 + 选择性重采样。
优点：小场景实时性好，精度高，计算量小。
缺点：每个粒子都带一张地图，大场景内存/计算暴涨；无回环检测，回环处可能错位。
限制：单帧激光点数 < 1440，否则会报
[mapping-4] process has died。适用：室内小场景、快速原型。
关键参数速记：
参数 含义 particles粒子数（默认 30），大场景要加 linearUpdate/angularUpdate每平移/旋转多少处理一次扫描 maxUrange/maxRange激光可用最大范围 delta地图分辨率（默认 0.05m） xmin/ymin/xmax/ymax地图初始尺寸 3.2 Hector（
7.txt）
原理：不需要里程计，用高斯牛顿直接从激光数据估算位姿。
优点：无里程计也能跑。
缺点：对传感器要求高；机器人速度快时打滑严重，建图偏差大；没有回环检测。
适用：没有可靠里程计的平台，但要慢速运动。
3.3 Karto（
8.txt）
原理：基于稀疏图优化的 2D 激光 SLAM，带闭环检测。前端扫描匹配 + 后端图优化（SPA / g2o），单线程。
优点：有大环境制图优势（只存位姿图，不存多张地图），有回环检测。
注意：4ROS 雷达与 A1 雷达需改
Karto.h第 4165 行源码（去掉+1）并重新catkin_make。3.4 Cartographer（
9.txt，Google 开源，最主流）
原理：主流 SLAM 三段式 —— 特征提取 + 闭环检测 + 后端优化（多线程后端，用 ceres-solver 建优化问题）。
由若干
LaserScan组成一个 submap 子图，一系列 submap 组成全局地图；闭环检测以 submap 为基本单元，用 scan_match 策略。核心亮点：多传感器融合（odometry / IMU / LaserScan / 点云 / GPS / landmark）。
源码三部分：
cartographer（核心）+cartographer_ros（ROS 接口）+ceres-solver（后端优化）。配置在
.lua文件（不是 yaml），关键参数：tracking_frame、use_odometry、provide_odom_frame、num_laser_scans等。推荐场景：质量要求高、环境复杂、需要回环修正的场景。ROS2 首选 SLAM Toolbox，思路与之同源。
3.5 rrt_exploration（
10.txt，自主探索建图）不是传统 SLAM，而是让机器人自动探索未知区域，边走边建图。
基于 RRT 找"边界点"（frontier：已探索 free 区与未知区的交界）。
由 5 类节点组成：
global_rrt_frontier_detector：全局边界检测（多机只跑一个）；
local_rrt_frontier_detector：局部边界检测（每机一个，树会重置）；
frontier_opencv_detector：用 OpenCV 找边界（非 RRT）；
filter：过滤旧点、无效点、冗余点；
assigner：把边界点作为目标派给机器人（依赖move_base，所以要先开导航）。用法：rviz 里用
Publish Point顺时针/逆时针点 4 个点框定探索区域，第 5 个点点在小车附近 → 开始自动探索。建完自动保存地图（
rrt_map）并回零点。3.6 五种建图算法对比（选型表）
算法 方法 需里程计 回环检测 大场景 多传感器 适用场景 gmapping 粒子滤波 RBpf 是 ❌ 差 否 室内小场景、快速上手 hector 高斯牛顿扫描匹配 否 ❌ 一般 否 无里程计平台 karto 图优化 + SPA 是 ✅ 好 否 中大场景、需要回环 cartographer 子图 + ceres 优化 是 ✅ 好 强 高质量、复杂环境、多传感器 rrt_exploration RRT 自主探索 是 — — 否 自动探索建图（需配合导航） 入门建议路线：gmapping 入门 → cartographer 进阶。先用 gmapping 跑通"建图→保存→加载→导航"全流程，再用 cartographer 追求质量。
第 4 章 定位 —— "我在哪"
导航前必须知道自己在地图上的位置。建图阶段由 SLAM 顺便给出；建图完成后，长期运行用 AMCL。
4.1 两种定位方式对比
Odometry Localization（纯里程计） AMCL Map Localization（地图定位） 来源 电机编码器 + 正运动学 + 积分 里程计 + 地图 + 激光观测（粒子滤波） 误差 累计漂移（打滑越走越偏） 会被地图观测修正 发布的 tf odom → base_linkmap → odom（修正量）4.2 AMCL 自适应蒙特卡洛定位（
11.txt）蒙特卡洛思想（豆子比喻）：矩形里有个不规则形状怎么算面积？均匀撒一把豆子，统计形状内/外的豆子比例 × 矩形面积 ≈ 形状面积。机器人定位同理：用一堆粒子表示"机器人可能在哪"，粒子越密的地方，可能性越高。
粒子滤波流程：
初始化：在地图上撒一把粒子（位姿假设）；
运动预测：机器人动，粒子跟着动（用里程计）；
观测更新：每个粒子位姿模拟一次激光观测，和真实激光比，给每个粒子打分（权重）；
重采样：高分粒子附近多生粒子，低分粒子被淘汰；
多轮迭代后，粒子收敛到真实位置。
"自适应"解决了两个问题：
机器人绑架问题：发现粒子平均分突降（正确粒子被误丢）时，在全局重新撒粒子；
粒子数自适应：粒子已收敛时减少粒子数，省算力。
rviz 里的可视化：启动后能看到机器人周围撒一把绿色粒子，移动机器人时粒子跟随并逐步收敛成一小团 → 定位完成。
4.3 AMCL 关键参数（三类）
整体过滤器
参数 含义 min_particles/max_particles粒子数上下限（100 / 5000） update_min_d/update_min_a平移/旋转多少才更新一次滤波器 transform_tolerancetf 容忍延迟（秒） initial_pose_x/y/a初始位姿（用于缩小初始搜索范围） 激光模型：
laser_model_type（beam/likelihood_field/likelihood_field_prob，默认likelihood_field）、laser_max_beams（每次用多少光束）等。里程计模型：
odom_model_type（diff差速 /omni全向 /diff-corrected/omni-corrected），odom_alpha1~5是各种噪声参数。X3 麦轮用omni或diff，根据实测选。4.4 实操：建图后用 AMCL 跑导航
# 加载静态地图 + AMCL + move_base roslaunch yahboomcar_nav yahboomcar_navigation.launch use_rviz:=false map:=house在 rviz 中：
用 2D Pose Estimate 设置初始位姿（让小车在仿真和现实的位置一致）；
用 2D Nav Goal 给目标点，开始导航。
第 5 章 导航（move_base / Nav2 全景）
本章对应
12.txt、14.txt，是导航的核心。5.1 navigation / move_base 是什么
navigation是 ROS 的 2D 导航避障功能包：输入里程计 + 全局位姿，输出安全的/cmd_vel。核心节点
move_base是导航的"总调度"，它以插件形式调用各模块：┌─────────────── move_base ───────────────┐ 目标点 ───────► │ │ ────► /cmd_vel move_base_simple│ Global Planner → Local Planner │ (线速度+角速度) /goal │ ▲ ▲ │ │ global_costmap local_costmap │ │ ▲ ▲ │ │ /map + AMCL /scan + /odom │ │ │ │ Recovery Behaviors（恢复行为） │ └──────────────────────────────────────────┘
move_base的通信机制：
Action：
move_base/goal（目标）、/feedback（当前位置）、/status（状态）、/result（结果）—— 适合关心执行状态的场景；Topic：
move_base_simple/goal（简单目标，不追踪状态）、cmd_vel（速度）；Service：
make_plan（只规划不执行）、clear_costmaps（清代价地图）、clear_unknown_space。5.2 代价地图 costmap（避障的数据基础）
costmap_2d用传感器数据构建代价地图，并按膨胀半径计算每个格子的代价。导航用两张代价地图：
global_costmap local_costmap 用途 全局规划 局部规划/避障 坐标系 mapodom范围 整张静态地图 滚动小窗口（如 6×6m） static_maptrue（基于 map_server） false rolling_windowfalse true（跟随机器人） 动态障碍 一般不加 加（来自实时 /scan） 图层结构（plugin 机制）：
static_layer：静态层（来自地图，基本不变）；
obstacle_layer：障碍层（来自传感器，2D 标记 + 光线追踪清除）；
inflation_layer：膨胀层（在致命障碍周围加代价，表示"配置空间"）。
膨胀层的 5 个代价符号（重要概念）：
Lethal（致命）：真有障碍，机器人中心在此必撞；
Inscribed（内切）：距障碍 < 机器人内切圆半径，中心在此必撞；
Possibly circumscribed（可能外切）：距障碍 < 外切圆半径但 > 内切半径，撞不撞看朝向；
Freespace（自由）：随便走；
Unknown（未知）：未知。
可视化里：红色 = 障碍，蓝色 = 内切膨胀，红色多边形 = 机器人 footprint。规则：footprint 不能碰红格，机器人中心不能碰蓝格。
costmap_common_params.yaml关键项：obstacle_range: 2.5 # 只更新 2.5m 内的障碍 raytrace_range: 3.0 # 清理前方 3m 外的空间 footprint: [[x0,y0],...] # 机器人多边形（与 robot_radius 二选一） inflation_radius: 0.55 # 膨胀半径 observation_sources: laser_scan_sensor laser_scan_sensor: {sensor_frame: ..., data_type: LaserScan, topic: /scan, marking: true, clearing: true}5.3 全局规划参数（
global_planner_params.yaml）GlobalPlanner: use_dijkstra: true # true=Dijkstra, false=A* allow_unknown: false # 是否探索未知区（需 costmap 也开 track_unknown_space） default_tolerance: 0.2 # 目标被占时，以它为半径找最近可达点 lethal_cost: 253 # 致命区代价 neutral_cost: 50 # 中等代价 cost_factor: 3.0 # 代价缩放系数 use_grid_path: false # true=沿栅格边走，false=梯度下降更光滑如果启动时报
NO PATH!，多半是方向/朝向问题，可试试默认的navfn插件。5.4 局部规划：DWA 参数详解（
dwa_local_planner_params.yaml）机器人配置（差速车把 y 速度设 0）：
max_vel_x: 0.6 min_vel_x: -0.6 # 负=可后退 max_vel_y: 0.3 min_vel_y: -0.3 # 差速车设 0 acc_lim_x: 10.0 acc_lim_y: 10.0 # 差速车 y 设 0 acc_lim_th: ... # 角加速度目标容差：
xy_goal_tolerance、yaw_goal_tolerance。前向仿真：
sim_time: 2.0 # 仿真时长（秒） vx_samples: 6 # x 速度采样数 vth_samples: 20 # 角速度采样数 controller_frequency: 5.0轨迹评分（打分公式各项权重）：
path_distance_bias: 90.0 # 贴近全局路径的权重 goal_distance_bias: 24.0 # 贴近目标的权重 occdist_scale: 0.3 # 躲障碍的权重调参直觉：想让它更"贴路径"就加大
path_distance_bias，想更"躲障碍"就加大occdist_scale。5.5 局部规划：TEB 参数详解（
teb_local_planner_params.yaml，14.txt）TEB 参数分 6 组：
Trajectory（轨迹）：
dt_ref（时间分辨率）、max_global_plan_lookahead_dist（前瞻距离）、feasibility_check_no_poses（碰撞检查点数）；Robot（机器人）：
max_vel_x、max_vel_x_backwards（倒车速度，不想让它倒车就调小）、min_turning_radius（阿克曼用，差速设 0）、wheelbase（轴距）；GoalTolerance（目标容差）：
xy_goal_tolerance、yaw_goal_tolerance；Obstacles（障碍）：
min_obstacle_dist（与障碍最小距离，要包含机器人膨胀）、inflation_dist、include_dynamic_obstacles（预测动态障碍）；Optimization（优化权重）：
weight_kinematics_forward_drive：迫使前进不倒车（经验：调到最大也不能完全禁止倒车，要配合其他参数）；
weight_obstacle：躲障碍权重；
weight_optimaltime：时间最优权重；Homotopy Class Planner（并行规划）：
enable_homotopy_class_planning: true（同时在多个拓扑路径上规划，挑最优）。TEB 关键经验：
min_turning_radius经验值 = 车长的 2.4 倍；
wheelbase需实测标定（驱动轴到转向轴距离）；倒车问题：调
weight_kinematics_forward_drive+max_vel_x_backwards+penalty_epsilon。5.6 恢复行为（Recovery Behaviors）
当全局规划失败 / 机器人震荡 / 局部规划失败时，move_base 进入恢复流程（可配置、可禁用）：
conservative_reset（保守清障） → clearing_rotation（原地旋转清空间） → aggressive_reset（激进清障） → clearing_rotation → 仍失败 → aborted（中止）相关包：
clear_costmap_recovery、rotate_recovery、move_slow_and_clear。12.txt给出了move_base_params.yaml里恢复行为、controller_frequency、planner_patience等完整配置。
第 6 章 从 0 到 1 实操路线
跟着下面 7 步走，第一次就能跑通"建图 → 导航"全流程。每一步都先理解再做。
Step 1：环境 & 底盘就绪
~/run_docker.sh # PI5 进 docker export ROBOT_TYPE=X3 # .bashrc 里设好车型 roslaunch yahboomcar_nav laser_usb_bringup.launch # 底盘+雷达+相机确认
/scan、/odom、/tf都有数据（用rostopic echo、rqt_graph检查）。Step 2：用最简单的"雷达避障"感性认识（
2.txt，不用建图）ros2 run yahboomcar_bringup Mcnamu_driver_X3 # ROS2 风格；ROS1 对应 bringup launch ros2 run yahboomcar_laser laser_Avoidance_a1_X3理解：雷达回调里把每个角度的
ranges[i]分到 左/右/前三组计数，谁触发阈值就往反方向打角速度。这是最原始的"反应式避障"，连 SLAM 都不用。资料里的雷达玩法梯度（
2~4.txt）：避障 → 警卫（对准最近目标，近了报警）→ 跟随（追最近目标保持距离）→ 巡逻（走固定轨迹）。它们都用rqt_reconfigure动态调 PID 和阈值，是理解"传感器→决策→速度"闭环的好起点。Step 3：用 gmapping 建第一张地图（
5.txt）roslaunch yahboomcar_nav yahboomcar_map.launch use_rviz:=false map_type:=gmapping roslaunch yahboomcar_ctrl yahboom_keyboard.launch # 慢慢走满区域 rosrun map_server map_saver -f ~/yahboomcar_ws/src/yahboomcar_nav/maps/my_map检查
maps/my_map.pgm和my_map.yaml都生成了。Step 4：加载地图 + AMCL 定位（
11.txt）roslaunch yahboomcar_nav yahboomcar_navigation.launch use_rviz:=false map:=my_map roslaunch yahboomcar_nav view_navigate.launch # 虚拟机端开 rviz在 rviz 用 2D Pose Estimate 把小车定位准（看绿色粒子收敛）。
Step 5：单点 / 多点导航（
12.txt）
2D Nav Goal：点一个目标，到达即停；
Publish Point：连续点多个目标，机器人巡航。
手柄 R2 可随时取消目标点。
Step 6：换 cartographer 提升地图质量（
9.txt）sudo bash ~/yahboomcar_ws/src/yahboomcar_nav/scripts/copy_carto.sh # 首次配置 roslaunch yahboomcar_nav yahboomcar_map.launch map_type:=cartographer对比和 gmapping 的地图差异（尤其是大场景和回环处）。
Step 7：进阶玩法
自动探索建图（
10.txt）：rrt_exploration.launch+ rviz 点 5 个点；APP 建图/导航（
13.txt）：手机连机器人 IP，rosbridge 通信，摇杆遥控 + 触屏设点；阿克曼车 R2：换 TEB 局部规划器，调
min_turning_radius。
第 7 章 调参方法论
调参是导航工程化的核心能力。资料里反复出现的通用方法论：
7.1 三步调参法
先用
rqt_reconfigure动态调，实时看效果：rosrun rqt_reconfigure rqt_reconfigure # ROS1 ros2 run rqt_reconfigure rqt_reconfigure # ROS2调到最优后，把数值写回 yaml（否则重启失效）；
改完 yaml 必须重新编译（ROS1）：
cd ~/yahboomcar_ws && catkin_make && source devel/setup.bash7.2 分模块调参顺序（推荐）
按"从粗到细"的顺序，一次只动一组：
底盘/里程计：先确保
/odom准（不打滑、不走偏），这是所有上层算法的基础；建图：慢速走，地图闭合、无错位；
AMCL 定位：粒子收敛快、不漂；
代价地图：
inflation_radius（别撞墙也别太保守）、obstacle_range；全局规划：先确认能规划出路径（无
NO PATH）；局部规划：最后调速度/加速度/采样/评分权重，追求流畅。
7.3 关键参数直觉
现象 可能原因 调整方向 撞墙 膨胀不够 / 速度太快 ↑ inflation_radius，↓max_vel_x绕远路、不敢走 膨胀过大 / 代价过高 ↓ inflation_radius，↓cost_factor抖动、来回摆 振荡 / 采样不足 oscillation_reset_dist，↑vth_samples规划不出路径 朝向 / 未知区 试 navfn，检查allow_unknownTEB 老倒车 前进权重不够 ↑ weight_kinematics_forward_drive，↓max_vel_x_backwards定位漂移 初始位姿不准 / 粒子少 重设 2D Pose Estimate，↑min_particles7.4 调试工具清单
rosrun rqt_graph rqt_graph # 节点拓扑 rosrun rqt_tf_tree rqt_tf_tree # tf 树 rosrun rqt_reconfigure rqt_reconfigure # 动态参数 rviz # 2D 可视化（地图/路径/代价地图/粒子全在这看） rostopic echo /cmd_vel # 看实际下发速度 rostopic echo /amcl_pose # 看定位输出
第 8 章 常见问题与避坑
Q1：gmapping 报
[mapping-4] process has died？ A：单帧激光点数超过 1440。换 cartographer，或降低雷达分辨率/采样。Q2：karto 用 A1/4ROS 雷达跑不起来？ A：要改
Karto.h第 4165 行（Update()里去掉+1）并catkin_make（8.txt）。Q3：地图有缺口/散射点？ A：减速（尤其旋转）；改善环境闭合度；调整雷达屏蔽角度（显示屏遮挡）。
Q4：rviz 里小车位置和实际不一致？ A：先用 2D Pose Estimate 设准初始位姿，让 AMCL 粒子收敛。定位丢失（"机器人绑架"）也要重新设。
Q5：导航时撞障碍？ A：检查
inflation_radius是否够大、footprint是否正确、obstacle_range是否覆盖动态障碍。差速车别忘了把 DWA 的max_vel_y/acc_lim_y设 0。Q6：阿克曼 R2 用 DWA 不行？ A：DWA 不支持最小转弯半径，R2 必须用 TEB（
14.txt）。Q7：TEB 老是倒车/路径奇怪？ A：调
weight_kinematics_forward_drive（加大）、max_vel_x_backwards（减小）、penalty_epsilon；确认min_turning_radius（≈ 2.4×车长）和wheelbase实测值。Q8：
NO PATH!报错？ A：朝向/方向问题，先试默认navfn/NavfnROS；检查目标点是否落在障碍或未知区。Q9：改了参数没生效？ A：
catkin_make+source devel/setup.bash；或确认是用rqt_reconfigure改的（运行时）还是 yaml（启动时）。Q10：ROS1 vs ROS2 命令怎么对应？ A：
roslaunch→ros2 launch；rosrun→ros2 run；catkin_make→colcon build；move_base→Nav2（nav2_planner+nav2_controller）；gmapping/cartographer→SLAM Toolbox（ROS2 推荐）。
第 9 章 进阶方向与学习资源
9.1 学完本文后的进阶路线
算法深入：啃 A/D、RRT*、MPC 的数学；读 TEB 论文（Timed-Elastic-Band）和 Cartographer 论文。
3D / 视觉 SLAM：LIO-SAM（激光+IMU 紧耦合）、ORB-SLAM（纯视觉）、VINS-Fusion（VIO）。
多机/编队：多机器人协同建图与探索（rrt_exploration 的多机版）。
学习类方法：强化学习导航、端到端导航（从感知直接到速度）。
真实产品化：Nav2 行为树（BT）、生命周期节点、量产级定位融合（GNSS+IMU+LiDAR）。
组合导航：SINS/GNSS 融合、姿态表示（欧拉角/方向余弦矩阵/四元数）—— 自动驾驶/无人机方向。
9.2 资料内的官方文档链接（按主题）
SLAM 建图
gmapping: Making sure you're not a bot!
hector_slam: Making sure you're not a bot!
Cartographer: Cartographer ROS Integration — Cartographer ROS documentation
rrt_exploration: http://wiki.ros.org/rrt_exploration
导航
navigation: Making sure you're not a bot!
move_base: Making sure you're not a bot!
costmap_2d: http://wiki.ros.org/costmap_2d
global_planner: http://wiki.ros.org/global_planner
dwa_local_planner: Making sure you're not a bot!
teb_local_planner: Making sure you're not a bot!
map_server: Making sure you're not a bot!
9.3 推荐学习节奏（4 周计划）
周 目标 产出 W1 ROS 基础 + tf + 里程计；跑通底盘和雷达 能用键盘遥控小车， rqt_graph看懂拓扑W2 gmapping 建图 + 地图保存加载；AMCL 定位 得到一张像样的 .pgm，rviz 里能定位W3 move_base 全流程；DWA 单点/多点导航 给目标点能自主到达、避障 W4 cartographer / TEB / rrt_exploration 进阶；系统调参 高质量地图 + 流畅导航 + 自动探索
附录：核心概念速查表
术语 含义 SLAM 同步定位与建图，输出 /map+ 位姿AMCL 自适应蒙特卡洛定位（粒子滤波），输出 map→odom修正move_base / Nav2 导航总调度，整合规划+代价地图+恢复 global_costmap / local_costmap 全局/局部代价地图 Global Planner 全局路径规划（Dijkstra/A*） Local Planner 局部规划（DWA/TEB），输出 /cmd_velOccupancyGrid 占据栅格地图（0 自由 / 100 占用 / -1 未知） tf 坐标变换树（map→odom→base_link→...） Recovery Behavior 失败后的恢复行为（清障/旋转） footprint 机器人外轮廓多边形 inflation_radius 障碍膨胀半径（配置空间） submap Cartographer 的子图，闭环检测基本单元
最后一句：导航不是玄学，是"地图 + 定位 + 规划 + 控制"四件套的工程组合。先把全流程跑通（哪怕效果一般），再逐模块打磨参数，是最稳的从 0 到 1 路径。祝玩得开心。
导航算法是一个涵盖路径规划、自主导航和组合导航等多个子领域的综合性技术体系。针对你提到的“导航算法”，我将从核心算法体系、主流技术流派和职业发展三个维度进行梳理。
一、核心算法体系
导航算法的核心思想，万变不离其宗的是基于图的最短路径搜索算法
其中，最基础的算法是 Dijkstra 算法，但它存在效率低下的问题，因为它会向所有方向进行漫无目的的探索
为了提升效率，引入了启发式搜索的 A* 算法，它通过估计目标方向来指导搜索
不过，A* 算法也可能走入“死胡同”，因此衍生出了 D* 等其他升级方案
在实际应用中，算法的选择取决于具体的任务场景。例如，在机器人领域，导航算法通常被分为两个层次：
全局路径规划：负责在已知地图上规划出一条从起点到终点的宏观路径，常用算法包括 Dijkstra、A\* 和 动态规划 等
局部路径规划：负责在机器人行驶过程中，实时规避动态障碍物，保证行驶安全。常用算法包括 自适应动态窗法 等。例如，CMU团队开发的避障算法通过离线生成庞大的轨迹库，能在几毫秒内规划出一条无碰撞路径
此外，针对大规模路网（如地图导航），经典的 Dijkstra 算法效率较低，此时会采用更高级的加速算法，例如 CH算法。其核心思路是通过预处理阶段创建“shortcuts”来跳过不重要的顶点，从而大幅提升查询速度
二、主流技术流派
导航算法的实现方式多样，主要可以分为以下几类：
基于图搜索的传统算法：这是最经典的方法，以 Dijkstra 和 A\* 为代表，其核心是设计合理的 代价函数（Cost），这非常依赖工程师对业务场景的深入理解
基于优化的现代算法：这类算法通过构建数学模型来求解最优路径。例如，CMU团队开发的自主导航算法，其障碍物规避和可行驶区域分析模块，通过离线计算和在线实时选择相结合的方式，实现了高效且鲁棒的导航
组合导航算法：在自动驾驶和航空航天等领域，单一的传感器（如GPS）往往不可靠，因此需要融合多种传感器数据。SINS/GNSS组合导航 是其中的典型代表，它融合了惯性导航系统（SINS）和全球导航卫星系统（GNSS）的数据。这类算法的核心在于姿态算法，常用数学工具包括欧拉角、方向余弦矩阵和四元数来描述载体的姿态变化。
新兴的粒子群优化算法：例如 OkayPlan 算法，它基于粒子群优化（PSO）思想，能够实现动态环境下的实时全局路径规划。
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
0
0- 0
已为社区贡献26条内容
所有评论(0)