企业官网建设流程全解析

简介：本资源是一套面向ROS2初学者与机器人开发者的Fishbot移动机器人仿真与导航完整实践方案，聚焦SLAM建图与自主导航两大核心能力训练，适用于高校课程设计、科研验证及工程原型开发。压缩包共48个文件，含12个Python节点脚本（实现Cartographer建图与Nav2导航逻辑）、5个YAML配置文件（定义参数与行为树）、2个URDF模型（描述Fishbot机械结构与传感器布局）、3个RVIZ配置（支持多视角可视化调试）、2个Gazebo world环境及配套PGM地图等，总大小仅379KB，轻量易部署。已有238人学习下载，资源结构清晰，按功能模块组织为fishbot_description、fishbot_cartographer、fishbot_navigation2等子目录，并附带README.md说明文档与.docx附赠资料，涵盖环境搭建要点、关键参数调优建议及典型问题排错路径，开箱即可运行Gazebo仿真、RVIZ实时可视化、Cartographer建图与Nav2路径规划全流程。

1. 项目概述：从零到一构建一个完整的机器人导航系统

最近在机器人开发者社区里，Fishbot这个开源项目挺火的。它本质上是一个基于ROS 2的、软硬件一体的移动机器人平台。但说实话，对于大多数刚入门或者想快速验证算法的朋友来说，搞一套实体硬件，从画PCB、焊接、组装再到调试，门槛不低，周期也长。而这个“基于ROS2实现的Fishbot机器人仿真与导航系统”项目，恰恰解决了这个痛点。它把整个Fishbot的“灵魂”——从机器人模型、传感器模拟、到建图导航的完整算法栈——全部搬到了仿真环境里。

简单来说，这个项目提供了一个开箱即用的“数字孪生”Fishbot。你不需要任何实体机器人，只需要一台安装了Ubuntu和ROS 2的电脑，就能在Gazebo这个高保真物理仿真引擎里，驱动一个虚拟的Fishbot小车。你可以通过RVIZ这个强大的可视化工具，实时看到激光雷达的点云、机器人的姿态、甚至规划出的路径。更重要的是，项目集成了业界知名的Cartographer算法进行SLAM建图，并利用Nav2框架实现自主导航。这意味着，你可以在一个完全虚拟的、可复现的环境中，学习和实践机器人从感知、定位、建图到路径规划与控制的全流程。

这非常适合几类人：首先是ROS 2和机器人学的初学者，可以无风险、低成本地接触完整的开发流程；其次是算法工程师，可以在仿真中快速迭代和测试自己的SLAM或导航算法；最后是教育工作者，可以将其作为一套现成的教学案例。整个项目打包成一个.zip文件，结构清晰，依赖明确，大大降低了环境配置的复杂度。接下来，我就带你深入拆解这个项目，看看它具体是怎么实现的，以及如何上手把玩。

2. 项目核心架构与工具链解析

要玩转这个仿真系统，首先得理解它依赖的几大核心组件是如何协同工作的。这就像一个交响乐团，每个部分各司其职，共同奏出导航的乐章。

2.1 ROS 2：机器人的“神经系统”

ROS 2是这一切的基石。你可以把它理解为机器人的分布式通信中间件和生态系统。与ROS 1相比，ROS 2采用DDS作为底层通信协议，在实时性、安全性和跨平台支持上有了质的飞跃。在这个项目中，ROS 2扮演着“总线”的角色：

• 节点：Gazebo仿真器、Cartographer建图节点、Nav2导航节点、RVIZ可视化工具，甚至你未来要写的控制脚本，都是独立的节点。
• 话题：激光雷达数据、里程计信息、摄像头图像这些数据流，通过话题进行单向广播/订阅。比如，Gazebo中的激光雷达插件将扫描数据发布到/scan话题，Cartographer和RVIZ同时订阅它。
• 服务：用于执行一次性调用的请求-响应模型，例如请求保存一张地图。
• 动作：用于执行可抢占、有反馈的长时间任务，比如Nav2中的NavigateToPose动作，就是让机器人导航到指定位置。

项目通常基于ROS 2的某个长期支持版本开发，比如Humble或Foxy。选择哪个版本，直接决定了你后续安装的Gazebo、Cartographer和Nav2的版本，必须严格匹配。

2.2 Gazebo：高保真的“物理世界”

Gazebo是一个机器人仿真引擎，它不仅仅渲染出机器人的3D模型，更重要的是模拟了一个真实的物理世界，包括重力、摩擦、碰撞、传感器物理特性等。在这个项目中：

• 环境建模：项目里会包含一个或多个.world文件，定义了仿真世界的布局，比如房间、墙壁、桌椅等障碍物。
• 机器人模型集成：Fishbot的URDF模型被“放入”这个世界。URDF文件描述了机器人的物理结构（连杆和关节）、外观（网格文件）、以及传感器（如激光雷达、IMU）的链接和属性。
• 插件驱动：为了让Gazebo里的虚拟激光雷达能产生ROS 2格式的数据，需要加载libgazebo_ros_ray_sensor.so这类插件。同样，控制轮子转动的指令也需要通过libgazebo_ros_diff_drive.so插件来接收和执行。一个常见的坑是：URDF中声明的传感器或控制接口，必须在Gazebo插件配置中正确对应，否则仿真机器人要么“瞎”，要么“瘫”。

2.3 RVIZ：机器人的“仪表盘”

如果说Gazebo是模拟外部世界，那么RVIZ就是机器人的“第一人称视角”和综合信息显示屏。它是一个纯可视化工具，不负责仿真物理。在RVIZ中，你可以：

• 叠加显示多种数据：以3D或2D形式显示激光点云、机器人模型（根据URDF生成）、摄像头图像、导航的全局/局部代价地图、规划出的全局路径和局部轨迹、甚至Cartographer正在构建的子图。
• 交互与调试：你可以用鼠标点击给Nav2发送一个目标点，或者添加一个虚拟的障碍物来测试局部避障。通过观察不同数据的对齐情况，是调试定位漂移、建图错误最直观的手段。

2.4 Cartographer：精准的“地图绘制员”

Cartographer是Google开源的SLAM算法，以其在2D激光SLAM上的高精度和鲁棒性著称。它采用图优化技术，将连续的激光扫描帧与子图进行匹配，并闭环检测以消除累积误差。在这个项目中，Cartographer节点订阅/scan（激光数据）和/odom（里程计，可选，用于提供初始运动估计），然后输出：

• /map话题：发布当前已构建的全局栅格地图。
• /tf变换：持续发布机器人基座base_link相对于地图坐标系map的位姿，这是导航的基础。
• 地图文件：建图完成后，可以通过服务调用保存.pgm（图像）和.yaml（元数据）格式的地图文件，供Nav2后续加载使用。实操心得：Cartographer对参数比较敏感。对于仿真中“过于完美”的激光数据（无噪声、无畸变），有时需要调整TRAJECTORY_BUILDER_2D.range_data_inserter等参数，让点云插入地图的规则更符合仿真特性，否则建出的地图可能边缘“发虚”。

2.5 Nav2：智能的“自动驾驶系统”

Nav2是ROS 2的官方导航框架，它接收一个目标位姿，然后协调一系列模块完成导航：

1. 地图服务器：加载Cartographer生成的地图。
2. AMCL：自适应蒙特卡洛定位。在已知地图中，通过粒子滤波算法，根据实时激光数据确定机器人的精确位姿。注意：在纯仿真且定位精度要求极高的场景，有时会直接使用Cartographer提供的/tf变换，而跳过AMCL。但Nav2默认架构依赖AMCL提供map到odom的变换。
3. 行为树：导航任务的总调度器，以树状结构组织“移动到某点”、“旋转恢复”、“等待”等行为，使导航过程更灵活、可应对异常。
4. 规划器：如NavFnPlanner，负责计算从当前位置到目标点的全局路径。
5. 控制器：如DWB，负责跟踪全局路径，并生成速度指令发送给机器人（在仿真中，就是发送给Gazebo的差速驱动插件）。

2.6 URDF：机器人的“身份证”

URDF文件是这一切的起点。它用XML格式定义了Fishbot的机械结构。一个完整的移动机器人URDF通常包括：

• 基础连杆：如base_footprint（虚拟的接地参考点）、base_link（机器人主体）。
• 轮子与关节：两个驱动轮定义为与base_link相连的旋转关节，并指定其转动轴和动力学参数（如阻尼、摩擦）。万向轮则通常定义为固定关节。
• 传感器链接：激光雷达连杆laser_link，其位姿决定了激光扫描的视角和高度。
• 碰撞与视觉属性：<collision>标签用于物理仿真（Gazebo），定义简化的几何体（如圆柱、长方体）用于碰撞检测；<visual>标签用于可视化（RVIZ），可以导入精美的3D网格文件（.dae或.stl）。
• Gazebo插件扩展：在URDF中通过<gazebo>标签为每个关节或链接添加Gazebo特有的属性，如材质、传感器插件、驱动插件等。这是将URDF从“静态模型”变为“可仿真动态模型”的关键一步，配置错误会导致仿真失败。

3. 环境搭建与项目部署实操指南

理论清楚了，我们动手把项目跑起来。假设你使用Ubuntu 22.04和ROS 2 Humble。

3.1 基础ROS 2与环境安装

首先，确保你的系统源和基础工具就绪。

sudo apt update && sudo apt upgrade -y sudo apt install curl software-properties-common -y

然后，按照ROS官方或“鱼香ROS”等社区提供的一键安装脚本安装ROS 2 Humble。这里以官方方式为例：

# 设置locale sudo apt update && sudo apt install locales sudo locale-gen en_US en_US.UTF-8 sudo update-locale LC_ALL=en_US.UTF-8 LANG=en_US.UTF-8 export LANG=en_US.UTF-8 # 添加ROS 2仓库 sudo apt install software-properties-common sudo add-apt-repository universe 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 # 安装ROS 2基础包 sudo apt update sudo apt install ros-humble-desktop python3-colcon-common-extensions -y # 配置环境变量 source /opt/ros/humble/setup.bash echo "source /opt/ros/humble/setup.bash" >> ~/.bashrc

注意事项：如果你使用“鱼香ROS”的一键安装脚本，它会帮你处理更多依赖和国内源的问题，对新手更友好。但无论哪种方式，安装后务必执行source ~/.bashrc或新开终端，使环境变量生效。

3.2 项目依赖安装与编译

解压下载的Fishbot机器人仿真与导航系统.zip文件，假设解压到~/fishbot_ws/src目录下。

mkdir -p ~/fishbot_ws/src cd ~/fishbot_ws/src # 将解压出的项目文件夹（可能叫 fishbot_simulation 等）放置于此

然后安装项目所需的特定ROS 2功能包。根据项目描述，核心依赖包括Nav2、Cartographer、Gazebo插件等。

# 更新源并安装依赖 sudo apt update # 安装导航相关 sudo apt install ros-humble-nav2-* ros-humble-cartographer ros-humble-cartographer-ros -y # 安装仿真相关 sudo apt install ros-humble-gazebo-ros-pkgs ros-humble-gazebo-ros2-control ros-humble-robot-state-publisher -y # 安装其他工具 sudo apt install ros-humble-slam-toolbox ros-humble-rviz2 -y

进入工作空间，使用colcon编译。

cd ~/fishbot_ws colcon build --symlink-install

编译成功后，记得source一下工作空间的安装文件：

source install/setup.bash echo "source ~/fishbot_ws/install/setup.bash" >> ~/.bashrc

实操心得：--symlink-install参数非常有用。它创建的是符号链接而非拷贝，这样你在src目录下修改Python脚本或Launch文件后，无需重新编译，直接重新运行即可生效，极大提高开发调试效率。

3.3 启动完整仿真与导航系统

项目通常会提供几个顶层的Launch文件。一个典型的完整启动命令如下：

ros2 launch fishbot_bringup slam_navigation.launch.py

这个Launch文件可能会依次启动：

1. Gazebo世界和机器人：加载.world文件和带有Gazebo插件的Fishbot URDF模型。
2. 机器人状态发布：启动robot_state_publisher节点，根据关节状态发布所有连杆的TF变换。
3. Cartographer SLAM节点：启动建图。
4. Nav2导航栈：启动生命周期管理器，按顺序唤醒地图服务器、AMCL、规划器、控制器等节点。
5. RVIZ 2：加载一个预配置的.rviz配置文件，一次性显示所有需要观察的话题。

启动后，你应该能看到Gazebo窗口弹出，里面有一个Fishbot小车和仿真环境。同时，RVIZ窗口也会打开，显示激光点云和机器人模型。此时，在RVIZ中，你可以：

• 使用“2D Pose Estimate”工具，在地图上点击并拖拽方向，为机器人指定一个初始位置（如果使用AMCL）。
• 使用“2D Nav Goal”工具，在地图上点击目标点和朝向，机器人就会开始规划并移动。

4. 核心模块深度配置与调优

系统能跑起来只是第一步。要让机器人表现得更智能、更稳定，需要对各个模块进行深度配置和调参。

4.1 Gazebo仿真环境与传感器调校

Gazebo仿真的真实性直接影响算法效果。在项目的worlds/目录下找到.world文件，你可以修改环境布局。对于传感器，关键在URDF或单独的Gazebo模型文件中配置插件参数。

以激光雷达为例，在URDF的<gazebo>标签内，可能有一个<sensor>配置：

<gazebo reference="laser_link"> <sensor type="ray" name="lidar_sensor"> <pose>0 0 0 0 0 0</pose> <visualize>true</visualize> <update_rate>10</update_rate> <ray> <scan> <horizontal> <samples>360</samples> <!-- 扫描线数 --> <resolution>1.0</resolution> <min_angle>-3.14159</min_angle> <!-- -π --> <max_angle>3.14159</max_angle> <!-- +π --> </horizontal> </scan> <range> <min>0.12</min> <!-- 最小检测距离 --> <max>3.5</max> <!-- 最大检测距离 --> <resolution>0.01</resolution> </range> <noise> <type>gaussian</type> <!-- 添加高斯噪声 --> <mean>0.0</mean> <stddev>0.01</stddev> <!-- 噪声标准差 --> </noise> </ray> <plugin name="gazebo_ros_lidar_controller" filename="libgazebo_ros_ray_sensor.so"> <ros> <namespace>/</namespace> <argument>~/out:=scan</argument> </ros> <output_type>sensor_msgs/msg/LaserScan</output_type> <frame_name>laser_link</frame_name> </plugin> </sensor> </gazebo>

调优建议：

• 噪声：给传感器添加合理的噪声（如高斯噪声），可以让算法测试更贴近现实。上述配置添加了10mm的标准差噪声。
• 更新率：<update_rate>与ROS 2节点发布数据的频率相关，需与算法处理能力匹配。
• 范围与视野：根据你的仿真环境大小调整min_angle,max_angle,max_range。一个360度、最大距离3.5米的激光雷达是室内移动机器人的常见配置。

4.2 Cartographer建图参数解析

Cartographer的配置通常放在cartographer_ros功能包的configuration_files目录下，主要涉及两个文件：fishbot_2d.lua（后端建图配置）和fishbot_2d.rviz（前端定位配置，如果用于纯定位）。

关键参数解析：

• TRAJECTORY_BUILDER_2D.num_accumulated_range_data：累积多少帧激光数据才进行一次扫描匹配。在仿真中，如果机器人移动很快或激光频率高，可以设为1；如果数据噪声小，可以适当增加以平滑数据。
• TRAJECTORY_BUILDER_2D.submaps.num_range_data：一个子图由多少帧激光数据构成。这影响了地图的更新速度和精细度。值越小，子图更新越快，但可能更嘈杂；值越大，子图更稳定，但闭环检测延迟可能增加。
• POSE_GRAPH.constraint_builder.sampling_ratio：进行闭环检测的采样率。值越大（最大为1），计算量越大，但找到闭环的可能性越高。在仿真中，由于位姿估计相对准确，可以设低一些（如0.3）以提升性能。
• MAP_BUILDER.num_background_threads：用于后台优化计算的线程数。根据你的CPU核心数设置，可以加速全局优化过程。

避坑技巧：如果建图时发现地图重叠或严重错位，首先检查TF树是否正确。在终端运行ros2 run tf2_tools view_frames.py可以生成TF树的PDF图，确保map -> odom -> base_link -> laser_link的变换链完整且唯一。其次，检查Gazebo中发布的/odom话题（如果使用）是否与Cartographer配置中use_odometry参数匹配。

4.3 Nav2导航栈关键配置

Nav2的配置更为复杂，通常分布在多个YAML文件中，如nav2_params.yaml、amcl_params.yaml等。主要调优点：

1. 代价地图配置：导航依赖于全局和局部代价地图。在nav2_params.yaml中，找到global_costmap和local_costmap的插件配置。

global_costmap: global_costmap: ros__parameters: update_frequency: 1.0 # 全局地图更新频率，通常较低 publish_frequency: 0.5 # 发布频率 width: 10.0 # 地图宽度（米） height: 10.0 resolution: 0.05 # 分辨率，0.05米/像素 plugins: ["static_layer", "obstacle_layer", "inflation_layer"] inflation_layer: plugin: "nav2_costmap_2d::InflationLayer" cost_scaling_factor: 3.0 # 膨胀系数，影响障碍物膨胀速度 inflation_radius: 0.55 # 膨胀半径，应大于机器人半径

• resolution：地图精度。0.05米意味着每个像素代表5厘米。更精细的地图需要更多内存和计算。
• inflation_radius：这是安全关键参数。必须设置为大于机器人轮廓外接圆的半径，否则规划出的路径可能让机器人擦着障碍物走，在仿真中可能碰撞，在现实中非常危险。

2. 控制器（DWB）调优：DWB控制器负责生成速度指令。其参数直接影响机器人的运动平滑度和避障表现。

controller_server: ros__parameters: controller_frequency: 10.0 # 控制频率 min_x_velocity_threshold: 0.001 # 最小线速度阈值，低于此值视为停止 DWB: max_vel_x: 0.26 # 最大线速度 (m/s) min_vel_x: -0.26 # 最大后退速度 max_vel_theta: 1.82 # 最大角速度 (rad/s) acc_lim_x: 2.5 # 线加速度限制 acc_lim_theta: 3.2 # 角加速度限制 sim_time: 1.7 # 预测轨迹的模拟时间，越长考虑越远，但计算量越大 vx_samples: 20 # 线速度采样数 vtheta_samples: 40 # 角速度采样数

• sim_time：这个参数很关键。它决定了控制器向前模拟轨迹的时间长度。在狭窄、复杂的环境中，需要较长的sim_time来预见未来的碰撞；在开阔环境，可以设短一些以提升计算速度。
• vx_samples和vtheta_samples：定义了速度空间的采样密度。采样越多，找到最优速度的可能性越大，但计算量呈乘积增长。需要根据机器人的实际性能折中。

3. 规划器（NavFn）配置：全局规划器计算从起点到终点的粗略路径。

planner_server: ros__parameters: expected_planner_frequency: 1.0 GridBased: tolerance: 0.5 # 目标点容差，单位米 use_astar: false # 使用Dijkstra算法（false）还是A*（true） allow_unknown: true # 是否允许在未知区域规划

• allow_unknown：如果设为false，规划器将只在地图已知空闲或障碍区域规划。在部分未知地图中导航时，需要设为true。

5. 典型问题排查与实战调试记录

即使按照教程一步步来，在实际运行中也可能遇到各种问题。这里记录几个最常见的问题和排查思路。

5.1 机器人模型在RVIZ中显示，但在Gazebo中“消失”或沉入地下

• 现象：Gazebo窗口打开后是空的，或者机器人模型一部分沉入地面。
• 原因：几乎可以肯定是URDF模型中的<collision>几何体定义有问题，或者机器人的初始位姿（在Launch文件中设置）的Z坐标不正确。
• 排查：
  1. 检查URDF中<collision>标签的几何尺寸是否合理。通常<collision>应该比<visual>更简单（用基本几何体），且尺寸略大或相当。
  2. 检查Launch文件中生成机器人模型时，spawn_entity节点的初始位姿参数。确保Z轴坐标至少是机器人底盘高度的一半，让轮子刚好接触地面。例如，如果机器人底盘高度0.15米，初始Z坐标可设为0.075。
  3. 在Gazebo中，可以点击“视图”菜单，勾选“碰撞”和“关节”等可视化选项，看看碰撞体是否被正确渲染。

5.2 Cartographer建图出现重影或地图错乱

• 现象：构建的地图中，同一面墙出现多条线（重影），或者地图严重扭曲。
• 原因：TF变换错误、激光数据时间戳不同步、或Cartographer参数与环境不匹配。
• 排查：
  1. 首要检查TF树：运行ros2 run tf2_tools view_frames.py，确认从map到laser_link的变换链是完整且唯一的。特别注意不能有多个节点同时发布map->odom或odom->base_link的变换。
  2. 检查时间戳：使用ros2 topic echo /scan --no-arr查看激光数据的header.stamp，同时查看/tf话题中变换的时间戳。它们应该大致同步。如果Gazebo仿真时间与系统时间不同步，可以尝试在Gazebo启动命令中添加-r参数指定实时速率。
  3. 调整参数：如果TF和时间戳都正确，可能是扫描匹配参数过于敏感。尝试增大TRAJECTORY_BUILDER_2D.ceres_scan_matcher.occupied_space_weight（例如从1.0调到2.0），让算法更信任地图中已占据的空间。

5.3 Nav2导航失败，机器人原地旋转或规划超时

• 现象：发送目标点后，机器人原地打转，或者控制台报“规划器超时”错误。
• 原因：代价地图配置不当、目标点位置非法、或机器人定位丢失。
• 排查：
  1. 检查目标点：确保用RVIZ的“2D Nav Goal”工具发布的目标点，位于代价地图的“空闲”区域（在RVIZ的代价地图显示中通常是绿色），而不是“未知”（灰色）或“障碍”（红色）区域。
  2. 检查定位：在RVIZ中，观察机器人模型（代表AMCL或Cartographer提供的定位）是否与激光点云在Gazebo环境中的实际位置对齐。如果不对齐，使用“2D Pose Estimate”工具重新初始化定位。
  3. 检查代价地图：在RVIZ中添加Map和Costmap显示，分别订阅/map和/global_costmap/costmap等话题。观察全局代价地图是否正常生成，膨胀层是否合理。如果地图是未知的，需要先完成建图。
  4. 查看日志：Nav2的各个节点（特别是planner_server和controller_server）在遇到问题时会在终端输出详细的警告或错误信息。仔细阅读这些日志是定位问题的关键。

5.4 仿真运行缓慢，卡顿严重

• 现象：Gazebo或RVIZ界面刷新很慢，系统响应迟缓。
• 原因：Gazebo的物理引擎渲染、传感器模拟，以及ROS 2多个节点的数据通信，都会消耗大量CPU和GPU资源。
• 优化：
  1. 降低渲染质量：在Gazebo的GUI中，将“渲染引擎”从OpenGL 3.x切换到OpenGL 2.x（如果可用），或降低阴影、纹理质量。
  2. 简化仿真世界：如果项目提供了多个.world文件，选择一个几何结构简单的世界进行算法测试。
  3. 关闭不必要的可视化：在RVIZ中，关闭暂时不需要的显示插件（如点云、摄像头图像）。在Gazebo中，可以关闭传感器数据的可视化（在URDF的传感器插件中设置<visualize>false</visualize>）。
  4. 调整算法参数：降低Cartographer的POSE_GRAPH.optimize_every_n_nodes（优化频率）和MAP_BUILDER.num_background_threads。降低Nav2代价地图的update_frequency和publish_frequency。

6. 项目扩展与进阶玩法

当基础功能跑通后，你可以基于这个项目进行很多有趣的扩展，把它变成你自己的学习和研发平台。

6.1 集成自定义传感器

项目默认可能只包含了激光雷达。你可以修改URDF，添加一个深度相机（如Kinect的仿真模型）。

1. 在URDF中添加一个新的连杆camera_link和关节。
2. 在<gazebo>标签内为该连杆添加一个<sensor type="depth">的插件，配置其参数（视野、分辨率等）。
3. 在Launch文件中确保相应的Gazebo相机插件被加载。
4. 这样，你就可以在ROS 2中订阅/camera/depth/image_raw等话题，尝试进行基于RGB-D的SLAM（如RTAB-Map）或视觉避障。

6.2 替换或对比SLAM算法

Cartographer虽然强大，但你也可以尝试其他SLAM算法。

1. 安装备用算法：例如，安装slam_toolbox：sudo apt install ros-humble-slam-toolbox。
2. 修改Launch文件：注释掉启动Cartographer的节点，改为启动slam_toolbox的节点。你需要为其提供相应的参数文件。
3. 对比测试：在相同的仿真环境中，分别运行Cartographer和slam_toolbox，从建图速度、精度、CPU占用率、闭环检测能力等方面进行对比，直观理解不同算法的特性。

6.3 实现多机器人协同仿真

Gazebo和ROS 2天然支持多机器人仿真。

1. 复制并修改模型：在URDF中，为第二个机器人定义不同的命名空间（如robot2）和TF前缀。
2. 修改Launch文件：使用相同的spawn_entity节点，但传入不同的命名空间、初始位姿和机器人描述参数。
3. 话题重映射：确保每个机器人的话题（如/scan，/cmd_vel）都在其命名空间下（如/robot1/scan，/robot2/scan），避免冲突。
4. 这样，你就能在一个场景中仿真多个Fishbot，并尝试编写多机通信与协同的代码。

6.4 与真实机器人进行“半实物仿真”

这是迈向真实部署的关键一步。你可以让仿真中的Nav2输出控制指令（/cmd_vel），通过ROS 2的网络通信，发送给一台真实的、搭载了ROS 2客户端的Fishbot或其他差分轮式机器人。

1. 确保网络互通：仿真机与真实机器人在同一局域网，并设置好ROS_DOMAIN_ID或ROS_MASTER_URI（ROS 1桥接时）。
2. 话题转发：在真实机器人上，运行一个节点订阅来自仿真机的/cmd_vel话题，并将其转换为真实的电机驱动指令。
3. 数据回传：将真实机器人的激光雷达数据（或里程计数据）发布到网络上，让仿真机上的Cartographer或AMCL订阅，实现真实环境下的定位与导航。

这个过程会暴露仿真与现实的差异（如电机控制延迟、传感器噪声模型不准确、地面摩擦系数不同），是算法从“理想”走向“实用”的必修课。通过这个完整的Fishbot仿真项目，你不仅掌握了一套工具链，更重要的是构建了一个可迭代、可扩展的机器人算法验证平台。从模型设计、传感器仿真、到核心算法集成与调试，每一个环节的实践都能加深对机器人系统的理解。

本文还有配套的精品资源，点击获取