侧边栏壁纸
博主头像
王富贵 博主等级

  • 累计撰写 18 篇文章
  • 累计创建 9 个标签
  • 累计收到 3 条评论

目 录CONTENT

文章目录
ROS2

ROS2_Nav2导航栈解析

王富贵
王富贵
2026-04-21 / 0 评论 / 0 点赞 / 15 阅读 / 0 字

ROS2 移动机器人导航架构深度指南：SLAM 与 Nav2 协作详解

1. 核心概念澄清：谁负责什么？

在 ROS2 导航体系中，必须将“感知（Perception）”与“决策（Decision）”彻底解耦。

模块层级核心问题代表组件职责描述
感知层 (Perception)“我在哪？周围有什么？”SLAM Engine
(Cartographer / slam_toolbox)		1. 建图：将激光雷达数据转化为栅格地图。
2. 定位：计算机器人在地图中的精确坐标 $(x, y, \theta)$。
3. 输出：发布 /map 话题和 map->odom 的 TF 变换。
决策层 (Planning)“怎么去？怎么避障？”Nav2 Stack
(Global/Local Planner)		1. 全局规划：基于地图计算起点到终点的最优路径。
2. 局部规划：实时控制速度并避开动态障碍物。
3. 输出：发布 /cmd_vel 速度指令给底盘。

关键点：SLAM 引擎不包含任何路径规划算法。它只是 Nav2 的“眼睛”和“GPS”。无论底层使用哪种 SLAM，上层的 Nav2 规划器（A*, DWA, TEB 等）都是通用的。

2. 通用数据流向图 (Mermaid - 终极修复版)

以下流程图展示了数据如何在各个节点间流动。此图已针对 Mermaid 11+ 版本进行了极致优化：

  • 全中文描述：节点内清晰标注了“输入”、“输出”及“核心职责”。
  • 无 Emoji/无 HTML：彻底移除了导致渲染失败的 Emoji 和 <br/> 标签。
  • 稳健语法：使用纯英文 ID 配合双引号中文标签，确保在任何编辑器中都能完美渲染。
graph TD
    %% 定义样式类
    classDef sensor fill:#e1f5fe,stroke:#01579b,stroke-width:2px;
    classDef slam fill:#fff9c4,stroke:#fbc02d,stroke-width:2px;
    classDef nav2 fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px;
    classDef base fill:#fce4ec,stroke:#880e4f,stroke-width:2px;
    classDef note fill:#ffffff,stroke:#666,stroke-dasharray: 5 5,stroke-width:1px;

    subgraph Hardware_Layer ["硬件层: 数据采集"]
        direction TB
        Lidar["激光雷达 LiDAR"]:::sensor
        Odom["里程计/IMU"]:::sensor
        Base["电机底盘 Base"]:::base
        
        Note_Lidar["职责: 探测障碍物距离与角度
输出: LaserScan 点云数据"]:::note --- Lidar
        Note_Odom["职责: 估算机器人短时位移
输出: Odometry 里程计信息"]:::note --- Odom
    end

    subgraph Perception_Layer ["感知层: SLAM 引擎"]
        direction TB
        SLAM_Node{"SLAM 核心节点
(Cartographer 或 slam_toolbox)"}:::slam
        
        Lidar -->|"LaserScan 话题"| SLAM_Node
        Odom -->|"Odometry 话题"| SLAM_Node
        
        SLAM_Node -->|"OccupancyGrid 话题"| Map_Publisher["地图发布器
(实时栅格地图)"]:::slam
        SLAM_Node -->|"TF: map->odom"| TF_Broadcaster["TF 坐标变换广播器
(机器人全局位姿)"]:::slam
        
        Note_SLAM["核心职责:
1. 匹配激光帧构建地图
2. 闭环检测消除累积误差
3. 输出机器人全局位姿"]:::note --- SLAM_Node
    end

    subgraph Decision_Layer ["决策层: Nav2 导航栈"]
        direction TB
        Nav2_Core["Nav2 核心控制器
(Behavior Tree)"]:::nav2
        
        Map_Publisher -->|"/map 静态或动态地图"| Nav2_Core
        TF_Broadcaster -->|"TF Tree 坐标树"| Nav2_Core
        
        subgraph Planners ["规划器集群"]
            Global_Planner["全局规划器
(A* / Dijkstra / Theta*)"]:::nav2
            Local_Planner["局部规划器
(DWA / TEB / MPPI)"]:::nav2
        end
        
        Nav2_Core -->|"请求路径"| Global_Planner
        Global_Planner -->|"返回全局路径 Path"| Local_Planner
        Local_Planner -->|"返回速度指令 cmd_vel"| Base
        
        Note_Nav2["核心职责:
1. 订阅地图与位姿
2. 计算无碰撞最优路径
3. 控制底盘运动"]:::note --- Nav2_Core
    end

    %% 跨层连接：激光雷达数据也直接用于局部避障
    Lidar -.->|"用于实时避障"| Local_Planner

3. 细致工作流程对比

虽然架构图相同，但 Cartographer 和 slam_toolbox 在实际运行时的“工作流”有显著差异。

方案 A：Cartographer (经典离线建图模式)

这是工业界最常用的“高精度静态地图”方案。流程分为两个独立阶段：建图期 和 导航期。

阶段 1：建图期 (Mapping Phase)

  1. 启动：运行 cartographer_node + cartographer_occupancy_grid_node。
  2. 数据采集：机器人被遥控或自动行走，SLAM 实时构建子图（Submaps）。
  3. 闭环检测：当机器人回到已探索区域，Cartographer 执行后端优化，消除累积误差。
  4. 保存：调用服务 /finish_trajectory，将地图保存为 .pbstream 文件。
  5. 转换：使用工具将 .pbstream 转换为标准的 .pgm (图片) 和 .yaml (配置) 文件。
  6. 退出：关闭 Cartographer 节点。此时建图完成。

阶段 2：导航期 (Navigation Phase)

  1. 启动地图服务：运行 nav2_map_server，加载上一步生成的 .pgm/.yaml 静态地图。
  2. 启动定位：运行 amcl (Adaptive Monte Carlo Localization)。AMCL 通过粒子滤波，根据激光雷达匹配静态地图，估算机器人位置。
  3. 启动 Nav2：运行 Nav2 栈，订阅 /map 和 AMCL 发布的 TF。
  4. 执行导航：Nav2 规划路径，发送速度指令。
  5. 注意：在此阶段，Cartographer 不参与工作。如果环境发生变化（如多了个箱子），AMCL 可能会定位失败，因为地图是静态的。

方案 B：slam_toolbox (在线终身建图模式)

这是 ROS2 社区推荐的“动态适应”方案。建图和导航同时进行，没有明显的阶段划分。

持续运行期 (Continuous Operation)

  1. 启动：运行 sync_slam_toolbox_node (或 async 版本)。
  2. 初始化：
    • 如果是第一次：创建新地图。
    • 如果是后续启动：加载之前的 .posegraph 文件（包含历史地图和关键帧记忆）。
  3. 实时建图与定位：
    • SLAM 节点每收到一帧激光雷达数据，就进行一次扫描匹配（Scan Matching）。
    • 更新地图：如果发现新障碍物，直接更新 /map 话题。
    • 修正定位：如果检测到闭环（Loop Closure），后台线程会优化整个轨迹，并修正 map->odom 的 TF。
  4. 启动 Nav2：Nav2 订阅由 slam_toolbox 实时发布的 /map 和 TF。
  5. 执行导航：
    • Nav2 的全局规划器会根据实时更新的地图重新规划路径。
    • 例如：如果 slam_toolbox 发现前方多了一堵墙，它会立即更新地图，Nav2 随即重新计算绕路路径。
  6. 保存记忆：关机前，调用服务 /save_map，将最新的地图和轨迹保存为 .posegraph 和 .yaml。下次启动时直接加载，实现“终身学习”。

4. 为什么你会觉得 “slam_toolbox 集成了导航”？

这是一个非常直观的错觉，原因如下：

  1. 一站式启动：

    • Cartographer 方案：你需要分别启动 map_server、amcl、nav2_bringup。配置文件分散，逻辑割裂。
    • slam_toolbox 方案：你只需要启动 slam_toolbox 和 nav2_bringup。slam_toolbox 一人包办了“地图服务器”和“定位器”的工作。

  2. 动态适应性：

    • 在 Cartographer+AMCL 模式下，如果环境变了，你必须重新建图，否则导航会失败。
    • 在 slam_toolbox 模式下，环境变了，它自己会改地图，导航继续正常工作。这种“无感”的体验让你觉得它更像是一个完整的导航系统。

  3. 官方背书：

    • Nav2 官方文档中，slam_toolbox 是作为“标准 SLAM 插件”推荐的，提供了现成的 Launch 文件（navigation_launch.py + slam_toolbox_launch.py），几乎零配置即可运行。

5. 总结与建议

维度Cartographer (离线+AMCL)slam_toolbox (在线)
工作流建图 -> 保存 -> 关闭 -> 加载静态地图 -> 导航启动 -> 边建图/定位边导航 -> 保存记忆
环境变化不支持（需重新建图）✅ 支持（实时更新地图）
配置难度⭐⭐ (高，需调优多个节点)⭐ (低，官方集成好)
资源占用导航时极低 (仅跑 AMCL)导航时较高 (SLAM 持续运行)
适用场景大型仓库、结构固定、算力有限家庭、办公室、环境动态变化、快速原型

🚀 最终建议

对于大多数现代移动机器人项目，尤其是基于 ROS2 Humble/Jazzy 的开发，强烈推荐使用 slam_toolbox + Nav2 的组合。

  • 理由：它的“终身学习”能力（适应环境变化）比静态地图更有价值，且配置极其简单，能让你把精力集中在业务逻辑而非底层调试上。
  • 何时选 Cartographer：只有当你的环境极大（如超过 1000 平米）、结构极度规则（如长走廊仓库），且对定位精度有毫米级要求时，才考虑 Cartographer 的离线建图方案。

附录：常用命令速查

  • 启动 slam_toolbox 在线建图： 
    ros2 launch slam_toolbox online_async_launch.py
  • 保存 slam_toolbox 地图： 
    ros2 service call /slam_toolbox/save_map slam_toolbox/srv/SaveMap "{name: {data: '/path/to/map'}}"
  • 启动 Nav2 (带 slam_toolbox)： 
    ros2 launch nav2_bringup navigation_launch.py use_slam:=True
0
ROS2
版权归属： 王富贵
本文链接： https://www.lx6688.top/archives/wei-ming-ming-wen-zhang
许可协议： 本文使用《署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0)》协议授权

评论区