基于ROS2与Nav2的室内服务机器人自主导航系统实战
1. 从零搭建ROS2与Nav2导航系统
第一次接触ROS2和Nav2时，我被官方文档里密密麻麻的术语搞得头晕眼花。后来在实际项目中摸爬滚打才发现，这套系统就像乐高积木——只要掌握核心模块的拼接方法，就能搭建出功能强大的自主导航机器人。我们以办公室文件递送机器人为例，看看如何把理论变成实践。
硬件选型就像组装台式机，需要讲究性价比和兼容性。我推荐这套经过实战检验的配置：
- 移动底盘：差速驱动底盘（带编码器），淘宝500元左右就能搞定
- 感知系统：RPLIDAR A1激光雷达（约1500元） + MPU6050 IMU模块（20元）
- 主控：树莓派4B 4GB版本足够用，记得配个散热风扇
- 供电：12V锂电池组，容量根据工作时间选择
提示：超声波传感器不是必须的，但在复杂环境中可以作为激光雷达的补充
软件环境配置有个小技巧——使用ROS2 Humble的预编译版本能省去大量编译时间。安装完成后，记得运行ros2 doctor检查环境状态。我遇到过因为时区设置错误导致ROS2时间同步出问题的案例，排查了半天才发现是系统时区没配置。
2. 机器人建模与传感器集成
URDF文件就像机器人的"身份证"，定义着它的物理特性。新手常犯的错误是直接复制网上的模板，导致坐标系对不齐。我的经验是从简到繁分三步走：
- 先定义基础底盘（base_link）
- 添加激光雷达（laser_link）和IMU（imu_link）
- 最后处理驱动轮关节
<!-- 典型差速驱动机器人URDF片段 --> <link name="base_link"> <visual> <geometry> <cylinder length="0.1" radius="0.15"/> </geometry> </visual> </link> <joint name="left_wheel_joint" type="continuous"> <parent link="base_link"/> <child link="left_wheel_link"/> <origin xyz="0 0.16 0.05"/> </joint>传感器驱动配置要注意三个坑：
- 串口权限问题（记得把用户加入dialout组）
- 坐标系命名一致性（laser_link ≠ laser）
- 参数文件路径要用绝对路径
实测发现RPLIDAR在Windows虚拟机中经常出现数据丢包，改用Ubuntu原生系统后稳定性大幅提升。
3. SLAM建图实战技巧
建图质量直接决定导航效果。使用SLAM Toolbox时，我总结出这些经验：
参数调优黄金组合：
# slam_params.yaml关键参数 mapper: resolution: 0.05 max_laser_range: 12.0 minimum_time_interval: 0.5 map_update_interval: 5.0建图时建议采用"弓字形"路径，覆盖这些重点区域：
- 门口和走廊
- 桌椅密集区
- 玻璃等反光表面
遇到过最头疼的问题是动态障碍物导致的"鬼影"。后来发现开启SLAM的"live_mode"参数能有效缓解。建图完成后，一定要用map_saver_cli保存两份数据：
- PGMLossless格式用于后续导航
- PNG图片格式方便快速查看
4. Nav2导航栈深度调优
Nav2的默认参数适合仿真环境，真实场景需要调整。这是我在办公室环境中验证过的配置：
代价地图配置：
local_costmap: plugins: ["voxel_layer", "inflation_layer"] update_frequency: 5.0 publish_frequency: 2.0 width: 3.0 height: 3.0 global_costmap: plugins: ["static_layer", "obstacle_layer"] update_frequency: 1.0控制器参数陷阱：
max_vel_x超过0.5时容易撞墙sim_time建议设为1.5-2.0秒vx_samples低于15会导致路径抖动
针对狭窄通道通过问题，可以组合使用这些技巧：
- 临时调小机器人轮廓半径
- 降低最大速度
- 启用恢复行为（旋转+后退）
5. 典型问题解决方案
定位丢失是新手最常遇到的问题。AMCL定位要注意：
- 初始位姿尽量准确
- 粒子数控制在1000-2000之间
- 定期检查TF树是否完整
我在项目中遇到的真实案例：机器人总是卡在茶水间门口。后来发现是玻璃门反光导致激光雷达数据异常，通过以下方法解决：
- 在costmap中增加障碍物衰减时间
- 融合IMU数据辅助定位
- 在该区域设置导航禁区
动态避障的实用技巧：
- 开启
obstacle_layer的track_unknown_space - 调整
inflation_radius平衡安全性与通过性 - 对移动障碍物使用
people_velocity_tracker
6. 进阶功能扩展
基础导航稳定后，可以尝试这些增值功能：
多目标点巡逻：
# 巡逻脚本示例 goals = [ {"x": 1.0, "y": 0.5, "yaw": 0.0}, # 前台 {"x": 3.2, "y": 2.1, "yaw": 1.57} # 会议室 ] for goal in goals: navigate_to_pose(goal) wait_for_arrival()电池管理系统集成步骤：
- 通过ADC读取电压值
- 在导航节点中订阅电池话题
- 电量低于阈值时触发自动回充
最近在做的视觉辅助导航也很有意思，使用OpenCV识别门牌号，配合Apriltag实现精确定位。不过要注意图像处理会占用大量CPU资源，建议用多线程处理。