简介：这份资源面向ROS入门与进阶学习者、机器人方向的学生及科研人员，提供一套基于Turtlebot2平台的室内自主导航机器人完整工程。系统围绕SLAM定位建图与路径规划展开，涵盖自动定位建图、手动建图、定点导航、固定线路巡航、算法切换与参数分析等模块，可用于课程设计、毕业项目或算法验证。压缩包共637个文件，约5.44MB，以C++源码（131个cpp、157个h）和Python脚本（22个py）实现核心算法，配合49个launch启动文件、65个xml配置、11个yaml与11个cfg参数文件，以及xacro、world、rviz、msg、srv等ROS工程文件，另含地图图像与说明文档，目录结构完整。已有282人学习下载。读者可据此复现建图与导航流程，理解SLAM、路径规划、避障与参数调优的实现细节，并借助算法切换模块对比不同策略效果，快速搭建可运行的室内导航实验环境。
1. 从一台吃灰的 Turtlebot2 说起：这套导航系统到底解决什么问题
实验室角落里那台 Turtlebot2 已经吃了半年灰，底盘是 Kobuki，上面架着 Kinect 或者 RPLIDAR，跑着 Ubuntu 和 ROS。很多人第一次接触它，都是想让它自己从工位走到会议室，中途绕开纸箱和椅子腿。这个标题讲的，就是把这件事拆成可落地的模块：SLAM 定位建图、路径规划、自动与手动建图切换、定点导航、固定线路巡航，以及算法切换和参数分析。它适合已经装好 ROS、手里有 Turtlebot2 或类似差速底盘、想从“遥控能动”走到“自己会走”的从业者。核心不是调一个包，而是理解建图、定位、规划、控制四层怎么串起来，以及什么时候该换算法、哪些参数一动就翻车。
2. SLAM 建图：从手动遥控到自动探索的完整链路
2.1 为什么 Turtlebot2 上优先用 gmapping 而不是 cartographer
Turtlebot2 的典型传感器配置是 2D 激光雷达加轮式里程计，算力通常是一台笔记本或 NUC。gmapping 基于粒子滤波，对 2D 激光和里程计融合得很成熟，建图时对 CPU 和内存的压力比 cartographer 小，参数也少。cartographer 在回环和大地图上有优势，但它需要较好的 IMU 和调参经验，Turtlebot2 上如果没有额外 IMU，跑起来容易在长走廊里漂。常见做法是先用 gmapping 把地图跑通，再考虑换 cartographer 做对比。选型时看三个点：传感器是不是 2D 激光、有没有 IMU、地图规模是否超过单层 200 平米。三个都偏简单，gmapping 足够。
2.2 手动建图：遥控走一圈的最小启动流程
手动建图是最稳的入门方式。先启动底盘和雷达，再启动 gmapping，最后用键盘或手柄遥控。下面是一组典型命令，按顺序在三个终端里执行。
# 终端1：启动 Turtlebot2 底盘 roslaunch turtlebot_bringup minimal.launch # 终端2：启动雷达（以 RPLIDAR 为例） roslaunch rplidar_ros rplidar.launch # 终端3：启动 gmapping 建图 roslaunch turtlebot_navigation gmapping_demo.launch # 终端4：键盘遥控 roslaunch turtlebot_teleop keyboard_teleop.launch逻辑说明：minimal.launch 负责加载 Kobuki 的驱动和里程计话题；雷达节点发布 /scan；gmapping_demo.launch 订阅 /scan 和 /odom，输出 /map 和 map 到 odom 的变换。遥控时速度不要超过 0.3 m/s，角速度不超过 0.8 rad/s，否则激光帧间匹配容易失败。建图完成后用 map_server 保存：
rosrun map_server map_saver -f ~/maps/lab_room参数说明：-f 后面是保存路径和文件名，会生成 lab_room.pgm 和 lab_room.yaml。yaml 里的 resolution 默认 0.05 米/像素，origin 是地图左下角在全局坐标里的位姿。如果发现地图边缘有重影，先检查雷达安装是否水平，再调 gmapping 的 particles 和 delta 参数。
2.3 自动建图：用 explore_lite 做前沿探索的配置与边界
自动建图的核心是让机器人自己找未探索区域。常用 explore_lite 包，它订阅 /map，计算前沿点，再通过 move_base 发目标。启动方式是在手动建图的基础上加一个探索节点：
roslaunch explore_lite explore.launch但直接跑往往不动，因为 explore_lite 依赖 move_base 已经配置好。需要先确认 costmap 的膨胀半径没有把门口堵死，再确认 global_planner 能规划到前沿点。自动建图适合空旷办公室，不适合狭窄走廊和动态人群。如果机器人反复在一个角落转圈，多半是前沿点被反复计算但目标不可达，此时把 explore_lite 的 min_frontier_size 调大，或者手动给一个中间点。
2.4 建图质量的三个硬指标：闭环、重影、边界
判断地图能不能用，看三点。第一，回到起点时墙体重合度，如果差超过两格，说明里程计漂了。第二，直线走廊有没有变成弧形，有弧形说明角速度标定不准。第三，地图边界是否闭合，没闭合的区域导航时会被当成障碍。建图不是越慢越好，速度太慢会导致粒子退化，速度太快会丢帧。我一般让机器人保持 0.2 m/s 左右，转弯时降到 0.1 m/s。
3. 定位与导航：AMCL、move_base 和定点巡航怎么接
3.1 AMCL 在已建地图上的定位参数怎么设
AMCL 是自适应蒙特卡洛定位，输入 /scan、/tf 和静态地图，输出 map 到 odom 的变换。启动导航时通常用 turtlebot_navigation 的 amcl_demo.launch：
roslaunch turtlebot_navigation amcl_demo.launch map_file:=/home/user/maps/lab_room.yaml关键参数在 amcl.launch 里。min_particles 默认 100，max_particles 默认 500，Turtlebot2 上可以保持。laser_max_range 要设成雷达实际量程，比如 RPLIDAR A1 是 5.5 米，设成 6 米会导致无效光束参与权重。初始位姿很重要，启动后在 RViz 里用 2D Pose Estimate 点一下，否则 AMCL 可能收敛到错误位置。如果机器人定位跳变，先看 /amcl_pose 的协方差，协方差大说明粒子发散，把 update_min_d 和 update_min_a 调小，让 AMCL 更频繁更新。
3.2 move_base 的全局与局部规划器选型：A*、DWA 和 TEB
move_base 是导航的核心，它有两个规划器：global_planner 和 local_planner。全局常用 navfn 或 global_planner，底层是 Dijkstra 或 A*。A* 在栅格地图上比 Dijkstra 快，但路径贴障碍物，需要配合膨胀半径。局部常用 dwa_local_planner 或 teb_local_planner。DWA 对差速底盘友好，参数少；TEB 能处理更复杂的运动学，但调参麻烦，Turtlebot2 上如果只是室内平地，DWA 足够。切换算法时改 move_base.launch 里的 base_global_planner 和 base_local_planner 参数即可。
<param name="base_global_planner" value="global_planner/GlobalPlanner"/> <param name="base_local_planner" value="dwa_local_planner/DWAPlannerROS"/>参数说明：GlobalPlanner 的 use_dijkstra 设为 false 就是 A*；DWAPlannerROS 的 max_vel_x 设 0.3，min_vel_x 设 0.0，acc_lim_x 设 0.5。如果机器人原地打转，检查 xy_goal_tolerance 和 yaw_goal_tolerance，太小会导致在目标点附近震荡。
3.3 定点导航：从 RViz 点目标到脚本发目标点
定点导航最简单的方式是在 RViz 里用 2D Nav Goal 点一下。但要做固定线路巡航，就得用脚本发目标。下面是一个 Python 脚本，依次发送三个航点。
import rospy import actionlib from move_base_msgs.msg import MoveBaseAction, MoveBaseGoal def send_goal(x, y, yaw): client = actionlib.SimpleActionClient('move_base', MoveBaseAction) client.wait_for_server() goal = MoveBaseGoal() goal.target_pose.header.frame_id = "map" goal.target_pose.header.stamp = rospy.Time.now() goal.target_pose.pose.position.x = x goal.target_pose.pose.position.y = y goal.target_pose.pose.orientation.w = yaw client.send_goal(goal) client.wait_for_result() return client.get_state() rospy.init_node('patrol') waypoints = [(1.0, 0.5, 1.0), (2.0, -1.0, 0.0), (0.0, 0.0, 1.0)] for wp in waypoints: state = send_goal(*wp) rospy.loginfo("waypoint state: %s", state)逻辑说明：每个航点用 MoveBaseGoal 封装，frame_id 必须是 map，orientation.w 这里简化成 1.0 表示不指定朝向，实际使用要算四元数。参数说明：wait_for_result 会阻塞直到到达或失败，state 为 3 表示成功。如果某个航点一直失败，先看 move_base 的 global costmap 里该点是不是在障碍物膨胀层里。
3.4 固定线路巡航：航点循环与异常恢复
固定线路巡航就是把上面的航点列表循环执行，加上异常处理。常见做法是维护一个索引，到达后延时几秒去下一个，失败则重试两次，再失败就跳过并记录。巡航时不要用太高的速度，Turtlebot2 的底盘在 0.3 m/s 以上转弯容易打滑，里程计误差会累积。如果巡航路线经过门口，建议在航点之间加中间点，避免全局规划器贴着门框走。
4. 避坑与排查：Turtlebot2 导航里最容易翻车的五件事
4.1 现象：建图时地图突然错位，墙体出现双层
原因：里程计标定不准，或者雷达安装角度偏了。Turtlebot2 的轮子直径和轮距在 Kobuki 出厂时固定，但长时间使用后轮胎磨损会改变实际直径。解决：用 rosrun turtlebot_calibration 做里程计标定，或者手动改 turtlebot_bringup 里的 wheel_diameter 和 wheel_separation。雷达要用水平仪确认，倾斜超过 2 度就会导致激光扫描面切到地面或天花板。
4.2 现象：AMCL 定位在长走廊里跳到隔壁走廊
原因：长走廊里激光特征重复，AMCL 的粒子无法区分相似环境。解决：在走廊里贴一些不同形状的标记，或者启用 AMCL 的 likelihood_field 模型，把 laser_likelihood_max_dist 调小。更稳的做法是加一个 IMU，用 robot_localization 做融合。
4.3 现象：move_base 规划出的路径贴着墙，机器人蹭墙走
原因：全局代价地图的膨胀半径太小，或者 A* 的启发式权重太大导致路径贴障碍。解决：把 inflation_radius 从默认 0.55 调到 0.7 左右，cost_scaling_factor 调小。如果用的是 global_planner，把 use_grid_path 设为 true，让路径沿栅格中心走。
4.4 现象：机器人到达目标点附近开始左右摇摆
原因：局部规划器的 xy_goal_tolerance 和 yaw_goal_tolerance 设置不匹配，或者 DWA 的 sim_time 太短。解决：把 xy_goal_tolerance 设 0.1，yaw_goal_tolerance 设 0.1，sim_time 从 1.0 调到 1.5。如果还摇，检查 odom 的角速度噪声，把 min_vel_theta 设成 0.1 以上，避免零速附近震荡。
4.5 现象：自动建图时机器人卡在桌子腿之间反复转圈
原因：explore_lite 的前沿点被桌子腿分割成小区域，机器人试图探索但路径被堵。解决：把 costmap 的 obstacle_range 调小，或者手动在 RViz 里给一个远离桌子的目标点。更根本的办法是先用手动建图把桌子区域建完，再开自动探索。
5. 参数分析与算法切换：把导航从能用调到好用
5.1 用 rqt_reconfigure 在线调 move_base 参数
move_base 的大部分参数支持动态重配置。启动导航后运行：
rosrun rqt_reconfigure rqt_reconfigure在左侧选 move_base，可以实时改 max_vel_x、inflation_radius、xy_goal_tolerance 等。调参时先改全局代价地图的膨胀半径，再改局部规划器的速度限制，最后改目标容差。每次只改一个，观察 RViz 里的路径和机器人行为。如果改完没反应，检查参数是不是被 launch 文件里的固定值覆盖了。
5.2 全局规划器切换：A* 与 Dijkstra 的实际差异
在 global_planner 里，use_dijkstra 为 true 是 Dijkstra，为 false 是 A*。Dijkstra 会向所有方向均匀扩展，路径更平滑但计算量大；A* 用启发式函数，搜索更快但路径可能贴障碍。室内小场景两者差别不大，大地图里 A* 明显快。如果发现 A* 路径太贴墙，把 default_tolerance 调大，或者改用 Dijkstra。切换后不需要重启，但建议重启 move_base 确保参数生效。
5.3 局部规划器切换：DWA 与 TEB 的适用边界
DWA 适合差速底盘、低速、静态环境。TEB 适合阿克曼或全向底盘、动态环境、需要精确跟踪路径的场景。Turtlebot2 上换 TEB 需要改 base_local_planner 为 teb_local_planner/TebLocalPlannerROS，并配置 teb 的参数文件。TEB 的 min_obstacle_dist 和 inflation_dist 很关键，设太小会蹭障碍，设太大会卡在窄道。如果机器人频繁减速，把 max_vel_x 和 max_vel_theta 适当降低，让 TEB 有更多时间优化。
5.4 用 rosbag 回放做参数对比验证
调参不能只靠感觉。把一次导航的 /scan、/odom、/cmd_vel、/move_base/global_plan 录成 bag：
rosbag record /scan /odom /cmd_vel /move_base/global_plan /move_base/local_plan然后回放 bag，用不同参数跑同一段数据，对比路径长度、到达时间、最大速度。回放时注意关掉真实机器人，用 rosbag play --clock 并设置 use_sim_time。这样能在不碰硬件的情况下验证参数改动是否真的有效。我一般会录三组：空载、载物、有人走动，分别调出三套参数，再取折中。
5.5 一个具体技巧：用代价地图的膨胀层做软约束
很多人把膨胀半径当成硬障碍，其实 cost_scaling_factor 控制的是代价衰减速度。把 inflation_radius 设 0.8，cost_scaling_factor 设 3.0，机器人会倾向于走远离墙的中间路线，但不会完全避开窄道。这个组合在 Turtlebot2 上跑办公室走廊很稳。如果走廊宽度小于 1.2 米，把 inflation_radius 降到 0.6，否则全局规划器会认为无路可走。调完记得保存 yaml，下次启动直接加载。
我自己的习惯是每次改完参数先跑三圈定点导航，再用 rosbag 回放一次，确认没有引入新的震荡。导航这件事没有一劳永逸的参数，只有针对当前场地和任务调出来的平衡点。希望帮到你。
本文还有配套的精品资源，点击获取
