本节主要介绍导航所涉及的基础概念和一些相关内容。

参考：Navigation using ROS 2 - Introduction

机器人在环境中运动方向的路径规划要回答三个问题：

• 我在哪？（Localization）
• 我要去哪里？（Goal）
• 我怎么走？（PathPlan）

如果要细分问题更多，就以此为基础吧。看如下：

Gazebo

Webots

ROS2的navigation2功能包，支持Linux、Windows和MacOS，并且适用于各类仿真环境如Gazebo、Webots等，同时支持多款真实机器人，最常用的是TurtleBot2和TurtleBot3。

Navigation

如何让机器人不再迷茫！！！

定位

机器人定位

对于机器人导航而言， 在地图上定位机器人 (AMCL)：

• 无地图定位
• 有地图定位

注意其差异性，通常为局部和全局，给定相对和绝对坐标。

无地图定位通常用于避障等任务，有地图定位通常为目标巡逻或区域覆盖。

区域覆盖

ROS2导航的主要内容：

1. 定位
2. 建图
3. 路径规划

定位常用方法：

• 机器人如何感知自身移动
  • 使用自身传感器（轮编码器，IMU）=> 相对机器人位移
• 观测外部环境感知自身移动
  • 使用外部感受器（激光雷达、摄像头、GPS）=> 绝对机器人姿态估计

从“我在哪里” -->“我到底在哪里？”

估计值与真实值的差异！！！

• 传感器并不完美！（局部估计累积误差）
  • 自身感知传感器产生漂移 => 需要不同的来源和绝对值来补偿漂移
• 感知环境需要时间！（绝对估计周期长）
  • 比较外部感受传感器数据形成地图很慢 => 需要自身传感器

上图可以更清晰描述这些概念。

讲到定位自然离不开坐标变换（TF）

• ROS机器人TF基础（坐标相关概念和实践）

对于导航而言，通常关注以下要点：

TF名称（对应下图）：

• “map” - 地图环境原点（固定坐标系）
• "odom" - 里程计的父级
• "base_footprint" - 地图中机器人中心的投影（无高度）
• “base_stabilized” - 添加关于机器人高度相对于地图 /odom 层的信息。
• “base_link” - 机器人的中心

定位两个重要部分（以高速率可靠地完成TF坐标树需要传感器融合）：

• 快速，但由于不确定性或漂移而导致误差。
• 随着时间的推移给出位置变化
  • w.r.t. 初始点。
• 来源：里程计、IMU 等...

绝对位置估计：观测外部环境

• 速度慢，但不易出错。
• 在地图中给出位置
  • w.r.t 固定坐标。
• 来源：GPS、激光雷达等...

参考更新速率100hz 参考更新速率10hz

基础坐标变换树

如果不用base_link，也可以是base_footprint。 取决于机器人和开发人员具体设定。

传感器融合

例如：robot_localization 功能包

• 这是一个支持研究论文中的实验的功能包。
• 通过使用卡尔曼滤波器的传感器融合提供 三维定位。
• 可以组合大量和多种类型的传感器。
• 实验显示了几种不同组合对定位精度的影响。

具体参考研究论文，多传感器融合，可以显著降低误差。

ROS2定位 - AMCL

Navigation 2中定位的实现，类似ROS1 AMCL的接口

自适应蒙特卡罗定位：

• - 概率 2D 定位 (X,Y,Θ)
• - 粒子滤波（粒子是猜测位置姿态的向量）
• - 对已知地图进行位置姿态跟踪
• - 纠正里程计漂移

AMCL：

• 估计从 map 到 base_link 的转换
• 读取scan、TF、map 和初始姿势
• 发布从 map 到 odom 的转换

定位-小结

• 不要以赖单一传感器（需多传感器融合！！！）
• 一定要注意坐标变换树（TF tree设置不合适会断开）