企业官网建设流程全解析

开始之前想先问你一个问题：是不是收藏了一堆 ROS 入门资料，结果打开全是 Ubuntu 18.04 + ROS1 Melodic？或者下载好 Gazebo 之后，小车模型还没动起来，半天就过去了？

目前 ROS2 已经成为机器人开发的主流选择，无论是学校里的课题、毕业设计，还是企业里的导航应用，绝大多数新项目都开始基于 ROS2 落地。Gazebo 仿真、SLAM 建图、Nav2 自主导航这三件事，基本上构成了一个完整机器人项目的“最小闭环”：机器人能在仿真环境中感知周围环境、构建地图、规划路径并自主移动。

这篇文章会围绕 ROS2 Humble 版本，从环境搭建开始，逐步完成一个差速小车（就是大家喜欢叫“小黄鸭”的那种模型）的仿真环境搭建，再实现激光 SLAM 建图，最后用 Nav2 完成自主导航。整个流程会尽量给出完整命令、配置文件和代码，每一步说明“为什么要这么做”。无论你是刚装好 Ubuntu 的零基础新手，还是准备把 ROS2 项目直接复用到毕业设计中的同学，这篇文章都值得收藏备用。

文章内容以 Gazebo + RViz2 + Nav2 为主线，不涉及 TurtleBot3 之外的自定义复杂底盘，也不讨论真实硬件部署，重点把仿真环境下的整套流程跑通。

1. 先弄清几个核心概念

很多同学刚接触这套技术栈时，经常被 SLAM、导航、仿真这几个词绕晕。先把核心概念理清楚，后面操作时会更有方向。

1.1 ROS2 是什么

ROS2（Robot Operating System 2）是一套面向机器人开发的分布式通信框架。它不是操作系统，而是运行在 Linux 等系统之上的一层中间件，负责解决机器人各个模块之间的通信问题。比如激光雷达数据要发给建图算法，建图结果要发给导航模块，导航结果要发给底盘驱动，这些模块之间的数据传递、进程管理、消息定义，都是 ROS2 负责的事情。

ROS2 相比 ROS1 最大的变化是使用了 DDS（Data Distribution Service）作为底层通信中间件，天然支持分布式、实时性和多机通信。对于做毕设或者入门学习的同学来说，主要感受到的区别就是：启动方式变了（不再用 roscore）、工作空间编译方式变了（用 colcon 而不是 catkin）、功能包结构也变了。

1.2 Gazebo 仿真环境

Gazebo 是一个三维机器人仿真环境，内置物理引擎、传感器模型和环境模型。在 Gazebo 里可以给机器人添加激光雷达、摄像头、IMU 等传感器，也可以设置墙壁、障碍物、坡度等环境元素。

使用仿真环境的最大价值在于：在没有实体硬件的情况下，可以验证 SLAM 算法、导航算法、路径规划逻辑是否正确。比如你不想直接在小车上烧录代码测试撞墙，可以先在 Gazebo 里把参数调好。

1.3 SLAM 建图

SLAM 全称 Simultaneous Localization and Mapping，中文意思是“同时定位与建图”。简单理解就是：机器人在一个未知环境中移动时，一边确定自己所在的位置，一边构建环境地图。

在 ROS2 生态中，常用的是 Cartographer 和 SLAM Toolbox。本文会以 SLAM Toolbox 为例，因为它在 ROS2 中集成度高、配置简洁，对新手很友好。建图输出的地图是一个二维栅格地图（通常以 pgm 图片和 yaml 配置文件保存），这张地图后续会直接交给导航模块使用。

1.4 Nav2 自主导航

Nav2 是 ROS2 的导航框架，功能非常庞大，包含全局路径规划、局部路径规划、行为树、代价地图、AMCL 定位等模块。一句话概括它的作用：机器人已经有一张地图，也知道自己在地图中的位置，Nav2 负责规划出一条从当前位置到目标点的路径，并控制机器人沿路径安全移动。

导航过程中，机器人需要避开动态障碍物、在狭窄通道调整方向、到达目标点后停止。这些复杂决策在 Nav2 中通过“行为树”来组织管理。

用一张简图理解整个流程：

Gazebo 仿真环境（小车 + 激光雷达 + 障碍物） ↓ SLAM 建图（SLAM Toolbox + RViz2） ↓ 保存地图（pgm + yaml） ↓ Nav2 自主导航（地图载入 + AMCL 定位 + 路径规划）

2. 环境准备：从零搭建 ROS2 Humble 开发环境

在做任何功能包开发之前，先把环境准备好。下面给出的是基于 Ubuntu 22.04 + ROS2 Humble 的方案，这也是目前稳定性最高、教程最多的组合。如果你想用 Ubuntu 24.04 + ROS2 Jazzy，部分命令需要微调，建议先按 Humble 跑通全流程。

2.1 安装 Ubuntu 22.04

如果你已经安装好 Ubuntu，跳过这一节。如果是从零开始，推荐在 Windows 上使用 VMware 或 VirtualBox 安装虚拟机，也可以直接双系统安装。虚拟机方式对新手最友好，建议分配至少 4 核 CPU、8GB 内存，硬盘 60GB 以上，因为 Gazebo 和 ROS2 整体占用空间不小。

2.2 安装 ROS2 Humble

ROS2 官方提供了一键式安装脚本，但为了让大家理解每一步，这里拆开执行。

先设置编码和软件源：

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 ROS2 软件源：

sudo apt install software-properties-common curl 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

写入软件源列表：

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

更新并安装 ROS2 Humble 桌面版（包含 RViz2、演示程序等）：

sudo apt update sudo apt upgrade sudo apt install ros-humble-desktop

安装完成后，把 ROS2 环境配置写入~/.bashrc，这样每次打开终端不用手动 source：

echo "source /opt/ros/humble/setup.bash" >> ~/.bashrc source ~/.bashrc

验证是否安装成功：

ros2 --version

如果输出类似ros2 0.19.x或更高版本号，说明安装成功。

2.3 安装 Gazebo 与 Navigation2

ROS2 Humble 默认集成了 Gazebo 11（即ros-humble-gazebo-ros-pkgs），直接安装即可：

sudo apt install ros-humble-gazebo-ros-pkgs

安装 Nav2 导航框架和 SLAM Toolbox：

sudo apt install ros-humble-nav2-bringup sudo apt install ros-humble-slam-toolbox

安装建图、导航过程中需要用到的一些功能包：

sudo apt install ros-humble-cartographer ros-humble-cartographer-ros sudo apt install ros-humble-navigation2 ros-humble-nav2-bringup sudo apt install ros-humble-turtlebot3-gazebo

这里说明一下：TurtleBot3 在 Gazebo 中有现成的模型包，非常适合做教学演示。本文后面的案例将从 TurtleBot3 的差速小车模型入手，你完全可以把它替换成自己的小黄鸭模型或自制底盘模型，核心原理一致。

2.4 安装开发工具

ROS2 中，功能包编译使用colcon，需要单独安装：

sudo apt install python3-colcon-common-extensions sudo apt install python3-rosdep sudo apt install git

rosdep用于安装功能包的依赖项，后面编译自己写的功能包时非常常用。

2.5 创建并初始化工作空间

ROS2 的代码组织方式是“工作空间（workspace）+ 功能包（package）”。先创建自己的工作空间：

mkdir -p ~/ros2_ws/src cd ~/ros2_ws colcon build

如果当前还没有任何功能包，colcon build会直接构建一个空环境。构建完以后，每次打开新终端需要 source 工作空间：

echo "source ~/ros2_ws/install/setup.bash" >> ~/.bashrc source ~/.bashrc

到这里，环境准备基本完成。接下来我们创建一个自己的 ROS2 功能包，为后面编写小车模型和控制逻辑做准备。

3. 创建 ROS2 功能包：写第一个可运行节点

很多入门教程会在这一步直接让你启动 TurtleBot3 的 Gazebo 仿真，但那样很难理解功能包的组织结构。所以我们先手动创建一个功能包，写一个最简单的节点，把“编译-运行-通信”这个链路理解清楚。

3.1 功能包结构说明

在 ROS2 中，功能包是最基本的组织单元。一个 Python 功能包通常包含：

my_robot/ ├── package.xml # 功能包元信息：名称、依赖、版本 ├── setup.py # Python 包的安装配置（仅 Python 功能包） ├── setup.cfg # 插件入口配置 ├── resource/ # 资源标记文件 ├── launch/ # 存放 launch 文件，启动多个节点 ├── urdf/ # 存放机器人模型文件（URDF/Xacro） ├── config/ # 存放参数配置文件 └── my_robot/ # Python 包目录，存放节点代码

3.2 创建功能包

用ros2 pkg create命令创建功能包：

cd ~/ros2_ws/src ros2 pkg create my_robot --build-type ament_python --dependencies rclpy geometry_msgs nav_msgs sensor_msgs tf2_ros

这个命令会自动生成一个 Python 功能包，并声明依赖rclpy（ROS2 Python客户端库）、geometry_msgs（几何消息）、nav_msgs（导航消息）、sensor_msgs（传感器消息）、tf2_ros（TF 坐标变换）。

3.3 编写第一个发布者节点

在my_robot/my_robot/目录下，创建一个publisher_node.py文件，写一个最简单的速度发布器：

#!/usr/bin/env python3 # 文件路径：src/my_robot/my_robot/publisher_node.py import rclpy from rclpy.node import Node from geometry_msgs.msg import Twist class VelocityPublisher(Node): def __init__(self): super().__init__('velocity_publisher') self.publisher_ = self.create_publisher(Twist, '/cmd_vel', 10) self.timer = self.create_timer(1.0, self.publish_velocity) def publish_velocity(self): msg = Twist() msg.linear.x = 0.2 msg.angular.z = 0.0 self.publisher_.publish(msg) self.get_logger().info('Publishing: linear.x=%.2f, angular.z=%.2f' % (msg.linear.x, msg.angular.z)) def main(args=None): rclpy.init(args=args) node = VelocityPublisher() rclpy.spin(node) node.destroy_node() rclpy.shutdown() if __name__ == '__main__': main()

这段代码逻辑很简单：创建一个节点，每隔 1 秒向/cmd_vel话题发布一个速度消息，消息内容为线速度 0.2 m/s、角速度 0 rad/s。

需要注意的是，/cmd_vel是 ROS2 中底盘速度控制的约定话题，格式是geometry_msgs/Twist。Gazebo 中的差速小车插件会订阅这个话题，从而驱动机器人移动。

3.4 配置 setup.py 与 setup.cfg

修改setup.py，把入口点配置进去：

# 文件路径：src/my_robot/setup.py from setuptools import setup package_name = 'my_robot' setup( name=package_name, version='0.0.0', packages=[package_name], data_files=[ ('share/ament_index/resource_index/packages', ['resource/' + package_name]), ('share/' + package_name, ['package.xml']), ], install_requires=['setuptools'], zip_safe=True, maintainer='your_name', maintainer_email='your_email@example.com', description='My robot package for ROS2', license='Apache-2.0', entry_points={ 'console_scripts': [ 'velocity_publisher = my_robot.publisher_node:main', ], }, )

3.5 编译并运行

cd ~/ros2_ws colcon build --packages-select my_robot source install/setup.bash ros2 run my_robot velocity_publisher

如果终端中持续输出Publishing: linear.x=0.20, angular.z=0.00，说明节点运行正常。

这时再开一个终端，用ros2 topic echo查看话题消息：

source ~/.bashrc ros2 topic echo /cmd_vel

你会看到类似下面的输出：

linear: x: 0.2 y: 0.0 z: 0.0 angular: x: 0.0 y: 0.0 z: 0.0 ---

到这里，ROS2 的“创建功能包 → 编写节点 → 编译 → 运行 → 查看话题”基础链路已经走通。接下来进入重点：在 Gazebo 中搭建仿真环境。

4. 仿真环境搭建：URDF 模型 + Gazebo + RViz2

Gazebo 仿真需要一个机器人模型。这里使用 TurtleBot3 的模型示例，它自带差速驱动插件和激光雷达插件，非常适合 SLAM 和导航演示。官方提供了一键式启动方式，我们先从最简单的启动命令开始，再看如何拆解模型文件。

4.1 一键启动 TurtleBot3 仿真

安装完ros-humble-turtlebot3-gazebo后，先设置模型环境变量：

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

启动一个空的 Gazebo 世界：

ros2 launch turtlebot3_gazebo turtlebot3_world.launch.py

这个命令会同时启动：

• Gazebo 仿真环境，加载 TurtleBot3 Burger 模型；
• 机器人模型中的激光雷达传感器，发布/scan话题；
• 机器人模型中的 TF 坐标变换，发布odom、base_link、laser等坐标系。

启动完成后，Gazebo 窗口中应当能看到一个小车模型，周围有墙壁和障碍物。RViz2 也会自动打开，可以看到激光雷达的点云数据。

如果 Gazebo 窗口长时间不出现，常见原因是显卡兼容性问题，可以尝试在终端设置：

export LIBGL_ALWAYS_SOFTWARE=1

再重新启动。

4.2 让小车动起来

在启动 TurtleBot3 仿真的同时，打开另一个终端，发布速度指令：

ros2 topic pub --rate 1 /cmd_vel geometry_msgs/msg/Twist "{linear: {x: 0.15, y: 0.0, z: 0.0}, angular: {x: 0.0, y: 0.0, z: 0.2}}"

观察 Gazebo 窗口，小车应该会边前进边转弯。这个操作验证了仿真环境中的差速驱动插件正常工作。

按Ctrl+C停止发布。

4.3 自定义模型的思路

如果你不想使用 TurtleBot3 的默认模型，也可以自己写 URDF/Xacro 文件。这里以一个极简差速小车为例，展示模型文件的基本结构。

在my_robot/urdf/目录下创建my_robot.urdf.xacro：

<?xml version="1.0"?> <robot name="my_robot" xmlns:xacro="http://www.ros.org/wiki/xacro"> <!-- 底盘 --> <link name="base_link"> <visual> <geometry> <box size="0.3 0.2 0.08"/> </geometry> <origin rpy="0 0 0" xyz="0 0 0.04"/> </visual> <collision> <geometry> <box size="0.3 0.2 0.08"/> </geometry> <origin rpy="0 0 0" xyz="0 0 0.04"/> </collision> <inertial> <mass value="2.0"/> <inertia ixx="0.01" iyy="0.01" izz="0.01" ixy="0.0" ixz="0.0" iyz="0.0"/> </inertial> </link> <!-- 激光雷达 --> <link name="laser_link"> <visual> <geometry> <cylinder radius="0.03" length="0.02"/> </geometry> <origin rpy="0 0 0" xyz="0 0 0.09"/> </visual> </link> <joint name="laser_joint" type="fixed"> <parent link="base_link"/> <child link="laser_link"/> <origin xyz="0 0 0.08" rpy="0 0 0"/> </joint> </robot>

这只是一个最简单的模型描述，没有添加 Gazebo 插件（差速驱动和激光雷达插件）。实际项目中，还需要在模型文件尾部添加<gazebo>标签引入插件。考虑到篇幅，这里不展开全部插件配置，重点是想让大家理解：URDF/Xacro 描述的只是机器人长什么样，而 Gazebo 插件才决定它在仿真中能不能动、能不能感知环境。

4.4 使用 RViz2 查看传感器数据

RViz2 是 ROS2 的可视化工具。在仿真运行过程中，打开一个新终端：

ros2 run rviz2 rviz2

在 RViz2 窗口中，需要手动添加若干个显示项：

添加 LaserScan 后，需要把 Fixed Frame 设置为base_link或odom，否则可能没有数据。这个设置项在 RViz2 左上角的 Global Options 里。

到这里，仿真环境已经搭建完成。接下来实现 SLAM 建图。

5. SLAM 建图：让机器人构建环境地图

机器人在未知环境中移动，通过激光雷达扫描周围环境，逐步构建出环境地图。这个过程就是 SLAM。

5.1 为什么要用 SLAM Toolbox

ROS2 中建图方案比较多，主流的有：

• Cartographer：谷歌开源方案，精度高，但配置复杂，特别依赖调参；
• SLAM Toolbox：专为 ROS2 设计的异步 SLAM 库，配置简洁，适合入门和学习；
• 基于 GMapping 的移植版本：ROS1 时代常用，ROS2 中整洁度不高。

从学习成本角度，推荐使用 SLAM Toolbox。它支持在线建图，也能在导航时提供持续性地图匹配。

5.2 启动仿真环境

先把小车放置在 Gazebo 世界环境中。前面已经启动过一次 TurtleBot3 世界，如果关掉了，重新启动即可：

ros2 launch turtlebot3_gazebo turtlebot3_world.launch.py

5.3 启动 SLAM Toolbox 在线建图

新建一个终端，启动 SLAM Toolbox 节点：

ros2 run slam_toolbox async_slam_toolbox_node

为了让这个节点正确工作，需要给它提供必要的参数：激光雷达话题名称、机器人坐标系、里程计坐标系等。更推荐的做法是写一个 launch 文件。在my_robot/launch/目录下创建slam_launch.py：

# 文件路径：src/my_robot/launch/slam_launch.py import os from launch import LaunchDescription from launch.actions import DeclareLaunchArgument, ExecuteProcess from launch.substitutions import LaunchConfiguration from launch_ros.actions import Node def generate_launch_description(): use_sim_time = LaunchConfiguration('use_sim_time', default='true') return LaunchDescription([ DeclareLaunchArgument( 'use_sim_time', default_value='true', description='Use simulation time if true'), Node( package='slam_toolbox', executable='async_slam_toolbox_node', name='slam_toolbox', output='screen', parameters=[{ 'use_sim_time': use_sim_time, 'base_frame': 'base_link', 'odom_frame': 'odom', 'map_frame': 'map', 'scan_topic': '/scan', 'mode': 'mapping', }], ), ])

启动方式改为：

ros2 launch my_robot slam_launch.py

注意：launch 文件中的包名必须是my_robot，而且 launch 目录需要在setup.py的data_files中声明，否则ros2 launch可能找不到文件。

修改setup.py，在data_files中添加 launch 目录：

data_files=[ ('share/ament_index/resource_index/packages', ['resource/' + package_name]), ('share/' + package_name, ['package.xml']), ('share/' + package_name + '/launch', ['launch/slam_launch.py']), ],

5.4 保存地图

建图时，手动发布速度指令让小车在地图中缓慢穿行。RViz2 中可以实时观察地图构建情况。

地图构建完成后，执行：

ros2 run nav2_map_server map_saver_cli -f ~/ros2_ws/map

这条命令会在~/ros2_ws/目录下生成两个文件：

• map.pgm：栅格地图图片；
• map.yaml：地图描述文件，包含分辨率、原点坐标、占据概率阈值等参数。

查看map.yaml：

image: map.pgm mode: trinary resolution: 0.05 origin: [-4.0, -4.0, 0.0] negate: 0 occupied_thresh: 0.65 free_thresh: 0.25

其中resolution表示每个像素对应的实际距离（米），origin表示地图左下角在世界坐标系中的位置。导航时，Nav2 会读取这个文件，把地图加载到代价地图中。

5.5 建图过程中的操作技巧

• 控制小车速度不要过快，建议线速度 0.15 m/s 以下，角速度 0.3 rad/s 以下；
• 遇到回环时（绕一圈回到之前经过的位置），可以停下几秒钟，让 SLAM 算法完成回环检测；
• 地图边缘不需要完全闭合，但主要的墙壁、障碍物边界必须清晰；
• 如果发现地图明显漂移，优先检查 TF 是否正确发布，特别是odom → base_link的变换。

6. 自主导航：Nav2 完整接入

地图构建完成后，接下来就是重头戏：让机器人在已经构建好的地图中自主导航到目标点。这涉及 Nav2 框架的核心模块：定位（AMCL）、全局路径规划、局部路径规划、代价地图更新等。

6.1 Nav2 的核心模块

Nav2 的架构可以粗略分成三层：

在 Nav2 的配置中，最核心的是nav2_params.yaml文件。这个文件包含 Nav2 所有模块的参数，是整个导航系统的心脏。

6.2 编写 Nav2 参数文件

在my_robot/config/目录下创建nav2_params.yaml。下面给出一个精简但能运行的参数配置：

# 文件路径：src/my_robot/config/nav2_params.yaml amcl: ros__parameters: use_sim_time: True alpha1: 0.2 alpha2: 0.2 alpha3: 0.2 alpha4: 0.2 alpha5: 0.2 base_frame_id: "base_link" global_frame_id: "map" lambda_short: 0.1 laser_likelihood_max_dist: 2.0 laser_max_range: 100.0 laser_min_range: -1.0 laser_model_type: "likelihood_field" max_beams: 60 max_particles: 2000 min_particles: 200 odom_frame_id: "odom" pf_err: 0.05 pf_z: 0.99 recovery_alpha_fast: 0.0 recovery_alpha_slow: 0.0 resample_interval: 1 robot_model_type: "differential" save_pose_rate: 0.5 sigma_hit: 0.2 tf_broadcast: true transform_tolerance: 1.0 update_min_a: 0.2 update_min_d: 0.25 z_hit: 0.5 z_max: 0.05 z_rand: 0.5 z_short: 0.05 scan_topic: /scan bt_navigator: ros__parameters: use_sim_time: True global_frame: map robot_base_frame: base_link odom_topic: /odom bt_loop_duration: 10 default_bt_xml_filename: "navigate_to_pose_w_replanning_and_recovery.xml" plugin_lib_names: - nav2_compute_path_to_pose_action_bt_node - nav2_follow_path_action_bt_node - nav2_back_up_action_bt_node - nav2_spin_action_bt_node - nav2_wait_action_bt_node - nav2_assisted_teleop_action_bt_node - nav2_drive_on_heading_bt_node - nav2_clear_costmap_service_bt_node - nav2_is_stuck_condition_bt_node - nav2_goal_reached_condition_bt_node - nav2_goal_updated_condition_bt_node - nav2_initial_pose_received_condition_bt_node - nav2_reinitialize_global_localization_service_bt_node - nav2_rate_controller_bt_node - nav2_distance_controller_bt_node - nav2_speed_controller_bt_node - nav2_truncate_path_action_bt_node - nav2_goal_updater_node_bt_node - nav2_recovery_node_bt_node - nav2_pipeline_sequence_bt_node - nav2_round_robin_node_bt_node - nav2_transform_available_condition_bt_node - nav2_time_expired_condition_bt_node - nav2_distance_traveled_condition_bt_node controller_server: ros__parameters: use_sim_time: True controller_frequency: 20.0 min_x_velocity_threshold: 0.001 min_y_velocity_threshold: 0.001 min_theta_velocity_threshold: 0.001 progress_checker_plugins: ["progress_checker"] goal_checker_plugins: ["general_goal_checker"] controller_plugins: ["FollowPath"] progress_checker: plugin: "nav2_controller::SimpleProgressChecker" required_movement_radius: 0.5 movement_time_allowance: 10.0 general_goal_checker: stateful: True xy_goal_tolerance: 0.25 yaw_goal_tolerance: 0.25 FollowPath: plugin: "nav2_rotation_shim_controller::RotationShimController" primary_controller: "dwb_core::DWBLocalPlanner" angular_dist_threshold: 0.785 forward_sampling_distance: 0.5 rotate_to_heading_angular_vel: 1.8 transform_tolerance: 0.1 # DWB 参数 min_vel_x: 0.0 min_vel_y: 0.0 max_vel_x: 0.22 max_vel_y: 0.0 max_vel_theta: 1.0 min_speed_xy: 0.0 max_speed_xy: 0.22 min_speed_theta: 0.0 # 采样参数 sim_time: 1.7 vx_samples: 20 vy_samples: 5 vtheta_samples: 20 path_distance_bias: 32.0 goal_distance_bias: 24.0 occdist_scale: 0.01 forward_point_distance: 0.325 stop_on_obstacle: false scaling_dist: 0.3 max_scaling_factor: 0.2 publish_trajectory_cloud: true local_costmap: local_costmap: ros__parameters: use_sim_time: True robot_base_frame: base_link global_frame: odom rolling_window: true width: 3 height: 3 resolution: 0.05 footprint: "[[-0.16, -0.16], [-0.16, 0.16], [0.16, 0.16], [0.16, -0.16]]" plugins: ["voxel_layer", "inflation_layer"] inflation_layer: plugin: "nav2_costmap_2d::InflationLayer" cost_scaling_factor: 3.0 inflation_radius: 0.55 voxel_layer: plugin: "nav2_costmap_2d::VoxelLayer" enabled: True publish_voxel_map: True origin_z: 0.0 z_resolution: 0.2 z_voxels: 16 max_obstacle_height: 2.0 mark_threshold: 0 observation_sources: scan scan: topic: /scan max_obstacle_height: 2.0 clearing: True marking: True data_type: "LaserScan" raytrace_max_range: 3.0 raytrace_min_range: 0.1 obstacle_max_range: 2.5 obstacle_min_range: 0.1 global_costmap: global_costmap: ros__parameters: use_sim_time: True robot_base_frame: base_link global_frame: map robot_radius: 0.2 resolution: 0.05 track_unknown_space: true plugins: ["static_layer", "inflation_layer"] static_layer: plugin: "nav2_costmap_2d::StaticLayer" map_subscribe_transient_local: True inflation_layer: plugin: "nav2_costmap_2d::InflationLayer" cost_scaling_factor: 3.0 inflation_radius: 0.55 map_server: ros__parameters: use_sim_time: True yaml_filename: "/home/your_name/ros2_ws/map/map.yaml"

这个文件看起来很长，但真正需要关注的就是几个关键点：

• controller_server中的max_vel_x和max_vel_theta控制小车最大行驶速度和旋转速度；
• local_costmap和global_costmap中的inflation_radius控制膨胀半径，值越大，路径离障碍物越远；
• map_server中的yaml_filename必须改成你自己的地图路径。

6.3 编写导航启动文件

在my_robot/launch/目录下创建navigation_launch.py，一次性启动 Nav2 的各个模块：

# 文件路径：src/my_robot/launch/navigation_launch.py import os from ament_index_python.packages import get_package_share_directory from launch import LaunchDescription from launch.actions import DeclareLaunchArgument from launch.substitutions import LaunchConfiguration from launch_ros.actions import Node def generate_launch_description(): use_sim_time = LaunchConfiguration('use_sim_time', default='true') map_yaml_path = LaunchConfiguration('map_yaml_path', default=os.path.join( os.path.expanduser('~'), 'ros2_ws', 'map', 'map.yaml')) nav2_params_file = os.path.join( get_package_share_directory('my_robot'), 'config', 'nav2_params.yaml') return LaunchDescription([ DeclareLaunchArgument( 'map_yaml_path', default_value=map_yaml_path, description='Full path to map yaml file'), # 地图服务 Node( package='nav2_map_server', executable='map_server', name='map_server', output='screen', parameters=[{'use_sim_time': use_sim_time, 'yaml_filename': map_yaml_path}], ), # AMCL 定位 Node( package='nav2_amcl', executable='amcl', name='amcl', output='screen', parameters=[os.path.join(get_package_share_directory('my_robot'), 'config', 'nav2_params.yaml')], ), # 生命周期管理 Node( package='nav2_lifecycle_manager', executable='lifecycle_manager', name='lifecycle_manager_navigation', output='screen', parameters=[{'use_sim_time': use_sim_time, 'autostart': True, 'node_names': ['map_server', 'amcl', 'controller_server', 'planner_server', 'bt_navigator']}], ), ])

注意：这段代码使用了nav2_params.yaml中多个节点的共享参数，启动时 AMCL 等节点会从同一个 yaml 文件中读取各自命名空间下的参数。因此nav2_params.yaml中需要包含planner_server和bt_navigator等节点的配置，前面给出的配置已覆盖大部分核心参数，实际使用时可结合官方参数文件补全。

还需要把config目录在setup.py中声明：

data_files=[ ... ('share/' + package_name + '/config', ['config/nav2_params.yaml']), ('share/' + package_name + '/launch', ['launch/slam_launch.py', 'launch/navigation_launch.py']), ],

6.4 启动自主导航

导航必须在 Gazebo 仿真和 SLAM 建图完成之后进行。如果之前已经退出，按顺序重新执行：

终端 1 —— 启动仿真环境：

ros2 launch turtlebot3_gazebo turtlebot3_world.launch.py

终端 2 —— 启动导航：

ros2 launch my_robot navigation_launch.py

终端 3 —— 打开 RViz2：

ros2 run rviz2 rviz2

在 RViz2 中：

1. 把 Fixed Frame 设置为map；
2. 添加 RobotModel、Map、LaserScan、TF、Path、ParticleCloud 等显示项；
3. 点击顶部菜单栏的2D Pose Estimate，在地图中点击并拖动，手动给机器人一个初始位置估计。这一步非常重要，如果初始位置给得不准，后续导航定位会失败；
4. 点击Nav2 Goal，在地图上选择一个目标点，Nav2 会开始规划路径并控制小车移动。

6.5 导航过程中的关键技术点

• AMCL 定位粒子收敛后（RViz2 中的绿色箭头会聚集到机器人真实位置附近），说明定位成功；
• 如果机器人导航方向不对，可能是初始位姿给反了，重新用2D Pose Estimate校正；
• 导航过程中遇到动态障碍物，局部代价地图会实时更新，机器人会规划局部避障路径；
• 目标点设置超出地图范围时，导航会失败，需要在 RViz2 中把目标点设置在地图内部。

7. 导航参数调优：从“能跑”到“跑得好”

很多同学完成上面的步骤后，发现机器人虽然能导航，但路径很绕、速度很慢，或者在窄通道里反复横跳。这些都是参数问题。

7.1 速度参数调节

在nav2_params.yaml的controller_server中：

FollowPath: min_vel_x: 0.0 max_vel_x: 0.22 max_vel_theta: 1.0

如果觉得机器人太慢，可以适当调大max_vel_x；如果觉得转弯太猛，可以调小max_vel_theta。

7.2 膨胀半径调节

inflation_radius越大，机器人离障碍物越远，路径越保守；inflation_radius越小，机器人越容易贴近障碍物穿过窄缝，但碰撞风险增大。

TurtleBot3 这类小车，建议inflation_radius设置为 0.2 ~ 0.55 之间。如果你自己的机器人宽度更大，需要按比例调整。

7.3 代价地图的 footprint 设置

footprint参数描述机器人在地图上的轮廓，单位是米。如果设置得比实际模型小，机器人可能会在仿真中穿过墙壁；设置得过大，机器人在窄通道中会明显感觉无法通行。

TurtleBot3 Burger 使用：

footprint: "[[-0.16, -0.16], [-0.16, 0.16], [0.16, 0.16], [0.16, -0.16]]"

这表示一个边长 0.32 米的正方形轮廓。

7.4 定位失败时的恢复策略

如果 AMCL 粒子发散（RViz2 中粒子非常分散），说明定位丢失。解决方式：

1. 停止导航，重新用2D Pose Estimate手动指定初始位置；
2. 调大max_particles，例如改为 3000，提高定位精度；
3. 调小update_min_a和update_min_d，让定位更新频率更高，但计算量也会增加。

8. 常见问题与排查思路

下面整理 ROS2 + Gazebo + SLAM + Nav2 常见问题，做一个排查表格。遇到问题时，可以在命令行中配合ros2 topic list、ros2 topic echo、ros2 node list等工具逐步定位。

排查问题时，可以按以下顺序检查：

1. ros2 node list：确认所有节点是否启动；
2. ros2 topic list：确认话题是否正常发布；
3. ros2 topic echo /scan：确认激光雷达数据是否正常；
4. ros2 topic echo /odom：确认里程计是否发布；
5. ros2 run tf2_tools view_frames：生成 TF 树，检查坐标系是否完整。

9. 最佳实践与毕设复用建议

这套 ROS2 仿真 + SLAM + 导航技术栈，不仅适合学习，也非常适合作为毕业设计的技术底座。下面给一些实用建议。

9.1 毕设题目如何从这套流程中落地

如果你准备把 ROS2 导航作为毕设题目，可以考虑以下几个方向：

• 基于 Gazebo 的移动机器人导航仿真平台设计；
• 基于 ROS2 的室内自主导航系统设计与实现；
• 融合激光雷达和里程计的多传感器建图算法研究；
• 面向仓储场景的 ROS2 自主搬运机器人仿真；
• 基于 Nav2 的差速机器人动态避障策略研究。

省去找一台昂贵实体机器人、调试驱动、处理电池续航等硬件问题的时间，把核心精力放在算法和系统设计上，这是仿真方案在毕设中的最大优势。

9.2 工程化建议

• 版本锁定：在文档中记录你使用的 Ubuntu 版本、ROS2 发行版、Gazebo 版本、Nav2 版本，方便复现；
• 模型驱动：启动仿真、建图、导航，尽量都用 launch 文件完成，不要每次都敲一长串命令；
• 参数配置分离：所有调优参数放在config/目录下的 yaml 文件中，不要硬编码在节点代码里；
• 地图管理：建图完成的地图文件建议单独备份，并命名包含日期或版本，例如map_20260101.yaml；
• 日志记录：在节点代码中用self.get_logger().info()输出关键信息，方便定位问题；
• 适度使用 rosdep：在新环境编译功能包前，执行rosdep install --from-paths src --ignore-src -r -y检查依赖。

9.3 进一步学习路径

完成本文的全流程后，下一步可以围绕这些方向继续深入：

• Cartographer 调参：学习栅格建图、子图匹配、回环检测原理；
• 代价地图详解：深入理解 StaticLayer、ObstacleLayer、InflationLayer 的代价计算方式；
• DWB 局部规划器：调整采样参数，理解轨迹评价函数；
• 行为树：学习如何自定义导航行为树 XML，加入自定义节点；
• 多传感器融合：在仿真中加入摄像头、IMU，结合 Kalman 滤波或 EKF 进行位姿估计；
• 真机迁移：将 Nav2 参数迁移到真实底盘，重点校准里程计和激光雷达外参。

9.4 一个可以立刻上手的改进任务

如果你觉得当前导航效果还不够理想，可以尝试做一个简单的改进任务：在 Gazebo 世界中添加一个移动障碍物。

在 Gazebo 中直接插入一个小的立方体或球体，然后重新启动导航，观察机器人遇到动态障碍物时是否会停下来、重新规划路径。通过这个实验，你能直观理解局部代价地图的更新机制，也能在答辩时展示“动态避障”相关的结果。

10. 写在最后

这篇文章从 ROS2 环境搭建开始，完成了工作空间创建、功能包编写、Gazebo 仿真、SLAM 建图、Nav2 自主导航的全链路实践。你可以把整套流程当作一个“最小可复用的机器人项目模板”：换掉 URDF 模型、换掉地图、调一组参数，就能适配不同的机器人平台。

最后提醒一点：ROS2 版本迭代较快，Gazebo 和 Nav2 的参数也在持续更新。如果你使用的不是 Humble 版本，或者 Ubuntu 版本不同，个别命令和参数文件需要按官方文档调整。遇到问题时，善用ros2 topic list、ros2 node list、ros2 doctor这些基础工具，再结合日志信息定位，远比盲目重装环境高效。

如果你在实操过程中遇到问题，欢迎在评论区留言，带上终端报错信息和版本号，我也会尽量帮忙排查。觉得这篇文章有用的话，可以收藏备用，后续我会继续更新 Cartographer 调参、代价地图原理、自定义机器人建模等进阶内容。