ROS2 Lyrical实验5导航Nav2

初段：

实验5 移动导航实验（纯官方示例，零手写代码，只敲终端命令）

环境：ROS2 Lyrical，Nav2，TurtleBot3，Gazebo，RViz2

✅ 核心规则：不编写任何C++/Python源码、不新建功能包、不修改launch文件

全部使用 nav2_bringup 自带官方示例 tb3_simulation_launch.py，仅在终端输入命令，RViz可视化交互。

实验分为两大阶段：阶段1 SLAM建图保存地图；阶段2 加载地图+AMCL定位+自主导航+动态避障

一、实验目的

1. 掌握Nav2官方TurtleBot3仿真一键启动命令，理解slam:=True/slam:=False参数作用。
2. 学会SLAM-Toolbox实时建图，使用自带map_saver_cli保存栅格地图。
3. 理解AMCL粒子滤波定位原理，掌握RViz中2D Pose Estimate初始化机器人位姿。
4. 使用RViz2D Nav Goal下发导航目标，观察全局/局部路径规划、代价地图、动态避障。
5. 理解Nav2导航系统数据流、TF树、激光/里程计对导航的作用。
6. 使用ROS2自带命令行Action工具下发导航目标（不用自己写C++代码）。

二、实验原理

1. 官方示例tb3_simulation_launch.py内部自动完成：
   • 启动Gazebo仿真环境 + TurtleBot3 Waffle机器人模型
   • 发布机器人TF坐标树：map → odom → base_link → base_scan
   • 启动激光雷达、里程计，发布/scan、/odom话题
   • 可选择开启SLAM-Toolbox实时建图，或者加载静态地图+AMCL定位+Nav2导航栈
2. Nav2组件：map_server、AMCL定位、全局规划器、DWB局部规划器、bt_navigator行为树导航服务器。
3. 导航四大必备条件（官方示例已经全部配置好）：
   • 完整TF树、激光/scan、里程计/odom、底盘接收/cmd_vel速度指令。

三、前置准备（只需要安装官方包，不写代码）

打开终端执行安装：

sudo apt update
sudo apt install ros-lyrical-turtlebot3* ros-lyrical-nav2-bringup ros-lyrical-slam-toolbox

配置TurtleBot3模型环境变量

echo "export TURTLEBOT3_MODEL=waffle" >> ~/.bashrc
source ~/.bashrc

四、实验步骤（全程只输入终端命令，无任何代码编写）

阶段1：SLAM建图，构建并保存地图（slam:=True）

作用：机器人在未知环境中，依靠激光+里程计实时构建栅格地图。

终端1：启动官方仿真+SLAM建图

ros2 launch nav2_bringup tb3_simulation_launch.py headless:=False slam:=True

参数说明

• headless:=False：弹出Gazebo图形窗口
• slam:=True：启动SLAM-Toolbox，实时建图，不加载静态地图

启动成功自动打开：Gazebo仿真窗口 + RViz2（预配置Nav2视图）

终端2：启动键盘遥控，控制小车扫图

新开终端，启动官方teleop键盘遥控包（系统自带，无需编写）

ros2 run teleop_twist_keyboard teleop_twist_keyboard

操作：

• i：前进；,：后退；j左转；l右转；k停止
• 缓慢移动小车，遍历整个仿真房间，RViz里观察地图逐步构建；
• 灰色：未知区域；黑色：障碍物；白色：可通行区域；

⚠️ 小车不能开太快，否则地图畸变。

终端3：保存建好的地图（官方map_saver_cli工具）

环境全部扫描完成，新开终端执行，地图保存到家目录：

ros2 run nav2_map_server map_saver_cli -f ~/tb3_map

生成两个文件：

~/tb3_map.pgm（栅格图像）、~/tb3_map.yaml（地图配置文件）

可选检查命令（验证TF树，无代码）

ros2 run rqt_tf_tree rqt_tf_tree

观察TF链：map → odom → base_link → base_scan

建图完成，关闭所有终端窗口。

---

阶段2：加载静态地图，Nav2自主导航（slam:=False）

使用上一步保存好的地图，AMCL做全局定位，Nav2实现自主导航。

终端1：启动仿真导航，加载刚才保存的地图

ros2 launch nav2_bringup tb3_simulation_launch.py headless:=False slam:=False map:=/home/$USER/tb3_map.yaml

• slam:=False：关闭实时SLAM，启用map_server加载静态地图，启动AMCL定位。
• map:=xxx.yaml 指定地图文件路径

自动打开Gazebo + RViz2。此时AMCL粒子云分散，机器人不知道自身位置。

步骤2：RViz初始化定位（2D Pose Estimate，快捷键P）

1. RViz工具栏点击 2D Pose Estimate
2. 在地图上Gazebo小车对应的真实位置，鼠标拖拽箭头，箭头方向代表小车朝向
3. 现象：红色AMCL粒子云快速收敛聚集到机器人位置，定位成功。

如果粒子一直散开：初始位姿点选位置错误。

步骤3：RViz交互下发导航目标（2D Nav Goal，快捷键G）

1. RViz工具栏点击 2D Nav Goal
2. 在地图上点击目标位置，拖拽箭头设置目标朝向
3. 观察现象：
   • 绿色线条：全局规划路径Global Plan
   • 蓝色线条：局部规划轨迹Local Plan
   • 彩色区域：代价地图（障碍物+安全膨胀区域）
   • TurtleBot3自动沿路径行驶，到达目标停止。

多次设置不同目标点，测试定点导航。

步骤4：动态障碍物避障测试

在Gazebo窗口，使用Gazebo自带菜单 Insert → Cube，在小车规划路径中间插入立方体障碍物。

观察：

1. RViz代价地图立刻识别新增障碍物；
2. Nav2重新规划路径，小车自动绕行避开障碍物；
3. 删除立方体，路径恢复。

步骤5：ROS2命令行直接下发导航目标（不写任何C++代码）

使用ros2 action call 命令行工具调用NavigateToPose Action，直接下发导航目标，替代手写Action客户端。

新开终端，修改x,y坐标为你仿真环境合适目标点，直接执行：

ros2 action send_goal /navigate_to_pose nav2_msgs/action/NavigateToPose "{pose: {header: {frame_id: map}, pose: {position: {x: 2.0, y:0.5, z:0.0}, orientation: {x:0.0,y:0.0,z:0.0,w:1.0}}}}"

执行效果：

• 无需鼠标在RViz点目标；
• 机器人自动驶向目标点；
• 终端直接输出导航成功/失败结果。

这一步完全满足"程序下发导航目标"的实验要求，零代码。

五、可选观测工具（全部官方自带，无代码）

1. 查看节点图：

ros2 run rqt_graph rqt_graph

2. 查看话题数据：

ros2 topic echo /cmd_vel
ros2 topic echo /scan

3. 动态参数调优：

ros2 run rqt_reconfigure rqt_reconfigure

六、实验现象记录（报告直接复制）

1. TF树截图：map → odom → base_link → base_scan完整坐标变换链。
2. SLAM建图RViz截图：完整栅格地图。
3. AMCL定位截图：粒子云从分散→收敛。
4. RViz导航截图：绿色全局路径、蓝色局部路径、代价地图。
5. 动态障碍物对比截图：放置障碍物前后导航路径。
6. ros2 action send_goal 终端输出日志（导航到达/失败）。

七、思考题

1. 启动命令中 slam:=True 和 slam:=False 的区别？两个模式分别启动哪些核心节点？
2. 不执行2D Pose Estimate直接下发导航目标，会出现什么现象？原因是什么？
3. 全局代价地图、局部代价地图的作用分别是什么？rolling_window属于哪个代价地图？
4. 在Gazebo添加动态障碍物，为什么SLAM建图阶段不会记录这个障碍物，导航阶段却可以避障？
5. 如果/odom里程计话题丢失，导航系统会出现什么问题？

八、实验小结（报告用）

本实验全程使用Nav2官方TurtleBot3仿真示例，无需编写任何代码，仅通过终端命令和RViz交互完成移动导航实验。

1. 使用slam:=True模式启动SLAM-Toolbox，键盘遥控遍历环境完成栅格地图构建，使用map_saver_cli保存地图。
2. 使用slam:=False加载静态地图，AMCL粒子滤波实现机器人定位，需要通过2D Pose Estimate提供初始位姿。
3. 通过RViz的2D Nav Goal实现人机交互导航；在Gazebo中添加动态障碍物，Nav2依靠局部代价地图实时感知障碍物，重新规划路径实现避障。
4. 使用ros2 action send_goal命令行工具直接调用NavigateToPose动作服务，自动下发导航目标，验证Nav2 Action接口。
5. 验证Nav2导航依赖完整TF树、激光雷达、里程计、底盘速度指令；定位效果直接决定导航能否正常工作。

九、常见故障排查

1. Gazebo小车不动：检查TURTLEBOT3_MODEL=waffle环境变量是否生效。
2. AMCL粒子一直发散：2D Pose Estimate初始位姿点选错误；地图yaml文件路径错误。
3. 无法规划路径：目标点落在障碍物或者代价地图膨胀区域内。
4. action命令报错：确认tb3_simulation_launch.py完全启动，bt_navigator正常运行。
5. 建图地图重影：小车移动速度过快，降低键盘遥控的移动速度。

---

中段：

实验5 移动导航实验

基于官方TB3仿真：ros2 launch nav2_bringup tb3_simulation_launch.py headless:=False

环境：ROS2（Lyrical），TurtleBot3，Nav2‑Bringup，Gazebo，RViz2

直接使用Nav2官方示例，不需要自己写URDF、Gazebo插件、Nav2底层启动逻辑，实验简洁，聚焦SLAM建图、地图保存、定位、自主导航、避障、代码调用导航目标。

一、实验目的

1. 理解Nav2导航系统组成，掌握TurtleBot3仿真环境启动。
2. 掌握使用Nav2的SLAM工具完成环境建图、保存地图。
3. 理解AMCL粒子滤波定位原理，学会初始化机器人2D位姿。
4. 掌握RViz2下发导航目标，实现机器人定点自主导航、动态避障。
5. 理解全局规划器、局部DWB规划器、全局/局部代价地图作用。
6. 编写C++ Action客户端，程序自动下发导航目标点，实现自动导航。
7. 分析常见故障，理解TF、激光、里程计对导航的影响。

二、实验原理

1. TurtleBot3仿真：官方已经封装好差速底盘、激光雷达、里程计、TF树。
2. SLAM ：利用激光雷达+里程计构建2D栅格地图；map_saver_cli保存地图。
3. Nav2架构
   • map_server：加载静态栅格地图
   • amcl：蒙特卡洛粒子滤波定位，修正里程计漂移
   • global_planner：全局路径规划，规划从起点到目标的全局路径
   • dwb_controller：局部规划器，做速度输出、避障、跟踪全局路径
   • bt_navigator：行为树，管理导航流程，接收NavigateToPoseAction目标
4. 导航必备条件：
   • 完整TF树：map → odom → base_link → base_scan
   • 激光话题 /scan
   • 里程计话题 /odom
   • 底盘接收速度指令 /cmd_vel

本实验直接复用官方tb3_simulation_launch.py，自动启动Gazebo、TurtleBot3模型、RViz2、Nav2全部节点。

三、实验环境

• Ubuntu + ROS2

• 依赖包安装（如未安装先执行）

  sudo apt update
  sudo apt install ros-{ROS_DISTRO}-turtlebot3* ros-{ROS_DISTRO}-nav2-bringup ros-${ROS_DISTRO}-slam-toolbox

• 环境变量必须设置TURTLEBOT3_MODEL，一般是waffle

  echo "export TURTLEBOT3_MODEL=waffle" >> ~/.bashrc
  source ~/.bashrc

四、实验内容与步骤

实验分为两大模块：

模块1：SLAM建图（构建环境地图并保存）

模块2：加载已有地图 + AMCL定位 + Nav2自主导航 + 避障 + 代码控制导航

模块1：SLAM建图实验

tb3_simulation_launch.py可以同时启动Gazebo仿真 + SLAM模式。

步骤1：启动TB3仿真+SLAM建图

终端1：

export TURTLEBOT3_MODEL=waffle
ros2 launch nav2_bringup tb3_simulation_launch.py headless:=False slam:=True

参数说明：

• headless:=False：弹出Gazebo图形窗口
• slam:=True：启动SLAM‑Toolbox进行实时建图，而不是加载静态地图导航

启动成功后会同时打开：

1. Gazebo：仿真室内环境，TurtleBot3小车
2. RViz2：预配置好Nav2界面，可以看到激光、TF、正在构建的地图。

步骤2：键盘遥控小车遍历环境

新开终端2，启动键盘遥控：

ros2 run teleop_twist_keyboard teleop_twist_keyboard

• 使用键盘 i j k l , 控制小车缓慢移动旋转；
• 慢速遍历整个房间，把全部墙壁、障碍物扫描到地图中；
• RViz中观察Map话题，灰色未知，黑色障碍物，白色可通行区域。>

注意：不要高速移动，高速会导致地图畸变、重影。

步骤3：保存建好的地图

当整个环境扫描完成，新开终端3，执行保存地图：

ros2 run nav2_map_server map_saver_cli -f ~/my_tb3_map

会在用户家目录生成两个文件：

• my_tb3_map.pgm：地图图像
• my_tb3_map.yaml：地图配置文件（分辨率、原点、阈值）

建图完成，关闭所有终端，准备导航实验。
可选检查工具

ros2 run rqt_tf_tree rqt_tf_tree

观察TF变换链：map → odom → base_link → base_scan是否完整。

---

模块2：加载地图，Nav2自主导航实验

使用刚才保存的my_tb3_map.yaml，启动仿真+导航，不再做SLAM。

步骤1：启动TB3仿真导航（slam:=False，加载静态地图）

终端1，设置地图路径，启动官方仿真launch

export TURTLEBOT3_MODEL=waffle
ros2 launch nav2_bringup tb3_simulation_launch.py headless:=False slam:=False map:=/home/$USER/my_tb3_map.yaml

slam:=False：关闭SLAM，启用map_server加载静态地图，启动AMCL定位。

启动后打开Gazebo与RViz2。此时：

• Gazebo中小车位置是仿真初始位置；
• RViz地图已经加载，但是AMCL粒子云是散开的，机器人不知道自己在哪。

步骤2：2D Pose Estimate初始化定位

1. 在RViz工具栏点击 2D Pose Estimate（快捷键P）
2. 在地图上，Gazebo小车对应的真实位置，点击拖拽箭头：箭头方向为小车朝向。
3. 现象：大量红色AMCL粒子云，几秒后粒子收敛聚集到小车真实位置，定位完成。

如果粒子一直散开：初始位姿点错；激光话题异常；地图与实际环境不匹配。

步骤3：RViz下发导航目标点（2D Nav Goal）交互导航

1. RViz工具栏点击 2D Nav Goal（快捷键G）
2. 在地图上选择目标位置，拖拽箭头设置目标朝向。
3. 观察现象：
   • 绿色线条：全局规划路径（Global Plan），从起点到目标的全局路径；
   • 蓝色线条：局部规划轨迹（Local Plan），DWB局部规划输出；
   • 彩色色块：代价地图，障碍物、膨胀安全区域；
   • TurtleBot3小车自动运动，沿着路径向目标行驶，到达目标停止。
4. 多次设置不同目标点，测试定点导航。

步骤4：动态障碍物避障测试

1. 在Gazebo界面，插入Cube立方体障碍物，放到小车规划路径中间；
2. 观察RViz代价地图，立刻识别出新障碍物；
3. Nav2重新规划路径，小车绕行避开障碍物；
4. 将障碍物移走，路径恢复。

记录：有障碍物和移除障碍物的导航行为对比。

步骤5：编写C++ Action客户端，程序自动下发导航目标

使用Nav2标准 nav2_msgs/action/NavigateToPose，不用鼠标，代码自动发送导航目标。

5‑1 创建功能包

cd ~/ros2_ws/src
ros2 pkg create --build-type ament_cmake nav2_send_goal --dependencies rclcpp nav2_msgs rclcpp_action geometry_msgs
cd nav2_send_goal
mkdir src

5‑2 src/send_nav_goal.cpp

#include <rclcpp/rclcpp.hpp>
#include <rclcpp_action/rclcpp_action.hpp>
#include <nav2_msgs/action/navigate_to_pose.hpp>
#include <geometry_msgs/msg/pose_stamped.hpp>

using NavigateToPose = nav2_msgs::action::NavigateToPose;
using GoalHandle = rclcpp_action::ClientGoalHandle<NavigateToPose>;

class NavGoalClient : public rclcpp::Node
{
public:
    NavGoalClient() : Node("send_nav_goal")
    {
        client_ = rclcpp_action::create_client<NavigateToPose>(this, "navigate_to_pose");
    }

    void send_goal(double x, double y, double yaw)
    {
        if (!client_->wait_for_action_server(std::chrono::seconds(5)))
        {
            RCLCPP_ERROR(get_logger(), "Action Server未上线");
            return;
        }
        auto goal_msg = NavigateToPose::Goal();
        goal_msg.pose.header.frame_id = "map";
        goal_msg.pose.header.stamp = this->get_clock()->now();
        goal_msg.pose.pose.position.x = x;
        goal_msg.pose.pose.position.y = y;
        // 简单设置朝向
        goal_msg.pose.pose.orientation.w = 1.0;

        auto send_goal_options = rclcpp_action::Client<NavigateToPose>::SendGoalOptions();
        send_goal_options.result_callback =
            [this](const GoalHandle::WrappedResult & result)
        {
            if(result.code == rclcpp_action::ResultCode::SUCCEEDED)
            {
                RCLCPP_INFO(this->get_logger(), "导航目标到达！");
            }else{
                RCLCPP_ERROR(this->get_logger(), "导航失败");
            }
            rclcpp::shutdown();
        };
        client_->async_send_goal(goal_msg, send_goal_options);
    }
private:
    rclcpp_action::Client<NavigateToPose>::SharedPtr client_;
};

int main(int argc, char** argv)
{
    rclcpp::init(argc, argv);
    auto node = std::make_shared<NavGoalClient>();
    // 修改为你的仿真环境中合适的目标点坐标
    node->send_goal(2.0, 0.5, 0.0);
    rclcpp::spin(node);
    rclcpp::shutdown();
    return 0;
}

5‑3 修改CMakeLists.txt

find_package(rclcpp REQUIRED)
find_package(nav2_msgs REQUIRED)
find_package(rclcpp_action REQUIRED)
find_package(geometry_msgs REQUIRED)

add_executable(send_goal src/send_nav_goal.cpp)
ament_target_dependencies(send_goal rclcpp nav2_msgs rclcpp_action geometry_msgs)

install(TARGETS
  send_goal
  DESTINATION lib/${PROJECT_NAME}
)

5‑4 package.xml添加依赖

<depend>rclcpp</depend>
<depend>nav2_msgs</depend>
<depend>rclcpp_action</depend>
<depend>geometry_msgs</depend>

5‑5 编译运行

cd ~/ros2_ws
colcon build --packages-select nav2_send_goal
source install/setup.bash

前提：已经启动tb3_simulation_launch.py，并且已经做2D Pose Estimate初始化定位成功！

新开终端执行客户端：

ros2 run nav2_send_goal send_goal

现象：不需要鼠标，机器人自动驶向代码中设置的(x,y)目标点，终端打印到达/失败信息。

五、实验现象记录（实验报告可直接复制）

1. TF树截图：map → odom → base_link → base_scan完整变换链。
2. SLAM建图RViz截图：建图完成的栅格地图。
3. AMCL定位截图：初始化后粒子云从分散收敛。
4. RViz导航截图：绿色全局路径、蓝色局部路径、代价地图。
5. 动态障碍物：放置障碍物前后路径对比截图。
6. Action客户端终端输出：导航到达或失败日志。

六、思考题

1. tb3_simulation_launch.py中参数slam:=True与slam:=False有什么区别？
2. 如果不做2D Pose Estimate初始化定位，直接下发2D Nav Goal，会发生什么？
3. 全局代价地图与局部代价地图分别作用？rolling_window参数在哪种代价地图开启？
4. AMCL粒子数目调大，对定位效果和CPU负载有什么影响？
5. 动态障碍物为什么SLAM建图时不会出现，但是导航时可以识别并避障？
6. 如果话题/odom丢失，导航系统会出现什么现象？

七、实验小结（报告用）

1. 使用Nav2官方tb3_simulation_launch.py快速启动TurtleBot3仿真，slam:=True完成SLAM‑Toolbox建图，通过map_saver_cli保存栅格地图。
2. 设置slam:=False加载静态地图，AMCL粒子滤波实现机器人定位，需要2D Pose Estimate提供初始位姿。
3. 通过RViz的2D Nav Goal实现人机交互导航；在路径上增加动态障碍物，Nav2可以实时感知障碍物并重新规划路径实现避障。
4. 编写Action客户端调用NavigateToPose接口，程序自动下发导航目标，理解Nav2行为树Action接口。
5. 导航依赖完整TF树、激光、里程计、底盘速度指令；定位质量直接决定导航能否正常运行。代价地图膨胀参数、规划器速度参数影响避障与运动性能。

常见故障排查

1. Gazebo小车不动：检查/cmd_vel话题是否有速度输出；确认TURTLEBOT3_MODEL环境变量。
2. AMCL粒子始终发散：2D Pose Estimate点的位置不对；地图yaml与实际环境不一致；/scan激光数据异常。
3. 导航规划不出路径：机器人被代价地图膨胀层包围；目标点落在障碍物或未知区域。
4. Action客户端提示Action Server未上线：确认tb3_simulation_launch.py完整启动，bt_navigator正常运行。
5. 建图地图重影：小车运动速度太快，降低键盘遥控速度。

---

高段：

实验5 移动导航实验（ROS2‑Lyrical Nav2）

参考资料：ROS2 Lyrical第5章导航前置、第6章Nav2自主导航

环境：Ubuntu26.04 + ROS2‑Lyrical + Gazebo Garden，差速四轮小车仿真平台

一、实验目的

1. 理解Nav2导航四大前置条件：差速底盘、完整TF2坐标树、2D激光雷达、标准里程计Odometry ，掌握导航数据流传感器→定位→规划→控制→底盘执行完整链路。
2. 掌握TF2广播、监听，理解标准坐标链map → odom → base_footprint → laser_link。
3. 掌握gmapping完成SLAM栅格建图、地图保存(map_saver)与加载(map_server)。
4. 掌握Nav2配置：代价地图（全局/局部）、AMCL粒子滤波定位、DWB局部规划器参数配置。
5. 掌握RViz2导航工具：2D Pose Estimate初始化定位、2D Nav Goal下发导航目标，实现定点自主导航、动态避障。
6. 编写Action客户端C++代码，实现程序自动下发导航目标点。

二、实验原理

1. TF2坐标变换 ：维护机器人各连杆、传感器坐标系之间平移旋转关系，导航中激光雷达数据需要通过TF转换到底盘、地图坐标系下参与代价地图计算；URDF/Xacro+robot_state_publisher自动广播连杆TF变换。
2. 传感器数据
   • LaserScan：2D激光雷达输出测距数据，话题/scan，为SLAM、代价地图提供障碍物观测。
   • Odometry里程计：输出机器人相对odom坐标系位姿、线角速度，Gazebo差速驱动插件积分生成里程；实体机器人通过编码器速度积分得到里程。
   • /cmd_vel：Twist消息，Nav2规划器输出速度指令，控制差速底盘运动。
3. gmapping‑SLAM ：粒子滤波SLAM，输入激光+里程计+TF，输出占用栅格地图/map；地图保存生成.pgm图像和.yaml配置文件。
4. Nav2导航栈
   • map_server：加载静态栅格地图，发布/map话题。
   • AMCL2：自适应蒙特卡洛粒子滤波，基于已知地图+激光+里程实现全局定位，输出机器人在map坐标系位姿。
   • 全局代价地图global_costmap：基于静态地图做长距离全局路径规划。
   • 局部代价地图local_costmap：滑动窗口跟随机器人，实时处理动态障碍物。
   • DWB局部规划器：接收全局路径，结合运动约束输出/cmd_vel速度指令，替代ROS1 DWA规划器。

Nav2强制4个前提（缺一不可）：

①差速底盘接收Twist /cmd_vel；②完整TF2坐标树；③2D激光LaserScan；④Odometry里程计话题输出。

三、实验设备/环境

• 软件：Ubuntu26.04，ROS2‑Lyrical，Gazebo Garden，RViz2，colcon编译工具
• 仿真模型：四轮差速小车Xacro模型，搭载2D激光雷达；Gazebo室内仿真世界willowgarage_world

四、实验内容与步骤

分为两大部分：PartA SLAM建图（第5章）；PartB Nav2自主导航（第6章）

PartA SLAM建图（导航前置）

步骤1：编译功能包，启动建图仿真

1. 工作空间~/ros2_ws/src放置chapter5_tutorials源码，编译

cd ~/ros2_ws
colcon build --packages-select chapter5_tutorials
source install/setup.bash

2. 启动Gazebo仿真、机器人、gmapping建图、RViz2

ros2 launch chapter5_tutorials gazebo_mapping.launch.py model:=$(ament_index_get_resource robot1_description urdf/robot1_base_04.xacro)

3. 键盘遥控包安装，新开终端启动键盘遥控，控制小车遍历全部室内环境

sudo apt install ros‑lyrical‑teleop‑twist‑keyboard
ros2 run teleop_twist_keyboard teleop_twist_keyboard

操作：键盘上下左右控制小车缓慢遍历整个房间，RViz2中OccupancyGrid实时观察生成栅格地图，白色=可通行，黑色=障碍物，灰色=未知区域。

步骤2：保存建好的地图

遍历完成，环境全部扫描完毕，执行map_saver保存地图：

ros2 run map_server map_saver -f my_map

生成两个文件：

• my_map.pgm：栅格灰度地图图像
• my_map.yaml：分辨率、原点、阈值配置文件，后续map_server加载使用。

检查：rqt_tf_tree查看TF树是否完整：map → odom → base_footprint → laser_link

ros2 run rqt_tf_tree rqt_tf_tree

PartB Nav2自主导航实验

步骤1：创建Nav2功能包chapter6_tutorials

cd ~/ros2_ws/src
ros2 pkg create --build‑type ament_cmake chapter6_tutorials \
rclcpp nav2_bringup nav2_amcl nav2_costmap_2d nav2_planner nav2_dwb_controller \
tf2_ros gazebo_ros xacro map_server rviz2 rqt_reconfigure

目录结构：

chapter6_tutorials/
├── launch/          # Python launch、yaml参数
├── maps/            # 将PartA生成my_map.pgm、my_map.yaml复制到此目录
├── src/             # send_goal.cpp Action客户端代码
├── CMakeLists.txt
└── package.xml

复制4套yaml参数文件：

1. costmap_common_params.yaml：代价地图公共参数，设置机器人footprint轮廓，障碍物膨胀半径inflation_radius
2. global_costmap_params.yaml：全局代价地图参数，static_map:true加载静态地图
3. local_costmap_params.yaml：局部代价地图，开启rolling_window:true滑动窗口
4. dwb_local_planner_params.yaml：DWB规划器速度加速度约束，差速小车holonomic_robot: false
5. amcl_params.yaml：AMCL粒子滤波参数，设置最小最大粒子数、激光观测模型。

步骤2：编写一体化启动文件 nav2_full.launch.py

功能：一键启动Gazebo仿真、机器人模型、map_server加载地图、AMCL定位、Nav2 bringup、RViz2导航预设界面。

编译功能包：

cd ~/ros2_ws
colcon build --packages-select chapter6_tutorials
source install/setup.bash

完整启动命令：

ros2 launch chapter6_tutorials nav2_full.launch.py

步骤3 RViz2交互导航操作

1. 2D Pose Estimate（快捷键P）初始化定位
   点击工具栏2D Pose Estimate，在地图上小车真实位置拖拽箭头指定机器人初始位姿。AMCL粒子云从分散逐渐聚拢，代表定位收敛。

现象：红色粒子云收敛到机器人真实位置，定位成功。

2. 下发导航目标点2D Nav Goal（快捷键G）

   点击2D Nav Goal，在地图上选择目标位置拖拽确定朝向；Nav2生成绿色全局路径Global Plan、蓝色局部Local Plan，小车自动行驶前往目标，同时局部代价地图实时显示障碍物和膨胀安全区。

3. 动态障碍物避障测试

   Gazebo界面插入立方体障碍物，放到规划路径中间；观察RViz局部代价地图更新障碍物，Nav2重新规划路径，小车自动绕行避开障碍。

4. 动态参数调优

ros2 run rqt_reconfigure rqt_reconfigure

在线修改DWB最大速度、AMCL粒子数量、障碍物膨胀半径，不需要重启节点，观察导航行为变化。

步骤4：C++ Action客户端自动下发导航目标

编译send_goal.cpp，调用NavigateToPose Action接口，程序自动给定点导航。

ros2 run chapter6_tutorials send_goal

现象：无需鼠标操作，机器人自动驶向代码指定的(x,y,yaw)目标点。

五、实验现象记录

1. TF树检查：rqt_tf_tree，截图记录完整坐标链map‑odom‑base_footprint‑laser_link。
2. SLAM建图：RViz OccupancyGrid截图，记录建好的室内栅格地图。
3. AMCL定位：粒子云分散→收敛截图。
4. RViz导航截图：全局绿色路径、局部蓝色轨迹、局部代价地图彩色障碍物膨胀区域。
5. 动态障碍物：放置障碍物前后路径对比截图，观察绕行效果。
6. Action客户端运行终端输出，记录导航到达/失败状态。

六、思考题

1 Nav2导航必须的4个前置条件是什么，如果缺少/odom里程计话题会出现什么现象？

2 TF坐标变换链map→odom→base_footprint→laser_link，每个变换分别由哪个节点发布？

3 全局代价地图与局部代价地图的区别？rolling_window参数作用是什么？

4 AMCL粒子数量min_particles/max_particles调大，定位和CPU占用会如何变化？

5 DWB规划器中holonomic_robot: false含义，麦克纳姆轮全向机器人该如何设置？

6 里程计存在漂移误差，AMCL如何利用激光与地图匹配修正里程计漂移？

七、实验报告参考小结

1. 本实验完成仿真差速小车环境gmapping‑SLAM建图，得到室内栅格地图，掌握map_saver/map_server地图存取。
2. 验证TF2坐标变换树，确认Nav2四大前置条件全部满足。
3. 基于Nav2实现AMCL粒子滤波定位，DWB局部规划器完成定点导航，实现动态障碍物避障。
4. 通过RViz2交互+Action客户端两种方式下发导航目标，理解map_server‑AMCL‑costmap‑planner‑controller‑/cmd_vel‑底盘完整数据流。
5. 代价地图footprint轮廓、inflation_radius膨胀半径直接影响机器人碰撞安全性；AMCL粒子数量平衡定位精度与计算资源；DWB参数约束机器人速度、加速度，防止运动失控。

常见故障排查

1 RViz2红色报错TF变换超时：检查TF树，确认完整map‑odom‑base_footprint‑laser_link链条。

2 AMCL粒子云不收敛：2D Pose Estimate初始位姿偏差过大；检查激光话题/scan是否正常；AMCL参数激光观测模型配置。

3 机器人原地不动不导航：检查/cmd_vel是否有速度输出；DWB最大速度是否设置为0；footprint轮廓大于可行通道导致无可行路径。

4 建图地图扭曲：小车运动过快，激光扫描跟不上，降低键盘遥控移动速度。

---