🧭 ROS2 导航 Navigation2 实战:从建图到避障导航

1 Nav2 是什么:ROS2 的「生产级」导航栈

Navigation2(Nav2)是 ROS2 官方生态下的生产级自主导航框架,由 Open Robotics 与社区共同维护,截至 2025 年已有超过 100 家公司采用。它把「从 A 点安全走到 B 点」这一件事拆成一组松耦合、可插拔的模块,你既可以用默认插件快速跑通,也可以像换乐高积木一样替换其中的规划器、控制器、行为树。

1.1 与 ROS1 move_base 的关系

Nav2 是 ROS1 move_base 的「精神继承者」,但架构有本质区别:

1.2 核心模块地图

Nav2 的六大核心模块以及它们在导航中的分工:

整条数据流大致是:目标 pose → BT Navigator → Planner 算全局路径 → Controller 算 cmd_vel → 底盘执行,期间Costmap 持续更新障碍、AMCL 持续更新位姿,一旦控制器卡住就触发 Recovery。

2 环境准备:Ubuntu + ROS2 + Nav2

推荐 Ubuntu 22.04 + ROS2 Humble(最稳、教程最多),或 Ubuntu 24.04 + ROS2 Jazzy(更新,但个别包如 cartographer_ros 官方源暂未发布,需源码编译)。安装 Nav2 与建图工具:

sudo apt update
sudo apt install ros-humble-navigation2 ros-humble-nav2-bringup   # Nav2 核心
sudo apt install ros-humble-slam-toolbox                          # 建图:SLAM Toolbox
sudo apt install ros-humble-cartographer ros-humble-cartographer-ros  # 建图:Cartographer(Humble 有,Jazzy 需源码编译)
# 可选:小乌龟仿真(最常用的 Nav2 入门载体)
sudo apt install ros-humble-turtlebot3*

每次新开终端都要先 source 环境(可把全局 setup.bash 写进 ~/.bashrc,工作空间的 setup.bash 手动 source,详见 04-09 页):

source /opt/ros/humble/setup.bash          # 全局环境
echo "source /opt/ros/humble/setup.bash" >> ~/.bashrc   # 可选:写进 .bashrc 免重复

仿真载体可选小乌龟 TurtleBot3(教程最多)、Nav2 官方示例机器人,或你自己的差速/阿克曼底盘。人形机器人的轮式移动底座完全可以直接套用差速小车这一套。

3 建图两种方式:SLAM Toolbox 与 Cartographer

导航的第一步是建一张栅格地图(Occupancy Grid Map)——把环境切成一个个小格子,每个格子标注「空闲 / 占用 / 未知」。这由 SLAM(同时定位与建图)算法完成:机器人一边走、一边用激光雷达扫环境、一边估计自己的位姿。

3.1 三种建图方案对比

日常推荐 SLAM Toolbox 起步;场景很大、回环很多时再上 Cartographer。两者输出的都是同一种栅格地图,下游 Nav2 用法完全一致。

3.2 用 SLAM Toolbox 建图(命令)

# 终端 1:启动机器人仿真(以小乌龟为例,含底盘+雷达+TF)
export TURTLEBOT3_MODEL=burger
ros2 launch turtlebot3_gazebo turtlebot3_world.launch.py

# 终端 2:启动 SLAM Toolbox(在线同步建图)
ros2 launch slam_toolbox online_async_launch.py

# 终端 3:启动 RViz2 看地图,再用键盘/手柄遥控小车走遍房间
ros2 run turtlebot3_teleop teleop_keyboard

遥控小车慢速、完整地走遍整个房间,让激光雷达扫到每一面墙,RViz2 里地图会逐渐被填满。

3.3 保存地图(map_saver)与地图文件格式

建图满意后,保存地图(RViz 打开时地图不变即可保存):

# Nav2 用 map_saver_cli(注意不是 ROS1 的 map_server map_saver)
ros2 run nav2_map_server map_saver_cli -f ~/map

会生成两个文件:map.pgm(灰度图片)与 map.yaml(元数据)。示例 map.yaml:

image: map.pgm
mode: trinary          # trinary(三值)/ scale / raw
resolution: 0.05       # 每像素 = 0.05 米
origin: [-1.0, -1.0, 0.0]   # 地图左下角像素在 map 坐标系下的位姿 [x,y,yaw]
negate: 0              # 0 = 黑是占用;1 = 反转
occupied_thresh: 0.65  # 占用概率 >= 0.65 视为「占用」
free_thresh: 0.196     # 占用概率 <= 0.196 视为「空闲」

3.4 地图代价解释

.pgm 是普通灰度图,黑 = 障碍,白 = 可通行,灰(常为 205)= 未知。加载到 Nav2 后,代价地图把这些像素换算成 0~255 的代价值,数值越大越「危险」:

关键概念是膨胀(Inflate):为了不让机器人「贴墙走」,代价地图会以 inflation_radius 为半径,把障碍物附近的格子代价值从 254 向外逐级衰减到 0。机器人中心离障碍越近,代价越高,规划器和控制器就自然绕开。

4 导航配置详解:nav2_params.yaml

Nav2 的所有行为都由一个参数文件控制,默认叫 nav2_params.yaml(由 ros2 launch nav2_bringup bringup_launch.py 加载)。下面拆解最关键的几块。

4.1 代价地图参数(全局 + 局部两张)

全局代价地图(global_costmap)给规划器用、范围大、更新慢;局部代价地图(local_costmap)给控制器用、范围小、更新快(跟随机器人移动)。两者结构相同:

local_costmap:
  ros__parameters:
    update_frequency: 5.0      # 更新频率(Hz)
    publish_frequency: 2.0     # 发布频率(Hz)
    global_frame: odom         # 局部地图坐标系(跟随机器人,用 odom)
    robot_base_frame: base_link
    rolling_window: true       # 局部地图用滚动窗口
    width: 3                   # 窗口宽(米),rolling_window 时生效
    height: 3
    resolution: 0.05           # 分辨率(米/格)
    robot_radius: 0.22         # 机器人半径(圆形底盘);footprint 二选一
    plugins: ["static_layer", "obstacle_layer", "inflation_layer"]
    inflation_layer:
      plugin: "nav2_costmap_2d::InflationLayer"
      inflation_radius: 0.55   # ★ 膨胀半径:越大越远离障碍,越大越难钻窄缝
      cost_scaling_factor: 3.0 # ★ 代价衰减因子:越大衰减越快(越贴墙)
    obstacle_layer:
      plugin: "nav2_costmap_2d::ObstacleLayer"
      observation_sources: scan
      scan: {topic: /scan, data_type: LaserScan, clearing: true, marking: true}

4.2 全局规划器插件(Planner)

planner_server:
  ros__parameters:
    plugins: ["GridBased"]
    use_sim_time: true
    GridBased:
      plugin: "nav2_navfn_planner/NavfnPlanner"
      tolerance: 0.5            # 目标点容差(米)
      use_astar: false

4.3 局部控制器插件(Controller)

controller_server:
  ros__parameters:
    plugins: ["FollowPath"]
    FollowPath:
      plugin: "nav2_regulated_pure_pursuit_controller::RegulatedPurePursuitController"
      desired_linear_vel: 0.22    # 期望线速度(m/s)
      max_linear_vel: 0.26
      min_lookahead_dist: 0.3     # 前视距离(纯追踪核心参数)
      max_lookahead_dist: 0.9

4.4 行为树(BT Navigator)流程

Nav2 用行为树 XML 描述导航逻辑,默认行为树叫 navigate_to_pose_w_replanning_and_recovery.xml,核心流程:

bt_navigator:
  ros__parameters:
    default_nav_to_pose_bt_xml: "<path>/navigate_to_pose_w_replanning_and_recovery.xml"

该行为树大致按顺序执行这些节点(节选,实际 XML 里是 <Sequence> / <Fallback> / <RecoveryNode> 组合):

行为树的好处:你可以自己写 XML,插入「到门口先停一下」「绕行检测」等自定义逻辑,而不必改 C++ 源码 —— 这是 Nav2 相比 move_base 最大的升级点。

5 定位:AMCL 粒子滤波

机器人要在地图里导航,必须先知道「我在地图里的哪个位置、朝哪个方向」。Nav2 默认用 AMCL(Adaptive Monte Carlo Localization,自适应蒙特卡洛定位)。

5.1 粒子滤波原理

AMCL 是粒子滤波的一种:MCL 在整张地图上撒一堆「粒子」(每个粒子是一个可能的位姿假设),然后反复做两步 —— 运动更新(里程计动了,粒子跟着动)与测量更新(激光扫到墙,离真实墙更吻合的粒子获得更高权重,并重采样)。几轮之后粒子收敛成一团,就是机器人的真实位姿。「Adaptive」指它用 KLD 采样动态调整粒子数量:不确定时粒子多(最多 max_particles),确定时粒子少(最少 min_particles),省算力。

5.2 初始位姿估计与重定位

AMCL 刚启动时粒子均匀撒满整张地图,所以第一件事是告诉它「我大概在哪」——在 RViz2 里用 2D Pose Estimate 按钮(或发布 /initialpose 话题)在地图上点一下机器人真实位置并拖出朝向:

ros2 topic pub /initialpose geometry_msgs/msg/PoseWithCovarianceStamped \
  "{header: {frame_id: 'map'}, pose: {pose: {position: {x: 0.0, y: 0.0, z: 0.0}, \
  orientation: {x: 0.0, y: 0.0, z: 0.0, w: 1.0}}}, }" --once

5.3 重定位技巧(被「绑架」问题)

• 主动重定位:机器人被抱起挪走(kidnapped robot)后,AMCL 会因粒子错位而发散 —— 直接再点一次 2D Pose Estimate 即可快速收敛。
• 增大粒子:定位老是漂,把 max_particles 调大(如 5000),但会增加 CPU 占用。
• 运动要够:纯旋转或短距离移动时粒子不易收敛,先走一段、转一圈再继续。
• 新版备选:社区还推出了 Beluga AMCL(beluga_amcl)参考实现,接口兼容、精度更稳,可作为 Nav2 amcl 的替代插件。

6 实战步骤:一条完整导航链路

把前面全部串起来,跑通「建图 → 保存 → 导航 → 避障」的完整闭环。

6.1 ① 启动仿真 + ② 建图(见第 3 节)

export TURTLEBOT3_MODEL=burger
ros2 launch turtlebot3_gazebo turtlebot3_world.launch.py   # 终端 1:仿真
ros2 launch slam_toolbox online_async_launch.py            # 终端 2:建图
ros2 run turtlebot3_teleop teleop_keyboard                 # 终端 3:遥控建图

6.2 ③ 保存地图 → ④ 加载地图导航

ros2 run nav2_map_server map_saver_cli -f ~/map    # 保存 ~/map.pgm + ~/map.yaml

# 建图完成后,关掉 slam_toolbox,改跑导航(加载刚保存的地图 + 启动 AMCL + Nav2)
ros2 launch nav2_bringup bringup_launch.py map:=/home/$USER/map.yaml use_sim_time:=true

bringup_launch.py 会一次性启动:map_server(加载地图)、AMCL(定位)、planner_server、controller_server、bt_navigator、代价地图、RViz2 等,并自动读取 nav2_params.yaml。

6.3 ⑤ RViz 里点 2D Goal Pose 导航

6.4 ⑥ 遇到障碍物避障与恢复(Recovery)

导航途中在机器人前方扔一个箱子(或让一个人挡路),观察两件事:

• 避障:局部代价地图的 obstacle_layer 立刻把箱子标成障碍,控制器实时重规划绕过去 —— 如果绕得开,全局路径不必重算。
• 恢复:把机器人逼进死角 / 障碍完全堵死路径,控制器报失败,BT Navigator 进入恢复序列:Spin(原地转一圈看)→ BackUp(后退一段)→ Wait(等 2 秒),每轮恢复后再尝试导航;恢复 N 次仍失败,任务以 ABORTED 结束。

7 人形机器人为什么也用 Nav2

人形机器人的导航需求与轮式机器人高度重叠:自主移动到指定点、跟随人、巡游、避障。这些「去那里」的顶层能力完全可以直接复用 Nav2 的成熟框架,而不用重复造轮子。

7.1 与 3D 感知 / 激光雷达的配合

• 2D 代价地图靠 2D 扫描:人形机器人常配 3D 激光雷达,可把 3D 点云「投影到 2D 平面」得到 /scan(LaserScan),直接喂给 Nav2 的 obstacle_layer;或单独用一个 2D 雷达 + 一个 3D 雷达分层使用。
• 相机点云 → 体素 → 2D:深度相机的点云经体素滤波 + 投影也可转成 2D 代价,与雷达互补(玻璃、悬空物等)。
• 3D 感知另做:台阶、扶手、头顶障碍等 2D 代价地图表达不了,由 3D 感知模块(如第 12 节)单独处理,与 Nav2 并行。

7.2 轮式 vs 足式导航差异

结论:全局「去哪儿」用 Nav2,局部「怎么走」分家—— 轮式用经典规划控制器,足式常见做法是 Nav2 出全局路径 + 强化学习局部策略负责落足与平衡(如四足/人形常用的 RL 步态控制器)。这也是为什么「Nav2 是人形机器人导航的地基,而不是全部」。

8 常见坑(排查清单)

9 本节自测

10 参考来源

• Navigation2 官方文档 · Getting Started(入门与安装)
• Navigation2 官方教程 · Navigating While Mapping(SLAM 建图导航)
• Nav2 官方 · Inflation Layer(膨胀层)参数说明
• Nav2 官方 · Behavior Tree Nav To Pose(导航行为树)
• ros-navigation/navigation2 · GitHub 源码仓库
• SteveMacenski/slam_toolbox · GitHub(SLAM Toolbox)
• cartographer-project/cartographer_ros · GitHub(Cartographer ROS 集成)
• rst-tu-dortmund/teb_local_planner · GitHub(TEB 局部规划器 ROS2 版)
• ros-navigation/navigation2_tutorials · GitHub(Nav2 官方教程源码)

📅 资料整理更新至 2026-08 · 关键事实(包名、命令、参数名、插件名)已经 web_search 核实。