ROS2 Nav2 移动机器人导航实机落地：从建图、Costmap 到恢复行为的调参记录

机器人老唐

10 days ago5 min1580 words120

做移动机器人这么多年，从 ROS1 的 move_base 一路迁到 ROS2 的 Nav2，最大的感受就是：在 Gazebo 仿真里跑通，大概只完成了整个项目的 20%。

真机一落地，轮子打滑、TF 抖动、激光穿透玻璃、狭窄走廊两边膨胀层打架导致规划不出路径、原地无休止旋转……这些坑一个都不会少。

今天把我们在差速底盘和阿克曼底盘上落地 Nav2（基于 ROS2 Humble）的实战调参经验理一遍。从建图、代价地图（Costmap）到控制器与恢复行为（Recovery Behaviors），尽量给可以直接抄作业的配置和排查方法。

1. 建图阶段（SLAM）：别让劣质地图毁了全局路径

很多人导航跑不好，第一反应是改 Nav2 的参数，其实根源在建图质量极差。激光雷达打在白墙上退化、里程计漂移导致地图重影，Nav2 的 Costmap 自然会被带偏。

1.1 硬件与 TF 树自检

在启动任何建图算法前，先用 tf2_ros 检查基准链条：

bash

ros2 run tf2_tools view_frames

确保 map -> odom -> base_link -> laser_link 之间没有断裂，且 odom -> base_link 的发布频率建议在 50Hz - 100Hz。如果里程计低于 20Hz，控制器在算速度输出时极容易抖动。

1.2 Slam Toolbox 关键参数

2D 室内场景目前首选 slam_toolbox 的异步模式（async_slam_toolbox_node）。真机实测中，这两个参数最影响闭环质量：

yaml

slam_toolbox:
  ros__parameters:
    # 激光雷达扫描匹配参数
    max_laser_range: 12.0          # 别盲目写 25m，室内雷达远距离噪点多，建议截断
    minimum_time_interval: 0.1     # 限制建图频率，降低 CPU 占用
    transform_timeout: 0.2
    tf_buffer_duration: 30.0
    
    # 回环检测灵敏度控制
    loop_search_maximum_distance: 3.0
    do_loop_closing: true
    loop_match_minimum_chain_size: 10
    loop_match_maximum_variance_coarse: 3.0
    loop_match_minimum_response_coarse: 0.35 # 提高阈值，防止把相似长走廊误识别为同一位置

避坑点：长走廊（特征缺失）场景下，单纯依靠激光匹配必崩。要么在长廊两边加反光板/障碍物打乱特征，要么融合轮速计与 IMU 的 EKF（robot_localization）输出的高精度 Odom。

2. Costmap（代价地图）：让机器人知道自己有多“胖”

Costmap 是 Nav2 最容易翻车的地方。不是“卡在窄门过不去”，就是“离墙还有半米就报规划失败”。

2.1 局部与全局代价地图的分工

Global Costmap：通常基于静态地图（Static Map）+ 膨胀层（Inflation Layer），更新频率建议 1.0Hz - 2.0Hz 即可，不需要频繁刷新，省算力。
Local Costmap：基于滚动窗口（rolling_window: true），依赖实时雷达/深度相机点云（Obstacle/Voxel Layer）+ 膨胀层，更新频率保持在 5.0Hz - 10.0Hz。

2.2 膨胀层（Inflation Layer）调参公式

很多人分不清 inflation_radius 和 cost_scaling_factor 的配合关系。

robot_radius 或 footprint：机器人的真实物理外廓（建议保守微调放大 2cm - 5cm 作为安全余量）。
inflation_radius：从障碍物边缘往外扩散的范围。必须大于机器人外接圆半径。
cost_scaling_factor：代价衰减指数。值越小，衰减越慢，障碍物周围高代价区越宽；值越大，衰减越陡峭。

配置示例（nav2_params.yaml 片段）：

yaml

local_costmap:
  local_costmap:
    ros__parameters:
      update_frequency: 5.0
      publish_frequency: 2.0
      global_frame: odom
      robot_base_frame: base_link
      use_roll: false
      rolling_window: true
      width: 4
      height: 4
      resolution: 0.05
      footprint: "[ [0.25, 0.20], [0.25, -0.20], [-0.25, -0.20], [-0.25, 0.20] ]"
      plugins: ["obstacle_layer", "inflation_layer"]

      obstacle_layer:
        plugin: "nav2_costmap_2d::ObstacleLayer"
        enabled: True
        observation_sources: scan
        scan:
          topic: /scan
          max_obstacle_height: 2.0
          clearing: True
          marking: True
          data_type: "LaserScan"
          raytrace_max_range: 3.0
          obstacle_max_range: 2.5

      inflation_layer:
        plugin: "nav2_costmap_2d::InflationLayer"
        cost_scaling_factor: 3.0   # 走廊狭窄时可以调大到 4.0~5.0，让通道中间代价迅速降为 0
        inflation_radius: 0.55     # 略大于机器人半径

避坑点：

鬼影残留：如果机器人移开后，动态障碍物还在代价地图上，检查 raytrace_max_range 和 obstacle_max_range。Raytrace 范围必须大于或等于 Obstacle 范围，否则穿过障碍物的光束无法执行 Clearing。
窄门死锁：若门宽 80cm，机器人宽 50cm，cost_scaling_factor 设置过低会导致门中央的代价值依然高于通行阈值，全局路径规划器直接放弃。此时应适当增加 cost_scaling_factor。

3. 控制器（Controller Server）：走直线抖、转弯冲怎么办

Nav2 目前主流的 Local Controller 有 DWB、TEB 和 MPPI。

DWB (Dynamic Window Approach)：适合差速、计算资源有限的工控机（如树莓派、RK3588），但比较呆板，狭窄空间绕行能力一般。
MPPI (Model Predictive Path Integral)：基于采样的模型预测控制，处理动态避障极其丝滑，但需要算力，建议有 GPU 或强劲 x86 CPU 时采用。

以真机最常用的 DWB 为例，抖动和过冲往往出在这几个评分插件（Critics）：

yaml

controller_server:
  ros__parameters:
    controller_plugins: ["FollowPath"]
    FollowPath:
      plugin: "dwb_core::DWBLocalPlanner"
      min_vel_x: 0.0
      max_vel_x: 0.4
      min_vel_theta: -1.0
      max_vel_theta: 1.0
      acc_lim_x: 0.8
      acc_lim_theta: 1.5
      decel_lim_x: -0.8
      decel_lim_theta: -1.5

      critics: ["RotateToGoal", "Oscillation", "BaseObstacle", "GoalAlign", "PathAlign", "PathDist", "GoalDist"]
      
      # 权重调优
      PathAlign.scale: 32.0       # 贴合全局路径的权重
      GoalAlign.scale: 24.0       # 朝向目标点的权重
      PathDist.scale: 32.0        # 距离路径的惩罚权重
      GoalDist.scale: 20.0        # 距离终点的引力
      BaseObstacle.scale: 0.02    # 碰撞代价权重，切忌设太大，否则靠近障碍物不敢走

踩坑记录：

到位后反复打转：目标容差（XY Goal Tolerance 和 Yaw Goal Tolerance）设得过严。差速底盘实测，室内场景建议 xy_goal_tolerance: 0.08（8cm），yaw_goal_tolerance: 0.1（约 5.7 度）。太小的话底盘会在目标点反复微调超调。

大角度转弯时突然急停：确保启用了 RotateToGoal 插件，并配置了合理的前置对齐阈值：

yaml

FollowPath:
  RotateToGoal.xy_goal_tolerance: 0.1
  RotateToGoal.trans_stopped_velocity: 0.05
  RotateToGoal.slowing_factor: 5.0
  RotateToGoal.lookahead_time: -1.0

4. 恢复行为与行为树（BT）：别让机器人卡成“木头人”

机器人遇到障碍物、被人挡住、或者进入死角时，Nav2 会触发恢复行为（在 ROS2 中被称为 Behaviors，由 Behavior Tree 调度）。

默认的 navigate_to_pose_w_replanning_and_recovery.xml 树往往过于机械：规划失败 -> 清理代价地图 -> 原地旋转 360 度 -> 倒退 -> 再次失败直接 Abort。

在工厂或办公区，原地旋转（Spin）非常容易扫落周围货物，甚至把雷达打盲。

4.1 调整恢复行为参数

在 behavior_server 中，把无脑自旋限制在安全范围内：

yaml

behavior_server:
  ros__parameters:
    costmap_topic: local_costmap/costmap_raw
    footprint_topic: local_costmap/published_footprint
    cycle_frequency: 10.0
    behavior_plugins: ["spin", "backup", "wait"]
    
    spin:
      plugin: "nav2_behaviors/Spin"
      simulate_ahead_time: 2.0
      max_rotational_vel: 0.4      # 降低旋转速度，真机急转容易滑移失步
      min_rotational_vel: 0.1
      rotational_acc_lim: 0.8
      
    backup:
      plugin: "nav2_behaviors/BackUp"
      simulate_ahead_time: 2.0
      backup_dist: 0.15            # 倒车距离不要太大，防止屁股撞墙
      backup_speed: 0.05           # 慢速蠕动倒车

4.2 自定义行为树逻辑

如果机器人经常被路过的人挡住，不要立刻触发 Spin。修改 Behavior Tree，插入 Wait 节点，让机器人先停在原地等待 2-3 秒，给人通过的时间：

xml

<RecoveryNode number_of_retries="3" name="NavigateRecovery">
    <PipelineSequence name="NavigateWithReplanning">
        <RateController hz="1.0">
            <ComputePathToPose goal="{goal}" path="{path}" planner_id="GridBased"/>
        </RateController>
        <FollowPath path="{path}" controller_id="FollowPath"/>
    </PipelineSequence>
    <ReactiveFallback name="RecoveryFallback">
        <GoalUpdated/>
        <RoundRobin name="RecoveryActions">
            <!-- 优先原地等待，通常人走开后路径就空了 -->
            <Wait wait_duration="2.0"/>
            <ClearEntireCostmap name="ClearLocalCostmap" service_name="local_costmap/clear_entirely_local_costmap"/>
            <BackUp backup_dist="0.10" backup_speed="0.05"/>
        </RoundRobin>
    </ReactiveFallback>
</RecoveryNode>

把默认的大动作旋转，替换为「停等 -> 清理残影 -> 小幅倒车」，真机运行的稳定性和安全性会大幅提升。

5. 真机落地 Checklist

遇到 Nav2 无法规划或行为异常，按以下顺序排查，能省下一大半抓瞎时间：

时钟同步（Chrono / NTP）：如果使用的是多机架构（比如上位机跑 Nav2，下位机工控机跑驱动），两台机器的时钟偏差必须小于 5ms，否则 TF 会大量报 Lookup would require extrapolation into the past。
激光雷达畸变：底盘快速移动时激光数据是否拉伸？如果有，必须开启驱动层的时间戳去畸变，或者降速建图。
话题频率诊断：
bash
```
ros2 topic hz /scan
ros2 topic hz /odom
```
检查实际发布频率是否稳定，有无丢包。
代价地图可视化：在 RViz2 中把 local_costmap/costmap 调出来，Color Scheme 选择 costmap。观察机器人足迹（Footprint）是否落在了非零甚至高代价的致命区域内。

导航系统的工程化落地没有灵丹妙药，本质就是把底盘物理特性、传感器噪点与上层规划器之间的数学假设一点点对齐。参数多不可怕，顺着数据流自底向上去理，坑总能填平。

#项目

#后端

#工具

#Linux

License: CC BY-NC 4.0

Updated 13 hours ago

Was this article helpful? Give it a like.

机器人老唐

0 followers

让机器人「看懂、想明白、动起来」——先把 ROS 栈跑稳。

View Profile

0 comments