1. 从零搭建前的整体思路与版本选型1.1 为什么这次选 Humble 而不是 Foxy如果你刚开始接触 ROS2第一个绕不开的问题就是版本选择。ROS2 的发行版命名一直沿用字母顺序Foxy 是 2020 年的版本Humble 是 2022 年发布的 LTS 版本支持周期一直到 2027 年。我最早在 Foxy 上跑 Nav2后来整体迁到 Humble最直观的感受是 Nav2 的成熟度完全不是一个量级。Foxy 时代的 Nav2 还处在“能用但坑多”的阶段行为树Behavior Tree的配置经常需要手动改 XML参数服务器和生命周期节点的配合也容易出问题。Humble 把这些问题基本理顺了Nav2 的默认行为树已经覆盖了绝大多数导航场景参数声明和节点生命周期管理更加规范官方文档和社区示例也丰富得多。更关键的是Humble 对 Ubuntu 22.04 的支持是一等公民级别的而 Foxy 绑定的是 Ubuntu 20.04后者在很多新硬件上的驱动支持已经开始吃力。所以如果你现在要新起一个项目没有历史包袱的话直接上 Humble 是性价比最高的选择。这篇文章我就以 Humble 为基准把 Nav2 从安装到跑通 DWA 和 A* 的完整链路讲清楚。1.2 Nav2 到底解决了什么问题很多人第一次听到 Nav2会以为它就是一个“导航算法库”。其实不是。Nav2 更像是一套导航系统的框架和调度中枢它把定位、地图、路径规划、局部避障、恢复行为这些模块用行为树串起来每个模块都是一个独立的生命周期节点通过话题、服务、动作Action互相通信。你可以把它想象成一个餐厅的后厨A* 是负责规划“从冷库到灶台怎么走最省时间”的路线规划师DWA 是负责“端菜路上遇到服务员怎么绕开”的现场调度员而 Nav2 就是那个把订单、路线、现场情况统一协调的店长。没有店长规划师和调度员各干各的整个系统就散了。Nav2 的核心价值在于它定义了一套标准接口让全局规划器Global Planner、局部控制器Controller、恢复行为Recovery可以插拔式替换。你今天用 A* 做全局规划明天想换成 Smac Planner只需要改一个参数文件不用动其他代码。这种设计对实际项目太重要了因为不同场景对导航的需求差异极大。1.3 整体架构与数据流梳理在动手之前先把 Nav2 的数据流理清楚后面配置参数时你才知道每个参数在哪个环节起作用。整个链路大致是这样的地图服务器Map Server发布静态地图AMCL 或 SLAM 提供机器人位姿全局代价地图Global Costmap把地图和障碍物信息融合成规划用的栅格全局规划器这里用 A*即 NavFn 或 Smac 的 A* 实现算出一条从当前位置到目标点的路径局部代价地图Local Costmap实时感知周围障碍局部控制器这里用 DWA根据全局路径和局部障碍算出速度指令最后通过/cmd_vel发给底盘。这里面有几个关键点新手容易忽略全局代价地图和局部代价地图是两套独立的配置它们的膨胀半径、分辨率、更新频率都可以不一样DWA 只负责局部避障和速度生成它不关心全局路径怎么来的A* 算出的路径是一串离散的位姿点DWA 会沿着这些点做局部跟踪。理解了这条链路后面调参的时候你就知道路径贴不贴障碍物看全局代价地图的膨胀参数机器人抖动或者绕远看 DWA 的采样参数定位漂移看 AMCL 的参数。每个问题都能定位到具体环节。2. 环境准备与 Nav2 安装实操2.1 Ubuntu 22.04 与 ROS2 Humble 的安装Humble 官方支持的是 Ubuntu 22.04Jammy。如果你用的是 20.04要么升级系统要么用 Docker 跑一个 22.04 的容器我建议后者更省事尤其是你不想动现有开发环境的时候。安装 ROS2 Humble 的步骤网上很多但有几个坑我必须提前说。首先是 locale 设置如果系统 locale 不是 UTF-8后面ros2命令会出现各种奇怪的编码错误。先执行sudo apt update sudo apt install locales sudo locale-gen en_US en_US.UTF-8 sudo update-locale LC_ALLen_US.UTF-8 LANGen_US.UTF-8 export LANGen_US.UTF-8然后是软件源。很多人卡在ros2 command not found八成是源没配好或者没 source。添加源的时候注意Humble 用的是jammy代号别写成focalsudo apt install software-properties-common sudo add-apt-repository universe sudo apt update sudo apt install curl -y sudo curl -sSL https://raw.githubusercontent.com/ros/rosdistro/master/ros.key -o /usr/share/keyrings/ros-archive-keyring.gpg echo deb [arch$(dpkg --print-architecture) signed-by/usr/share/keyrings/ros-archive-keyring.gpg] http://packages.ros.org/ros2/ubuntu $(. /etc/os-release echo $UBUNTU_CODENAME) main | sudo tee /etc/apt/sources.list.d/ros2.list /dev/null装完之后桌面版和基础版的选择也有讲究。如果你要跑 Gazebo 仿真和 RViz2直接装ros-humble-desktop它包含了 RViz2、demo 节点和大部分常用工具。基础版ros-humble-ros-base只有核心库后面还得单独装一堆东西反而麻烦。sudo apt install ros-humble-desktop装完记得 source并且写进.bashrc否则每开一个终端都要手动 source 一次echo source /opt/ros/humble/setup.bash ~/.bashrc source ~/.bashrc验证安装是否成功跑一下经典的小乌龟ros2 run turtlesim turtlesim_node另开一个终端ros2 run turtlesim turtle_teleop_key能控制乌龟动说明 ROS2 核心没问题。这一步看着简单但它是后面所有工作的基础别跳过。2.2 Nav2 相关包的安装与依赖检查Humble 的 Nav2 安装比 Foxy 时代简单太多了直接 apt 一把梭sudo apt install ros-humble-navigation2 ros-humble-nav2-bringup ros-humble-turtlebot3*这里我特意把turtlebot3相关的包也装上了因为后面做仿真测试用 TurtleBot3 是最省事的它的模型、地图、参数都是现成的能让你把精力集中在 Nav2 本身而不是机器人建模上。装完之后检查一下关键包是否到位ros2 pkg list | grep nav2你应该能看到nav2_amcl、nav2_bt_navigator、nav2_controller、nav2_planner、nav2_costmap_2d等一长串包。如果缺了哪个单独补装即可。还有一个容易被忽略的依赖是ros-humble-slam-toolbox如果你打算用 SLAM 建图而不是用现成地图这个包必须装sudo apt install ros-humble-slam-toolbox提示安装过程中如果遇到依赖冲突先执行sudo apt --fix-broken install再重新安装。不要强行用--force跳过依赖后面运行时会出各种诡异问题。2.3 仿真环境搭建Gazebo 与 TurtleBot3真机调试 Nav2 成本高、风险大先用仿真把流程跑通是明智的选择。TurtleBot3 在 Gazebo 里的仿真环境是官方维护的模型和传感器配置都很标准。设置 TurtleBot3 的型号环境变量这个变量决定了加载哪个机器人模型echo export TURTLEBOT3_MODELburger ~/.bashrc source ~/.bashrcBurger 是最基础的型号只有一个 360 度激光雷达适合入门。如果你想要更接近真实机器人的配置可以用waffle或waffle_pi它们多了深度相机。启动仿真世界ros2 launch turtlebot3_gazebo turtlebot3_world.launch.py这个命令会打开 Gazebo加载一个带障碍物的世界和一台 TurtleBot3。第一次启动会比较慢因为 Gazebo 要下载模型资源耐心等一会儿。仿真起来之后另开终端启动 RViz2 看看激光数据ros2 launch turtlebot3_bringup rviz2.launch.py在 RViz2 里添加 LaserScan 显示把 topic 设为/scan你应该能看到激光点云。如果看不到检查一下 Gazebo 里的机器人是否正常加载以及/scan话题是否有数据ros2 topic hz /scan正常情况下应该有 5-10 Hz 的发布频率。这一步确认了传感器数据链路是通的后面 Nav2 才能正常工作。3. Nav2 核心配置从代价地图到 A* 全局规划3.1 代价地图参数详解与膨胀半径计算代价地图是 Nav2 的地基规划器和控制器都依赖它。Nav2 里有两种代价地图全局代价地图Global Costmap和局部代价地图Local Costmap。前者覆盖整个地图用于全局规划后者是机器人周围的一个滚动窗口用于局部避障。代价地图最核心的参数是膨胀半径inflation_radius和代价缩放因子cost_scaling_factor。膨胀半径决定了障碍物周围多大范围内会被标记为高代价区域机器人会倾向于远离这些区域。这个值不能随便设它和机器人的实际尺寸直接相关。计算公式是这样的膨胀半径至少应该等于机器人的内切圆半径加上一个安全余量。以 TurtleBot3 Burger 为例它的底盘直径约 0.14 米内切圆半径约 0.07 米。安全余量一般取 0.05 到 0.1 米所以膨胀半径设在 0.15 到 0.2 米比较合理。但实际项目中膨胀半径还要考虑机器人的运动特性。如果机器人转弯半径大、惯性大膨胀半径要适当加大给它留出更多的缓冲空间。我一般会先按理论值设然后在仿真里观察机器人和障碍物的实际距离再微调。代价缩放因子控制代价随距离衰减的速度。值越大代价衰减越快机器人越敢于贴近障碍物值越小高代价区域越宽机器人越保守。默认值 10.0 在大多数场景下够用如果发现机器人过于胆小、总是绕大圈可以适当调大这个值。全局代价地图和局部代价地图的配置要分开写。全局的resolution可以设大一点比如 0.05 米因为全局规划对精度要求没那么高局部的resolution要设小一点比如 0.03 米因为局部避障需要更精细的障碍物信息。3.2 A* 全局规划器的选型与参数配置Nav2 里做全局规划的插件有好几个最常用的是NavfnPlanner和SmacPlanner。NavfnPlanner底层用的是 Dijkstra 或 A* 算法SmacPlanner则是基于状态格State Lattice的规划器支持更复杂的运动学约束。如果你明确要用 A*NavfnPlanner里有个use_astar参数设为true就切换到 A* 模式。A* 相比 Dijkstra 的优势在于它引入了启发式函数搜索效率更高尤其是在大地图上差距明显。Dijkstra 是均匀向外扩展A* 会朝着目标点方向优先搜索少走很多冤枉路。配置 A* 的关键参数planner_server: ros__parameters: planner_plugins: [GridBased] GridBased: plugin: nav2_navfn_planner/NavfnPlanner tolerance: 0.5 use_astar: true allow_unknown: truetolerance是目标点容差机器人到达目标点这个范围内就算成功。设太小会导致机器人反复微调位置设太大又会导致停得不够准。0.5 米对于大多数室内场景是个平衡点。allow_unknown决定规划器是否允许路径穿过未知区域。如果你用的是静态地图未知区域就是地图上没标注的地方。设为true可以让规划器在未知区域也能找路但风险是可能规划出一条实际走不通的路径。我一般建议在调试阶段设为true正式运行设为false配合 SLAM 实时更新地图。A* 的启发式函数选择也影响性能。NavFn 默认用的是欧几里得距离对于允许任意方向移动的机器人是合适的。如果你的机器人是差速驱动只能前进和旋转可以考虑用曼哈顿距离或对角距离但 NavFn 不直接暴露这个参数需要改源码。大多数情况下默认的就够用。3.3 全局规划器与代价地图的联动调试配置好之后怎么验证 A* 真的在工作最直接的方法是在 RViz2 里用2D Goal Pose工具点一个目标点然后观察是否出现一条绿色的路径。如果路径没出现先检查planner_server节点是否正常启动ros2 node list | grep planner然后看规划服务的调用情况ros2 service list | grep plan正常情况下应该有/plan_route、/compute_path_to_pose等服务。如果服务在但规划失败多半是代价地图的问题。检查全局代价地图的/global_costmap/costmap话题是否有数据在 RViz2 里添加 Map 显示把 topic 设为/global_costmap/costmap看看障碍物和膨胀层是否正确渲染。我踩过的一个坑是全局代价地图的robot_radius没设对导致膨胀层把整个通道都堵死了A* 找不到任何可行路径。所以每次改完机器人尺寸参数一定要在 RViz2 里目视检查代价地图确认通道是通的。4. DWA 局部控制器配置与避障实战4.1 DWA 算法原理与采样空间解析DWA 全称 Dynamic Window Approach动态窗口法。它的核心思想是在速度空间里采样对每个采样速度模拟一段轨迹然后用评价函数打分选得分最高的速度发给底盘。所谓“动态窗口”是指考虑到机器人的加速度限制下一时刻的速度不可能无限大只能在一个有限范围内变化。这个范围由当前速度和最大加减速度决定。比如当前线速度是 0.2 m/s最大加速度是 0.5 m/s²控制周期是 0.1 秒那么下一时刻线速度的范围就是 0.15 到 0.25 m/s。在这个动态窗口内DWA 会离散采样一系列线速度和角速度组合对每个组合模拟出未来一段时间的轨迹然后从三个维度评价朝向目标的程度、与障碍物的距离、速度大小。三个维度加权求和得分最高的就是最终指令。这个算法的优点是计算量小、实时性好适合在嵌入式平台上跑。缺点是它是局部算法容易陷入局部最优比如遇到 U 型障碍物可能出不来。所以 DWA 必须配合全局规划器使用全局规划器给个大方向DWA 负责局部跟踪和避障。4.2 DWA 关键参数逐项拆解DWA 的参数比较多我挑最关键的几个讲这些参数调好了避障效果基本就稳了。max_vel_x和min_vel_x是线速度范围。max_vel_x决定了机器人最快能跑多快但别设太大否则遇到障碍物来不及反应。TurtleBot3 Burger 的合理值在 0.22 m/s 左右。min_vel_x一般设为 0 或很小的正值设为负值意味着允许后退但后退时激光雷达有盲区风险较大。max_vel_theta是最大角速度。这个值影响机器人转向的灵活性。设太小机器人转弯慢在狭窄空间里会很吃力设太大机器人可能转得太猛导致激光雷达数据抖动。一般设在 1.0 到 2.0 rad/s 之间。acc_lim_x和acc_lim_theta是加减速度限制。这两个值要和底盘的实际能力匹配。设得比实际能力大机器人会打滑设得比实际能力小机器人会显得迟钝。查一下底盘的规格书或者实测一下从静止到最大速度需要多长时间反推加速度。sim_time是轨迹模拟的时间长度。设得太短机器人看不到远处的障碍物容易撞上去设得太长计算量增大而且远处的障碍物可能已经移动了模拟结果不准。1.5 到 2.0 秒是比较常用的范围。path_distance_bias、goal_distance_bias、occdist_scale是三个评价维度的权重。path_distance_bias越大机器人越倾向于贴着全局路径走goal_distance_bias越大机器人越倾向于直奔目标occdist_scale越大机器人越怕障碍物。这三个参数的平衡是 DWA 调参的核心后面我会讲具体怎么调。4.3 局部代价地图与 DWA 的配合调试DWA 依赖局部代价地图来感知障碍物所以局部代价地图的配置直接影响避障效果。局部代价地图的width和height决定了滚动窗口的大小一般设为机器人周围 3 到 6 米的范围。太小了看不到远处障碍太大了计算量浪费。update_frequency和publish_frequency也很关键。update_frequency是代价地图更新的频率建议设为 5 到 10 Hzpublish_frequency是发布到话题的频率可以设低一点1 到 2 Hz 就够 RViz2 显示了。局部代价地图的obstacle_layer要配置好激光雷达的 topic 和max_obstacle_height。如果激光雷达装得比较低max_obstacle_height设小一点避免把地面上的小凸起当成障碍物。raytrace_max_range和raytrace_min_range决定了激光射线的有效范围一般和激光雷达的实际量程匹配。调试的时候在 RViz2 里同时显示局部代价地图和 DWA 的候选轨迹能直观看到 DWA 在选哪条轨迹、为什么选它。Nav2 有个visualize_potential参数打开后可以看到代价地图的势场分布对理解 DWA 的决策很有帮助。5. 完整导航实战从建图到自主导航5.1 用 SLAM Toolbox 建图并保存地图在跑 Nav2 之前你得先有一张地图。用 SLAM Toolbox 建图是最标准的流程。启动仿真世界和 SLAMros2 launch turtlebot3_gazebo turtlebot3_world.launch.py ros2 launch slam_toolbox online_async_launch.py然后启动键盘控制慢慢把机器人开遍整个环境ros2 run turtlebot3_teleop teleop_keyboard建图过程中在 RViz2 里观察地图的构建情况。注意控制速度别开太快否则激光匹配容易失败地图会重影。遇到走廊和拐角要多停留一会儿让 SLAM 有足够的数据做闭环检测。建完之后保存地图ros2 run nav2_map_server map_saver_cli -f ~/my_map这会生成my_map.pgm和my_map.yaml两个文件。yaml里记录了地图的分辨率、原点和阈值后面 Nav2 加载地图时要用到。注意建图时尽量走完整的闭环回到起点附近让 SLAM 做一次闭环优化这样地图的全局一致性会好很多。如果地图有明显的错位别急着用重新建一次比后面调参省事。5.2 加载地图并启动 Nav2 完整栈地图有了接下来启动 Nav2。TurtleBot3 官方提供了现成的 launch 文件ros2 launch turtlebot3_navigation2 navigation2.launch.py map:~/my_map.yaml这个命令会启动 AMCL 定位、代价地图、规划器、控制器、行为树等一整套节点。启动后在 RViz2 里用2D Pose Estimate给机器人一个初始位姿然后观察 AMCL 的粒子云是否收敛到机器人实际位置附近。如果粒子云发散或者定位跳变检查 AMCL 的参数。min_particles和max_particles控制粒子数量太少定位不准太多计算量大。laser_model_type一般用likelihood_field对激光噪声的鲁棒性更好。update_min_d和update_min_a控制更新频率设小一点定位更平滑但计算量增加。定位稳定后用2D Goal Pose点一个目标点机器人应该开始自主导航。观察全局路径是否合理、局部避障是否流畅、到达目标点是否准确。5.3 导航效果评估与参数微调第一次跑通不代表调好了。我一般从三个维度评估导航效果路径质量、避障表现、到达精度。路径质量看全局路径是否贴边、是否绕远。如果路径总是贴着障碍物走说明全局代价地图的膨胀半径太小或者cost_scaling_factor太大。如果路径绕大圈说明膨胀半径太大或者cost_scaling_factor太小。避障表现看机器人遇到动态障碍物时的反应。如果机器人犹豫不决、反复前进后退说明 DWA 的occdist_scale太大或者sim_time太短。如果机器人撞上障碍物说明occdist_scale太小或者局部代价地图没及时更新。到达精度看机器人最终停的位置离目标点多远。如果总是差一点调小xy_goal_tolerance和yaw_goal_tolerance。如果机器人到了目标点附近却不停可能是goal_distance_bias太小机器人还在纠结于避障。调参是个迭代过程每次只改一个参数改完跑一遍看效果。别一次改一堆否则出了问题都不知道是哪个参数导致的。6. 常见问题排查与避坑经验6.1 导航失败的典型原因速查现象可能原因排查方向规划不出路径代价地图通道被堵死检查膨胀半径和机器人半径机器人原地打转DWA 评价函数权重失衡调整 path/goal/occdist 权重定位跳变AMCL 粒子数不足或激光匹配失败增加粒子数检查激光数据机器人撞障碍物局部代价地图更新太慢提高 update_frequency到达目标点不停容差设置过大或行为树配置问题检查 goal_checker 参数导航中途卡死恢复行为未正确配置检查 behavior_server 参数这张表是我在实际项目中总结的覆盖了八成以上的常见问题。遇到导航失败先对照这张表排查能省很多时间。6.2 参数调试的独家心得调 Nav2 参数有个原则先粗后细先全局后局部。先把全局规划调好确保路径合理再调局部控制确保跟踪流畅最后微调容差和恢复行为。DWA 的三个权重参数我的经验值是path_distance_bias在 20 到 32 之间goal_distance_bias在 20 到 24 之间occdist_scale在 0.01 到 0.02 之间。这个范围对大多数室内机器人适用。如果机器人太胆小减小occdist_scale如果机器人太激进增大occdist_scale。还有一个容易被忽略的点控制频率。Nav2 的控制器默认是 20 Hz但如果你的底盘通信延迟大实际执行跟不上会导致机器人抖动。这时候把控制频率降到 10 Hz 反而更稳。参数是controller_frequency在controller_server里配置。6.3 从仿真到真机的迁移注意事项仿真跑通了上真机之前还有几件事要做。首先是传感器标定。仿真里的激光雷达是完美的真机上的激光雷达有噪声、有盲区、安装位置也有偏差。base_link到laser的 TF 变换必须准确否则代价地图里的障碍物位置会偏。用ros2 run tf2_tools view_frames生成 TF 树检查每个变换是否正确。其次是底盘参数实测。仿真里的加速度、最大速度都是理想值真机要实测。找个空旷场地让机器人全速前进记录从静止到最大速度的时间和距离反推实际加速度。角速度同理。最后是安全机制。真机上一定要有急停按钮并且 Nav2 的collision_monitor要配置好。这个模块会实时监测障碍物距离超过安全阈值直接发零速度比 DWA 的避障更底层、更可靠。提示真机调试时先用低速跑max_vel_x设成仿真值的一半确认没问题再逐步提速。我见过太多因为一上来就全速跑导致撞坏机器人的案例。7. 进阶方向与性能优化思路7.1 换用 Smac Planner 提升规划质量A* 在 NavFn 里的实现是栅格搜索路径是离散的而且不考虑机器人的运动学约束。如果你的机器人是阿克曼转向或者需要平滑路径可以试试 Smac Planner。Smac Planner 有几种模式SmacPlanner2D是二维栅格搜索比 NavFn 的 A* 更快SmacPlannerHybrid是混合 A*考虑运动学约束生成的路径可以直接被机器人跟踪SmacPlannerLattice是状态格规划适合复杂场景。换规划器只需要改参数文件里的plugin字段其他配置基本不用动。这就是 Nav2 插件化设计的好处。7.2 多传感器融合与三维导航如果你用的是三维激光雷达或者深度相机Nav2 也支持三维代价地图。voxel_layer插件可以把三维点云投影成三维体素比二维的obstacle_layer更能处理悬空障碍物和地面起伏。配置voxel_layer的关键参数是z_resolution和z_voxels它们决定了体素的高度分辨率和层数。origin_z是体素地图的起始高度一般设为机器人底盘的高度。三维导航的计算量比二维大很多对 CPU 要求高。如果发现导航频率上不去可以降低voxel_layer的分辨率或者只在局部代价地图里用三维全局还用二维。7.3 行为树定制与恢复行为设计Nav2 的行为树是 XML 描述的默认的行为树覆盖了大多数场景但特殊需求还是要自己改。比如你想让机器人在导航失败后先尝试后退再重新规划就需要在行为树里加一个BackUp节点。行为树的修改在nav2_bt_navigator的参数里指定 XML 文件路径。改完之后用ros2 run nav2_bt_navigator bt_navigator单独启动配合 Groot 工具可视化调试能看到每个节点的执行状态非常直观。恢复行为的设计原则是从轻到重逐步升级。先尝试清空代价地图再尝试旋转扫描最后才考虑重新规划或者放弃。每次恢复行为都要有超时限制避免机器人卡在某个行为里出不来。8. 我个人的实操体会Nav2 这套东西看文档觉得复杂真正跑通一遍之后会发现它的设计逻辑很清晰。我最大的体会是别急着调参数先把数据流和 TF 树理清楚。我见过太多人一上来就改 DWA 权重结果发现根本问题是 TF 变换错了激光数据全偏了调什么参数都没用。另一个体会是仿真和真机的差距比想象中大。仿真里跑得再顺上真机第一次大概率会出问题。所以真机调试一定要留足时间别指望一次成功。我一般会预留至少两天做真机调试第一天解决通信和 TF 问题第二天调导航参数。最后Nav2 的社区非常活跃遇到问题先去 GitHub Issues 里搜一下大概率有人遇到过同样的问题。官方文档的Configuration Guide和Tuning Guide也值得反复读每次读都有新收获。这个内容后续还可以这样扩展把 Nav2 和机械臂结合做移动操作Mobile Manipulation或者用多机器人做协同导航。这两个方向都是当前研究的热点Nav2 也提供了相应的接口支持。