1. 项目缘起为什么我们需要一个自动导航HCR平台如果你正在看这篇文章大概率和我一样正被一个现实问题困扰如何让一台移动机器人无论是AGV、AMR还是服务机器人在复杂多变的环境里真正实现“自己认路、自己走”这个问题在仓储物流、智慧工厂、巡检安防乃至未来的商业服务场景中都是核心痛点。手动遥控效率太低且无法规模化。依赖预设的磁条或二维码轨道柔性太差环境稍有改动就得重新部署成本高昂。所以一个能够自主感知环境、构建地图、规划路径并实时避障的自动导航平台就成了刚需。HCRHybrid Control Robot平台或者说我们常说的“混合控制机器人平台”其核心价值就在于“混合”二字。它不是一个单一功能的玩具而是一个集成了环境感知SLAM、决策规划、运动控制于一体的软硬件一体化解决方案。它能处理“去哪里”的全局任务也能应对“怎么去”的局部避障最终实现从A点到B点的安全、高效、自主移动。我之所以想动手搭建这样一个平台是因为市面上的成品方案要么价格不菲要么“黑盒”严重出了问题难以调试要么功能僵化无法满足特定场景的定制化需求。自己动手从零开始虽然过程充满挑战但能让你透彻理解自动导航的每一个环节从传感器数据如何变成地图到路径规划算法如何权衡效率与安全这种掌控感是购买现成方案无法比拟的。这个系列文章就是记录我搭建一个低成本、高灵活度、可深度定制的自动导航HCR平台的全过程。我会从最基础的硬件选型、环境搭建讲起逐步深入到SLAM建图、路径规划、运动控制等核心模块的实现与调试。目标是让你看完后不仅能复现一个可用的基础平台更能具备根据自己需求进行修改和优化的能力。无论你是机器人爱好者、在校学生还是相关领域的工程师希望这个系列都能给你带来实实在在的帮助。2. 平台核心架构与硬件选型把钱花在刀刃上搭建一个自动导航平台第一步不是急着写代码而是想清楚架构和选对硬件。一个合理的架构能让你后续的开发事半功倍而合适的硬件则是所有算法稳定运行的物理基础。我的设计思路是“感知-决策-控制”三层架构这也是目前移动机器人领域最主流、最成熟的架构。2.1 核心架构拆解整个平台可以抽象为三个层次感知层机器人的“眼睛”和“皮肤”。负责采集环境信息距离、图像、惯性数据和自身状态信息轮子转速、姿态角。这一层输出的是原始或初步处理后的传感器数据流。决策层机器人的“大脑”。这是最核心的部分它接收感知层的数据进行融合与理解。具体来说它要完成两件大事一是同步定位与地图构建SLAM即回答“我在哪周围环境什么样”二是路径规划与导航即回答“我要去哪怎么去路上有障碍怎么办”。这一层输出的是具体的运动控制指令比如“向左转30度以0.5米/秒的速度前进”。控制层机器人的“手脚”。负责将决策层发出的抽象指令转化为电机驱动器能理解的脉冲或电压信号精确控制每个轮子的转速和转向最终实现机器人的整体运动。这三层通过消息或服务进行通信形成一个闭环。感知反馈给决策决策指挥控制控制改变机器人的位姿进而产生新的感知数据。2.2 关键硬件选型与避坑指南硬件是平台的骨架选型不当后续软件调试会异常痛苦。以下是我经过多次试错后总结的选型清单和核心考量。主控制器机器人的“小脑”与“中枢神经”这是运行核心算法SLAM、导航的计算机。常见选择有树莓派、Jetson系列、乃至x86工控机。我的选择与理由我选择了搭载Ubuntu系统的x86迷你工控机。原因如下算力充足SLAM和路径规划特别是基于激光雷达的算法对CPU算力有一定要求x86架构在多线程处理和浮点运算上比ARM有优势建图、定位更流畅。生态兼容性好绝大多数机器人开源框架如ROS/ROS2对x86 Ubuntu的支持最完善库依赖、驱动安装最省心。扩展性强USB、PCIe接口丰富方便连接多种传感器和外设。稳定性相对于树莓派x86工控机在长时间高负载运行下更稳定散热也更好。注意如果对成本极其敏感或对体积重量有严苛要求树莓派4B/5或Jetson Nano也是可行的起点但需做好算法优化和散热管理。激光雷达机器人的“主眼”这是实现2D SLAM和避障最核心的传感器。市场上有思岚RPLIDAR、禾赛、速腾聚创等品牌。我的选择与理由我选择了思岚科技的RPLIDAR A1系列。这是经过大量项目验证的经典入门型号。性价比高作为入门学习和小型场景验证A1的性能12米测距、5.5Hz采样频率完全够用价格亲民。社区支持好ROS中有官方驱动包rplidar_ros资料丰富遇到问题容易找到解决方案。协议开放方便进行底层数据解析和二次开发。避坑点购买时务必确认是串口UART版本而非USB版本。ROS驱动通常默认支持串口通信。另外激光雷达需要稳定的5V供电最好使用独立的稳压模块避免因电机启停造成电压波动导致雷达重启或数据异常。里程计与IMU机器人的“内感受器”里程计通过测量轮子转动来估计机器人走了多远、转了多少角度航迹推算。IMU惯性测量单元测量角速度和加速度用于辅助定位和提供姿态信息。我的选择对于轮式机器人最经济实用的里程计方案是电机编码器。我选择了带AB相增量式编码器的直流减速电机。编码器脉冲数越高里程计分辨率越高。IMU我选用了一款常见的MPU6050模块集成三轴陀螺仪和三轴加速度计通过I2C接口与主控通信。为什么需要它们单纯靠激光雷达做SLAM在长直走廊、重复结构等特征不明显的地方容易丢失定位。里程计可以提供连续、高频的位移估计IMU可以提供姿态角特别是俯仰、横滚和角速度三者通过滤波器如卡尔曼滤波融合能极大提升定位的鲁棒性和精度。这就是所谓的“传感器融合”。电机与驱动机器人的“腿脚和肌肉”这是将电信号转化为机械运动的关键。电机选型根据机器人的负载和速度要求选择。对于中小型实验平台额定电压12V-24V的直流减速电机是常见选择。减速比决定了输出扭矩和转速需要根据轮径和期望速度计算。驱动选型必须使用电机驱动板如TB6612FNG、DRV8833、BTS7960等绝对不能用主控板的GPIO口直接驱动电机驱动板的作用是提供大电流并实现电机的正反转和调速PWM控制。我选择了TB6612FNG因为它双路驱动、集成度高、带有待机功能且逻辑电平兼容3.3V/5V。一个关键计算假设电机减速后空载转速为100 RPM转/分钟轮子直径为10厘米。则机器人最大线速度v π * 轮径 * 转速 / 60 3.14 * 0.1m * 100 / 60 ≈ 0.52 m/s。这个速度对于室内导航是合适的。底盘与电源底盘可以使用开源的设计如ROS社区流行的TurtleBot3的Burger底盘模型进行3D打印或激光切割也可以购买现成的机器人底盘套件。确保结构牢固电机安装同轴度好否则会导致里程计误差大。电源这是稳定性的大敌务必使用大容量、放电倍率合适的锂电池如18650电池组并搭配一个可靠的电源管理模块。该模块应能提供多路稳压输出例如12V给电机驱动5V给主控、雷达、USB设备等并具备欠压保护防止电池过放。电机启停瞬间电流很大会引起电压骤降可能导致主控或雷达重启良好的电源设计是项目成功的基石。3. 基础软件环境搭建打造机器人的“操作系统”硬件连接好后我们需要为机器人安装“大脑”的软件系统。这里我们选择机器人界的“事实标准”——ROS 2Robot Operating System 2。相比ROS 1ROS 2在实时性、跨平台、网络通信等方面有显著改进更适合产品化。我选择ROS 2 Humble Hawksbill版本因为它是一个长期支持LTS版本与Ubuntu 22.04兼容性好社区活跃。3.1 ROS 2核心安装与概念扫盲首先在主控电脑Ubuntu 22.04上安装ROS 2。过程不复杂但每一步都建议理解其作用。# 1. 设置locale确保支持UTF-8编码 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 # 2. 添加ROS 2软件源 sudo 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 # 3. 安装ROS 2基础包Desktop版包含GUI工具 sudo apt update sudo apt install ros-humble-desktop # 4. 配置环境变量每次打开新终端都需要执行或写入~/.bashrc source /opt/ros/humble/setup.bash安装完成后理解几个核心概念至关重要节点Node一个可执行程序是ROS中的基本计算单元。例如一个节点负责发布激光雷达数据另一个节点负责订阅这些数据并运行SLAM算法。话题Topic节点间交换数据的总线。数据以消息Message的形式在话题上传递。例如激光雷达节点会持续向/scan话题发布sensor_msgs/LaserScan类型的消息。服务Service一种请求-响应的同步通信机制。例如你可以调用一个服务来让机器人移动到指定坐标。动作Action一种带有反馈的、长时间运行的行为通信机制。例如导航到一个目标点就是一个典型的动作它会持续反馈当前状态和剩余距离。工作空间Workspace你自己编写的ROS代码存放和编译的目录。通常结构是~/ros2_ws/src/下放你的功能包。3.2 创建你的第一个ROS 2工作空间与功能包让我们动手创建一个工作空间和一个简单的功能包感受一下ROS 2的开发流程。# 1. 创建并进入工作空间 mkdir -p ~/ros2_ws/src cd ~/ros2_ws # 2. 拉取一个示例功能包到src目录这里用demo_nodes_cpp git clone https://github.com/ros2/demos.git src/demos # 3. 安装依赖并编译整个工作空间 sudo apt install python3-colcon-common-extensions -y colcon build # 4. 激活工作空间环境 source install/setup.bash # 5. 运行一个示例节点发布者 ros2 run demo_nodes_cpp talker # 打开另一个终端激活环境后运行订阅者 source ~/ros2_ws/install/setup.bash ros2 run demo_nodes_cpp listener如果能看到talker发布消息listener接收并打印消息说明你的ROS 2环境工作正常。接下来我们需要创建自己的功能包来管理后续的机器人代码。cd ~/ros2_ws/src # 创建一个Python功能包依赖rclpyROS2 Python客户端库和std_msgs标准消息 ros2 pkg create my_robot_bringup --build-type ament_python --dependencies rclpy std_msgs这个my_robot_bringup包将用来放置启动机器人底层硬件驱动雷达、电机等的节点。3.3 激光雷达驱动集成让机器人“看见”现在让我们把RPLIDAR A1接入ROS 2系统。思岚官方提供了ROS 1的驱动社区有移植到ROS 2的版本。我们可以直接使用。cd ~/ros2_ws/src # 克隆ROS 2版本的rplidar驱动以某个社区维护的版本为例请根据实际情况查找最新仓库 git clone https://github.com/robopeak/rplidar_ros2.git # 回到工作空间根目录编译 cd ~/ros2_ws colcon build --packages-select rplidar_ros2 source install/setup.bash连接雷达到主控的USB口通常需要CH340等USB转TTL模块。首先检查设备端口ls /dev/ttyUSB* # 通常会是 /dev/ttyUSB0然后我们需要修改驱动包的启动文件指定正确的端口和参数。找到rplidar_ros2/launch/rplidar.launch.py文件修改其中的serial_port参数为你的实际端口例如/dev/ttyUSB0。同时确认雷达型号laser_model设置为a1。 启动雷达节点ros2 launch rplidar_ros2 rplidar.launch.py如果一切正常你可以用ROS 2的工具查看雷达数据# 查看当前活跃的话题 ros2 topic list # 你应该能看到 /scan 话题 # 用命令行工具打印 /scan 话题的数据会刷屏按CtrlC停止 ros2 topic echo /scan # 更直观的方式是使用RVIZ2可视化工具 ros2 run rviz2 rviz2在RVIZ2中点击Add添加一个LaserScan显示项将它的Topic设置为/scan。你应该能看到雷达扫描出的点云图像用手在雷达前移动点云会随之变化。至此机器人的“视觉”系统就打通了。4. 机器人运动模型与底层控制节点实现机器人要动起来光有“眼睛”还不够必须有“腿脚”并能精确控制。这一步我们要建立机器人的运动学模型并编写ROS 2节点将上层发出的速度指令geometry_msgs/Twist转化为电机驱动板能理解的PWM信号。4.1 差速驱动机器人运动学模型我们搭建的平台大概率是两轮差速驱动模型这是最经典、最常用的移动机器人底盘形式。两个驱动轮分别由独立的电机控制通过调节左右轮的转速差来实现前进、后退和转向。核心公式设机器人本体线速度为v(m/s)角速度为ω(rad/s)。设左右轮间距轮距为L(m)轮子半径为r(m)。设左轮线速度为v_left右轮线速度为v_right。则有v (v_right v_left) / 2ω (v_right - v_left) / L反过来如果我们知道了期望的机器人整体速度v和ω可以解算出左右轮应有的速度v_left v - (ω * L / 2)v_right v (ω * L / 2)物理意义当v_left v_right时ω 0机器人直线运动。当v_left -v_right时v 0机器人原地旋转。其他情况则为绕某个瞬心做圆弧运动。4.2 编写电机控制节点这个节点的任务是订阅/cmd_vel话题这是ROS中标准的控制指令话题类型为geometry_msgs/Twist根据收到的线速度v和角速度ω结合上述运动学模型和电机参数计算出左右轮的目标转速再通过PWM占空比控制电机驱动板。首先在my_robot_bringup包中创建节点文件cd ~/ros2_ws/src/my_robot_bringup/my_robot_bringup touch motor_controller.py chmod x motor_controller.py然后编辑motor_controller.py。以下是一个高度简化的示例框架实际中你需要根据你使用的GPIO库如RPi.GPIO for 树莓派或gpiodfor 通用Linux和电机驱动板逻辑来填充具体控制函数。#!/usr/bin/env python3 import rclpy from rclpy.node import Node from geometry_msgs.msg import Twist class MotorController(Node): def __init__(self): super().__init__(motor_controller) # 订阅 /cmd_vel 话题 self.subscription self.create_subscription( Twist, cmd_vel, self.cmd_vel_callback, 10) self.subscription # 防止未使用变量警告 # 机器人参数需根据你的实际硬件测量填写 self.wheel_radius 0.05 # 轮子半径单位米 self.wheel_separation 0.30 # 左右轮距单位米 self.max_motor_rpm 100.0 # 电机最大转速减速后单位RPM self.get_logger().info(电机控制节点已启动等待速度指令...) def cmd_vel_callback(self, msg): 收到 /cmd_vel 消息时的回调函数。 msg.linear.x: 前进/后退速度 (m/s) msg.angular.z: 旋转角速度 (rad/s), 逆时针为正 v msg.linear.x omega msg.angular.z # 1. 根据运动学模型计算左右轮线速度 v_left v - (omega * self.wheel_separation / 2.0) v_right v (omega * self.wheel_separation / 2.0) # 2. 将线速度转换为电机转速 (RPM) # 转速 (RPM) 线速度 (m/s) * 60 / (2 * π * 轮半径) left_rpm (v_left * 60.0) / (2.0 * 3.14159 * self.wheel_radius) right_rpm (v_right * 60.0) / (2.0 * 3.14159 * self.wheel_radius) # 3. 限幅处理防止指令超出电机能力 left_rpm max(-self.max_motor_rpm, min(self.max_motor_rpm, left_rpm)) right_rpm max(-self.max_motor_rpm, min(self.max_motor_rpm, right_rpm)) # 4. 将转速转换为PWM占空比这里需要你根据具体电机和驱动板填写 # 例如PWM占空比 (目标RPM / 最大RPM) * 100% left_pwm (left_rpm / self.max_motor_rpm) * 100.0 right_pwm (right_rpm / self.max_motor_rpm) * 100.0 # 5. 调用底层硬件控制函数此处为伪代码 # self.set_motor_pwm(left, left_pwm) # self.set_motor_pwm(right, right_pwm) # 打印调试信息 self.get_logger().debug(f指令: v{v:.2f}, ω{omega:.2f} - L_RPM{left_rpm:.1f}, R_RPM{right_rpm:.1f} - L_PWM{left_pwm:.1f}%, R_PWM{right_pwm:.1f}%) # 你需要实现这个函数具体取决于你的硬件接口 # def set_motor_pwm(self, motor_id, pwm_percent): # if motor_id left: # # 设置左电机PWM # pass # elif motor_id right: # # 设置右电机PWM # pass def main(argsNone): rclpy.init(argsargs) motor_controller MotorController() rclpy.spin(motor_controller) motor_controller.destroy_node() rclpy.shutdown() if __name__ __main__: main()4.3 里程计计算与发布仅仅控制电机运动还不够我们还需要告诉系统“机器人估计自己走了多远”这就是里程计。里程计信息对于SLAM至关重要。我们可以在电机控制节点中增加里程计计算和发布功能。里程计计算基于编码器读数。假设编码器每转产生N个脉冲。在固定时间间隔Δt内我们读取到左轮脉冲数ΔP_left右轮脉冲数ΔP_right。计算左右轮移动的距离ΔD_left (ΔP_left / N) * (2 * π * r)ΔD_right (ΔP_right / N) * (2 * π * r)计算本周期内机器人的位移和转角ΔD (ΔD_right ΔD_left) / 2Δθ (ΔD_right - ΔD_left) / L根据上一时刻的位姿(x, y, θ)更新当前位姿θ_new θ Δθx_new x ΔD * cos(θ_new)y_new y ΔD * sin(θ_new)我们需要在节点中创建一个定时器定期例如10Hz读取编码器值进行上述计算然后发布nav_msgs/Odometry消息到/odom话题。同时还需要发布一个从odom坐标系到base_footprint机器人底盘中心坐标系的变换TF这是ROS导航栈所必需的。由于篇幅限制这里不展开完整的里程计代码但它是连接底层硬件与上层SLAM导航的关键桥梁务必认真实现。4.4 集成测试用键盘遥控机器人在实现完整的里程计之前我们可以先测试电机控制是否正常。ROS 2提供了一个用键盘发布cmd_vel指令的工具包teleop_twist_keyboard。# 安装工具包 sudo apt install ros-humble-teleop-twist-keyboard # 在一个终端启动你的电机控制节点确保已编译并source环境 ros2 run my_robot_bringup motor_controller.py # 在另一个终端启动键盘遥控 ros2 run teleop_twist_keyboard teleop_twist_keyboard按照屏幕提示通常是WASD键你应该能控制机器人前后移动和转弯。这是验证你的运动学模型、电机驱动和底层通信是否正确的第一步。如果机器人运动方向相反或转弯异常检查运动学模型公式中的正负号以及电机接线是否正确。5. SLAM建图初体验让机器人认识它的世界当机器人能“看见”激光雷达也能“走动”电机控制后下一步就是让它理解周围环境并记住自己的位置——这就是SLAM。我们将使用ROS 2中成熟且强大的slam_toolbox来构建2D栅格地图。5.1 SLAM工具箱slam_toolbox简介与安装slam_toolbox是ROS社区中广受好评的SLAM算法包它基于Karto SLAM优化而来支持增量式建图、回环检测建图效果好资源消耗相对合理。# 安装 slam_toolbox (ROS 2 Humble) sudo apt install ros-humble-slam-toolbox5.2 配置与启动建图slam_toolbox需要通过一个启动文件launch file和参数文件来配置。我们创建一个专门的启动文件来组织建图所需的所有节点雷达驱动、机器人状态发布robot state publisher用于TF变换、以及slam_toolbox节点本身。首先在my_robot_bringup包中创建启动文件目录和文件cd ~/ros2_ws/src/my_robot_bringup mkdir launch touch launch/slam_mapping.launch.py编辑slam_mapping.launch.py内容如下import os from launch import LaunchDescription from launch.actions import IncludeLaunchDescription from launch.launch_description_sources import PythonLaunchDescriptionSource from launch.substitutions import LaunchConfiguration, PathJoinSubstitution from launch_ros.actions import Node from launch_ros.substitutions import FindPackageShare def generate_launch_description(): # 定义一些可配置的参数 use_sim_time LaunchConfiguration(use_sim_time, defaultfalse) slam_params_file PathJoinSubstitution( [FindPackageShare(my_robot_bringup), config, mapper_params_online_async.yaml] ) # 启动雷达驱动假设你已经有了rplidar的launch文件 rplidar_launch IncludeLaunchDescription( PythonLaunchDescriptionSource([ PathJoinSubstitution([ FindPackageShare(rplidar_ros2), launch, rplidar.launch.py ]) ]) ) # 启动 robot state publisher (如果你有URDF模型文件) # 对于初步测试可以先用一个静态的TF发布器代替发布 base_link 到 laser 的变换 static_tf_node Node( packagetf2_ros, executablestatic_transform_publisher, arguments[0, 0, 0.1, 0, 0, 0, base_link, laser] # x, y, z, yaw, pitch, roll, parent_frame, child_frame # 假设雷达安装在机器人中心上方0.1米处与底盘朝向一致 ) # 启动 slam_toolbox 的建图节点 slam_toolbox_node Node( packageslam_toolbox, executableasync_slam_toolbox_node, nameslam_toolbox, outputscreen, parameters[ slam_params_file, {use_sim_time: use_sim_time} ], remappings[(/scan, /scan)] # 确保话题映射正确 ) return LaunchDescription([ rplidar_launch, static_tf_node, slam_toolbox_node, ])接下来需要创建slam_toolbox的参数配置文件。在my_robot_bringup包下创建config目录并下载或创建mapper_params_online_async.yaml。你可以从slam_toolbox的示例配置开始修改cd ~/ros2_ws/src/my_robot_bringup mkdir config wget https://raw.githubusercontent.com/SteveMacenski/slam_toolbox/main/config/mapper_params_online_async.yaml -O config/mapper_params_online_async.yaml你需要根据你的雷达和机器人性能调整关键参数例如scan_topic: 确保是/scanmap_frame,odom_frame,base_frame: 通常设为map,odom,base_footprint。resolution: 地图分辨率单位米/像素。例如0.05表示一个像素代表5厘米。值越小地图越精细但计算量和内存占用越大。max_laser_range: 你的激光雷达最大有效测距。transform_publish_period: TF发布周期通常0.02(50Hz)。5.3 第一次建图实操与问题排查确保雷达和电机或至少机器人可以被推动就绪后依次启动节点# 终端1启动雷达和SLAM使用我们的launch文件 cd ~/ros2_ws source install/setup.bash ros2 launch my_robot_bringup slam_mapping.launch.py # 终端2启动RVIZ2进行可视化 ros2 run rviz2 rviz2在RVIZ2中添加以下显示项MapTopic 设为/map你会看到实时构建的栅格地图灰色是未知白色是空闲黑色是障碍。LaserScanTopic 设为/scan显示当前的激光扫描点通常设为红色。TF查看坐标系变换树确保map-odom-base_footprint-laser链路完整。现在缓慢地手动推动你的机器人在环境中行走或者用之前实现的键盘遥控尽量覆盖所有区域特别是环路。观察RVIZ2中的地图是否被逐渐绘制出来。常见问题与排查地图不更新或全是灰色检查/scan话题是否有数据ros2 topic echo /scan --once | head -5检查TF变换是否正确ros2 run tf2_ros tf2_echo map base_footprint看是否有数据以及位置是否随机器人移动而变化。如果odom到base_footprint的TF没有发布SLAM节点就无法知道机器人动了。这就是为什么我们需要里程计节点发布TF。检查SLAM节点的日志输出是否有错误。地图扭曲、重影这是里程计误差累积的典型表现。纯编码器里程计在打滑、地面不平时误差很大。解决方法是融合IMU数据使用robot_localization包通过扩展卡尔曼滤波EKF融合编码器和IMU数据得到更准确的odom数据。这是提升SLAM质量的关键一步。确保机器人推动或移动时速度平稳避免急加速和急转弯。回环检测失败地图无法闭合当机器人回到一个曾经到过的地方但地图出现错位无法对齐。可以尝试调整slam_toolbox参数文件中关于回环检测的参数如loop_search_distance,loop_match_threshold等。同时在回环区域让机器人多停留、缓慢转动给算法更多匹配时间。提高建图时环境的特征丰富度多一些桌椅、墙角等不规则物体。第一次成功构建出一张完整、准确的地图会非常有成就感。这张地图通常保存为PGM和YAML文件将是后续实现自动导航的基础。你可以使用map_saver工具保存地图# 安装 nav2_map_server如果尚未安装 sudo apt install ros-humble-nav2-map-server # 保存地图 ros2 run nav2_map_server map_saver_cli -f ~/my_first_map这将在你的家目录下生成my_first_map.pgm地图图像和my_first_map.yaml地图元数据两个文件。至此我们已经完成了自动导航HCR平台最基础、也是最核心的硬件集成、软件框架搭建、运动控制和环境感知SLAM建图部分。机器人现在已经具备了“感知环境”和“听从简单指挥运动”的能力。在下一篇文章中我们将以此为基础引入真正的“大脑”——导航栈Navigation2让机器人学会如何利用这张地图自主规划路径、避开动态障碍最终实现从A点到B点的全自动导航。我们会深入探讨代价地图Costmap、全局/局部规划器Planner、行为树Behavior Tree等核心概念并解决在实际部署中一定会遇到的定位漂移、路径规划失败、动态避障等棘手问题。