保姆级教程：用ROS2 Humble和Nav2从零搭建自主导航机器人

当你第一次拿到树莓派、激光雷达和小车底盘时，可能会被各种线缆、驱动和参数搞得晕头转向。别担心，这篇教程将用最直白的语言，带你避开所有新手陷阱，从硬件组装到最终实现自主导航，完整走通全流程。

我清楚地记得自己第一次尝试时，花了整整三天才让机器人正确识别出房间的轮廓。而现在，你只需要跟着以下步骤操作，就能在几个小时内看到一个真正"活过来"的智能小车。

1. 硬件准备与接线指南

在开始写代码之前，我们需要先把物理设备正确连接。这个环节看似简单，却是90%新手遇到的第一个绊脚石。

必备硬件清单：

• 主控板：树莓派4B(4GB内存起步)或Jetson Nano
• 激光雷达：思岚A1(性价比最高)或RPLIDAR A3
• 电机驱动板：常见的有L298N或TB6612FNG
• 12V锂电池组(带USB输出为开发板供电)
• 杜邦线若干(建议购买现成的公对公/母对母线组合包)

特别注意：所有设备上电前务必确认电压匹配，激光雷达通常需要5V供电，而电机驱动需要12V

接线示意图：

最容易出错的三个地方：

1. 忘记共地连接：激光雷达和电机驱动必须共用GND，否则会出现信号干扰
2. PWM信号线接反：电机驱动板的IN1/IN2需要对应树莓派的GPIO口
3. 电源功率不足：当电机启动时，如果树莓派突然重启，说明需要独立供电

2. 开发环境一键配置脚本

很多教程会让你手动安装各种依赖，这里我提供一个经过验证的一键配置脚本：

bash复制#!/bin/bash
# ROS2 Humble安装
sudo apt update && sudo apt install -y curl gnupg2
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
sudo apt update && sudo apt install -y ros-humble-desktop

# 导航相关包
sudo apt install -y ros-humble-navigation2 ros-humble-nav2-bringup \
ros-humble-slam-toolbox ros-humble-teleop-twist-keyboard

# 思岚A1驱动
sudo apt install -y ros-humble-rplidar-ros

# 创建工作空间
mkdir -p ~/robot_ws/src
cd ~/robot_ws
colcon build
echo "source ~/robot_ws/install/setup.bash" >> ~/.bashrc

运行这个脚本后，你的基础环境就已经准备好了。如果网络状况不佳，可以尝试更换为国内镜像源。

3. 激光雷达的坑与解决方案

思岚A1是性价比很高的选择，但新手常会遇到以下问题：

问题1：雷达旋转但检测不到障碍物

• 检查项：
  • 确认雷达与地面平行安装（倾斜会导致扫描平面不对）
  • 运行ros2 topic echo /scan查看原始数据
  • 调整雷达高度（建议离地15-20cm）

问题2：扫描范围出现扇形盲区

• 解决方法：

python复制# 修改rplidar_launch.py参数
from launch_ros.actions import Node

def generate_launch_description():
    return LaunchDescription([
        Node(
            package='rplidar_ros',
            executable='rplidar_node',
            parameters=[{
                'angle_compensate': True,
                'scan_mode': 'Standard',
                'serial_baudrate': 115200
            }]
        )
    ])

常见参数调整表：

4. 让机器人认识世界：SLAM建图实战

有了稳定的雷达数据后，我们开始构建环境地图。这里推荐使用slam_toolbox，它对低算力设备更友好。

优化后的启动命令：

bash复制ros2 launch slam_toolbox online_async_launch.py \
    params_file:=`ros2 pkg prefix slam_toolbox`/share/slam_toolbox/config/mapper_params_online_async.yaml \
    use_sim_time:=false

建图过程中要注意：

1. 控制机器人以0.3m/s以下速度移动
2. 优先覆盖边界区域（墙面等固定物体）
3. 遇到特征不明显区域时，可以故意走"8"字形

保存地图的正确姿势：

bash复制ros2 run nav2_map_server map_saver_cli -f ~/robot_ws/src/my_map \
    --free-thresh 0.196 \
    --occupied-thresh 0.65

这两个阈值参数直接影响导航效果：

• free-thresh：低于此值为可通行区域
• occupied-thresh：高于此值为障碍物

5. AMCL定位防飘移技巧

定位飘移是导航失败的首要原因，通过以下配置可以显著改善：

amcl_params.yaml关键配置：

yaml复制amcl:
  ros__parameters:
    min_particles: 1000
    max_particles: 5000
    kld_err: 0.01
    kld_z: 0.99
    laser_model_type: "likelihood_field"
    laser_likelihood_max_dist: 2.0
    update_min_d: 0.1
    update_min_a: 0.2
    resample_interval: 2

实际调试时，在RViz中观察粒子云分布：

• 理想状态：粒子集中在一个小范围内
• 发散状态：需要增加min_particles
• 更新滞后：减小update_min_d和update_min_a

6. Nav2参数调优手册

导航效果不佳时，优先调整这些参数：

全局规划器(nav2_navfn_planner)

yaml复制planner_server:
  ros__parameters:
    planner_plugins: ["GridBased"]
    GridBased:
      plugin: "nav2_navfn_planner/NavfnPlanner"
      tolerance: 0.25
      use_astar: true
      allow_unknown: false

局部规划器(nav2_dwb_controller)

yaml复制controller_server:
  ros__parameters:
    controller_plugins: ["FollowPath"]
    FollowPath:
      plugin: "nav2_dwb_controller/DWBController"
      max_vel_x: 0.4
      min_vel_x: -0.1
      acc_lim_x: 0.5
      max_vel_theta: 0.8
      min_vel_theta: -0.8
      acc_lim_theta: 1.0
      vx_samples: 20
      vy_samples: 0
      vtheta_samples: 40

避障行为树配置：

xml复制<RetryUntilSuccessful num_attempts="3">
    <PipelineSequence>
        <ComputePathToPose goal="{goal}" path="{path}"/>
        <FollowPath path="{path}"/>
    </PipelineSequence>
</RetryUntilSuccessful>

7. 真实场景下的避障策略

在办公室环境中测试时，我发现单纯依赖激光雷达会遇到这些问题：

• 透明玻璃门无法检测
• 低矮障碍物（如桌腿）可能被忽略
• 动态行人需要特殊处理

多传感器融合方案：

python复制# 在launch文件中添加超声波节点
from launch_ros.actions import Node

def generate_launch_description():
    return LaunchDescription([
        Node(
            package='ultrasonic_ros2',
            executable='ultrasonic_node',
            parameters=[{'frame_id': 'ultrasonic_link'}]
        ),
        # 其他传感器节点...
    ])

代价地图分层配置：

yaml复制local_costmap:
  ros__parameters:
    plugins: ["voxel_layer", "inflation_layer"]
    voxel_layer:
      plugin: "nav2_costmap_2d::VoxelLayer"
      enabled: True
      origin_z: 0.0
      z_resolution: 0.05
      z_voxels: 16
      max_obstacle_height: 0.5

经过这些优化后，我的机器人终于能在充满障碍的办公区自如穿行。记住，调试导航系统需要耐心，每次只修改一个参数，观察变化效果。当看到机器人第一次完美绕过所有障碍到达目标点时，那种成就感绝对值得所有的努力。