一、 实验背景与环境准备在 ROS 2 Humble 版本中我们利用TurtleBot3机器人完成从环境感知到自主决策的闭环实验。环境依赖ROS 2版本: Humble仿真插件: Gazebo, Rviz2机器人模型: Burger (或 Waffle)初始化环境变量核心步骤每次打开新终端务必先声明机器人模型否则会报错。exportTURTLEBOT3_MODELburgersource/opt/ros/humble/setup.bash二、 任务一SLAM 实时地图构建我们使用Cartographer算法进行同步定位与建图。1. 启动仿真世界ros2 launch turtlebot3_gazebo turtlebot3_world.launch.py2. 开启 SLAM 节点与 Rviz2 可视化# 新终端exportTURTLEBOT3_MODELburger ros2 launch turtlebot3_cartographer cartographer.launch.py use_sim_time:True3. 遥控小车扫描地图# 新终端ros2 run turtlebot3_teleop teleop_keyboard提示通过键盘控制小车在 Gazebo 慢慢走动直到 Rviz2 中的地图轮廓清晰、完整。4. 保存地图ros2 run nav2_map_server map_saver_cli-f~/my_map(这会生成my_map.yaml和my_map.pgm两个关键文件)三、 任务二自主导航 (Nav2) 部署基于上一步生成的地图让机器人实现“指哪走哪”。1. 启动导航堆栈# 关闭之前的 SLAM 终端保留 GazeboexportTURTLEBOT3_MODELburger ros2 launch turtlebot3_navigation2 navigation2.launch.py use_sim_time:True map:$HOME/my_map.yaml2. 初始化定位 (Initial Pose)在 Rviz2 顶部工具栏点击2D Pose Estimate在地图上标出机器人当前在 Gazebo 里的位置。3. 设定目标 (Nav2 Goal)点击Nav2 Goal在地图任意位置点击。机器人将自动规划出一条绿色全局路径并开始行驶。四、 任务三核心突破——导航算法参数动态调优这是博文的灵魂。我们将直接干预DWB (Dynamic Window Approach)局部规划器的决策过程。1. 查看实时参数列表导航运行时可以输入以下指令查看“大脑”里有哪些可以调的开关ros2 param list /controller_server2. 实验对比 A物理性能边界测试修改速度为了提高运输效率我们将机器人最高速度提升 50%# 实时生效无需重启ros2 paramset/controller_server FollowPath.max_vel_x0.3观察点小车冲刺明显变快但在急转弯处惯性增大。3. 实验对比 B算法偏好测试修改路径贴合权重在 DWB 算法中我们通过调整Critics (评分插件)来改变它的性格。我们希望它更死板地贴合全局规划线# 修改路径对齐评分权重ros2 paramset/controller_server FollowPath.PathAlign.scale50.0原理分析PathAlign.scale值越高机器人就越不敢偏离预设的绿线。成功反馈终端若显示Set parameter successful说明算法权重已实时重写。五、 实验总结2D 导航与 3D 环境的哲学虽然我们在Gazebo 三维仿真环境中运行但核心逻辑依然属于2D 导航输入2D 激光雷达的平面扫描数据。载体.pgm 格式的二维栅格地图。输出(vx,ω)(v_x, \omega)(vx​,ω)两个维度的运动指令。结论对于轮式机器人将 3D 世界投影到 2D 平面进行导航是最高效的工业级方案。通过本次实验我深刻理解了如何通过调整DWB 评分系统的权重在机器人的“效率”与“平稳度”之间找到平衡。 避坑贴士如果ros2 param set提示not declared请先运行ros2 param list确认你的参数完整路径不同版本的参数嵌套命名可能略有差异。确保use_sim_time:True否则 Rviz2 的时钟会与 Gazebo 脱节导致定位失败。希望这篇教程能帮到正在学习 ROS 2 的你欢迎在评论区交流。