设置传感器

在本指南中，我们将讨论传感器在安全导航机器人中的重要性以及如何在Nav2中设置传感器。在本教程的前半部分，我们将简要介绍Nav2中常用的传感器和常见的传感器消息。接下来，我们将在先前构建的仿真机器人``sam_bot``上添加基本的传感器设置。最后，我们将通过在RViz中可视化它们来验证``sam_bot``的模拟传感器消息。

一旦在机器人上设置了传感器，它们的读数可以用于地图创建、定位和感知任务。在本指南的后半部分，我们首先讨论了地图创建和定位如何使用传感器数据。然后，我们还将介绍 Nav2 的一个软件包 nav2_costmap_2d，该软件包生成的代价图最终将用于 Nav2 的路径规划。我们将设置该软件包的基本配置参数，以便它能正确地接收来自 sam_bot 的传感器信息。最后，我们在 RViz 中可视化生成的代价图，以验证其接收到的数据。

传感器介绍

移动机器人配备了许多传感器，使其能够观察和感知环境。这些传感器获取的信息可以用于构建和维护环境地图，将机器人定位在地图上，并查看环境中的障碍物。这些任务对于能够在动态环境中安全、高效地导航机器人非常重要。

常用传感器的示例包括激光雷达、雷达、RGB相机、深度相机、IMU和GPS。为了标准化这些传感器的消息格式并方便不同厂商之间的互操作，ROS提供了``sensor_msgs``包，定义了常用的传感器接口。这也使用户可以使用任何遵循``sensor_msgs``标准格式的传感器供应商。在下一小节中，我们介绍了导航中常用的一些消息，即``sensor_msgs/LaserScan``、sensor_msgs/PointCloud2、sensor_msgs/Range``和``sensor_msgs/Image。

除了 sensor_msgs 软件包，还有一些标准接口需要您了解，例如 radar_msgs 和 vision_msgs。radar_msgs 定义了用于雷达特定传感器的消息，而 vision_msgs 软件包定义了计算机视觉中使用的消息，例如目标检测、分割和其他机器学习模型。该软件包支持的消息类型包括 vision_msgs/Classification2D、vision_msgs/Classification3D、vision_msgs/Detection2D 和 vision_msgs/Detection3D，等等。

参见

有关更多信息，请参阅`sensor_msgs <http://wiki.ros.org/sensor_msgs>`_、`radar_msgs <http://wiki.ros.org/radar_msgs>`_和`vision_msgs <http://wiki.ros.org/vision_msgs>`_的API文档。

您的物理机器人的传感器可能已经为它们编写了 ROS 驱动程序（例如连接到传感器的 ROS 节点，将数据填充到消息中，并将其发布供机器人使用），这些驱动程序遵循 sensor_msgs 软件包中的标准接口。sensor_msgs 软件包使您能够轻松地使用来自不同制造商的许多不同传感器。然后，像 Nav2 这样的通用软件包可以读取这些标准化的消息，并执行与传感器硬件无关的任务。在诸如 sam_bot 的仿真机器人上，Gazebo 还具有传感器插件，这些插件也会按照 sensor_msgs 软件包发布它们的信息。

常用传感器消息

在本小节中，我们讨论了在设置 Nav2 时可能遇到的一些常见类型的 sensor_msgs。我们将为每个传感器提供简要描述，在 Gazebo 中模拟其图像以及在 RViz 中对传感器

注解

除了下面列出的类型之外，还有其他类型的``sensor_msgs``。完整的消息列表及其定义可以在 sensor_msgs 文档 中找到。

sensor_msgs/LaserScan

这个消息表示来自平面激光测距仪的单个扫描。这个消息在``slam_toolbox``和``nav2_amcl``中用于定位和建图，或在``nav2_costmap_2d``中用于感知。

sensor_msgs/PointCloud2

这个消息包含一组3D点，以及每个点的可选附加信息。这可以来自3D激光雷达、2D激光雷达、深度相机或其他设备。

sensor_msgs/Range

这是来自发射能量并报告沿测距的弧线上有效测距的主动测距仪的单个测距读数。声纳、红外传感器或1D测距仪是使用这个消息的传感器的示例。

sensor_msgs/Image

这表示来自RGB或深度相机的传感器读数，对应于RGB或深度值。

使用Gazebo模拟传感器

为了让您更好地了解如何在模拟机器人上设置传感器，我们将在之前的教程基础上为我们的模拟机器人``sam_bot``添加传感器。与之前的教程类似，在``sam_bot``上使用Gazebo插件添加里程计传感器，我们将使用Gazebo插件来模拟``sam_bot``上的激光雷达传感器和深度相机。如果您正在使用实际机器人，设置URDF框架时仍然需要执行大部分这些步骤，而且添加Gazebo插件以备将来使用也是有好处的。

为了能够跟随本节的其余部分，请确保您已正确安装了Gazebo。您可以按照先前教程中的“设置和先决条件 <https://navigation.ros.org/setup_guides/odom/setup_odom.html#setup-and-prerequisites>`_的说明来设置Gazebo。

向 URDF 添加 Gazebo 插件

首先让我们为``sam_bot``添加一个激光雷达传感器。打开URDF文件 src/description/sam_bot_description.urdf，并将以下行粘贴到``</robot>``标记之前。

<link name="lidar_link">
  <inertial>
    <origin xyz="0 0 0" rpy="0 0 0"/>
    <mass value="0.125"/>
    <inertia ixx="0.001"  ixy="0"  ixz="0" iyy="0.001" iyz="0" izz="0.001" />
  </inertial>

  <collision>
    <origin xyz="0 0 0" rpy="0 0 0"/>
    <geometry>
       <cylinder radius="0.0508" length="0.055"/>
    </geometry>
  </collision>

  <visual>
    <origin xyz="0 0 0" rpy="0 0 0"/>
    <geometry>
       <cylinder radius="0.0508" length="0.055"/>
    </geometry>
  </visual>
</link>

<joint name="lidar_joint" type="fixed">
  <parent link="base_link"/>
  <child link="lidar_link"/>
  <origin xyz="0 0 0.12" rpy="0 0 0"/>
</joint>

<gazebo reference="lidar_link">
  <sensor name="lidar" type="ray">
    <always_on>true</always_on>
    <visualize>true</visualize>
    <update_rate>5</update_rate>
    <ray>
      <scan>
        <horizontal>
          <samples>360</samples>
          <resolution>1.000000</resolution>
          <min_angle>0.000000</min_angle>
          <max_angle>6.280000</max_angle>
        </horizontal>
      </scan>
      <range>
        <min>0.120000</min>
        <max>3.5</max>
        <resolution>0.015000</resolution>
      </range>
      <noise>
        <type>gaussian</type>
        <mean>0.0</mean>
        <stddev>0.01</stddev>
      </noise>
    </ray>
    <plugin name="scan" filename="libgazebo_ros_ray_sensor.so">
      <ros>
        <remapping>~/out:=scan</remapping>
      </ros>
      <output_type>sensor_msgs/LaserScan</output_type>
      <frame_name>lidar_link</frame_name>
    </plugin>
  </sensor>
</gazebo>

在上面的代码片段中，我们创建了一个名为``lidar_link``的链接，它将被``gazebo_ros_ray_sensor``插件引用为附加传感器的位置。我们还设置了模拟激光雷达的扫描和范围属性的值。最后，我们将``/scan``设置为它将发布``sensor_msgs/LaserScan``消息的主题。

接下来，让我们给``sam_bot``添加一个深度摄像头。在激光雷达传感器的``</gazebo>``标签之后，粘贴以下几行代码。

<link name="camera_link">
  <visual>
    <origin xyz="0 0 0" rpy="0 0 0"/>
    <geometry>
      <box size="0.015 0.130 0.022"/>
    </geometry>
  </visual>

  <collision>
    <origin xyz="0 0 0" rpy="0 0 0"/>
    <geometry>
      <box size="0.015 0.130 0.022"/>
    </geometry>
  </collision>

  <inertial>
    <origin xyz="0 0 0" rpy="0 0 0"/>
    <mass value="0.035"/>
    <inertia ixx="0.001"  ixy="0"  ixz="0" iyy="0.001" iyz="0" izz="0.001" />
  </inertial>
</link>

<joint name="camera_joint" type="fixed">
  <parent link="base_link"/>
  <child link="camera_link"/>
  <origin xyz="0.215 0 0.05" rpy="0 0 0"/>
</joint>

<link name="camera_depth_frame"/>

<joint name="camera_depth_joint" type="fixed">
  <origin xyz="0 0 0" rpy="${-pi/2} 0 ${-pi/2}"/>
  <parent link="camera_link"/>
  <child link="camera_depth_frame"/>
</joint>

<gazebo reference="camera_link">
  <sensor name="depth_camera" type="depth">
    <visualize>true</visualize>
    <update_rate>30.0</update_rate>
    <camera name="camera">
      <horizontal_fov>1.047198</horizontal_fov>
      <image>
        <width>640</width>
        <height>480</height>
        <format>R8G8B8</format>
      </image>
      <clip>
        <near>0.05</near>
        <far>3</far>
      </clip>
    </camera>
    <plugin name="depth_camera_controller" filename="libgazebo_ros_camera.so">
      <baseline>0.2</baseline>
      <alwaysOn>true</alwaysOn>
      <updateRate>0.0</updateRate>
      <frame_name>camera_depth_frame</frame_name>
      <pointCloudCutoff>0.5</pointCloudCutoff>
      <pointCloudCutoffMax>3.0</pointCloudCutoffMax>
      <distortionK1>0</distortionK1>
      <distortionK2>0</distortionK2>
      <distortionK3>0</distortionK3>
      <distortionT1>0</distortionT1>
      <distortionT2>0</distortionT2>
      <CxPrime>0</CxPrime>
      <Cx>0</Cx>
      <Cy>0</Cy>
      <focalLength>0</focalLength>
      <hackBaseline>0</hackBaseline>
    </plugin>
  </sensor>
</gazebo>

与激光雷达传感器类似，我们创建``camera_link``，它将被``gazebo_ros_camera``插件引用作为传感器的连接位置。我们还创建一个``camera_depth_frame``，将其附加到``camera_link``上，并将其设置为深度相机插件的``<frame_name>``。我们还配置插件，使其分别将``sensor_msgs/Image``和``sensor_msgs/PointCloud2``消息发布到``/depth_camera/image_raw``和``/depth_camera/points``主题。最后，我们还为深度相机设置了其他基本配置属性。

启动和构建文件

为了验证传感器是否正确设置，并且能够在我们的环境中看到物体，让我们在带有物体的 Gazebo 世界中启动``sam_bot``。我们创建一个 Gazebo 世界，里面有一个立方体和一个球体，它们在``sam_bot``的传感器范围内，这样我们可以验证它是否能够正确地看到这些物体。

要创建世界，首先在项目的根目录下创建一个名为``world``的目录，并在``world``文件夹中创建一个名为``my_world.sdf``的文件。然后复制 world/my_world.sdf 的内容，并将其粘贴到``my_world.sdf``中。

现在，让我们编辑我们的启动文件 launch/display.launch.py，以启动包含我们刚刚创建的世界的 Gazebo。首先，在``generate_launch_description()``中添加``my_world.sdf``的路径，添加以下几行代码：

world_path=os.path.join(pkg_share, 'world/my_world.sdf'),

最后，在以下位置的``launch.actions.ExecuteProcess(cmd=['gazebo',...``行中添加世界路径，如下所示。

launch.actions.ExecuteProcess(cmd=['gazebo', '--verbose', '-s', 'libgazebo_ros_init.so', '-s', 'libgazebo_ros_factory.so', world_path], output='screen'),

我们还需要在``CMakeLists.txt``文件中添加``world``目录。打开 CmakeLists.txt，并在 install(DIRECTORY...) 中添加``world``目录，如下面的代码片段所示。

install(
  DIRECTORY src launch rviz config world
  DESTINATION share/${PROJECT_NAME}
)

构建、运行和验证

现在，我们可以构建和运行项目。转到项目的根目录，并执行以下命令：

colcon build
. install/setup.bash
ros2 launch sam_bot_description display.launch.py

然后，RViz 和 Gazebo 将同时启动，sam_bot``将存在于两者中。在 Gazebo 窗口中，我们创建的世界应该会被加载，``sam_bot``也应该会在该世界中生成。您现在应该能够观察到具有 360 度激光雷达传感器和深度摄像头的``sam_bot，如下图所示。

在RViz窗口中，我们可以验证是否正确建模了传感器，并且新添加的传感器的变换是否正确：

最后，我们还可以在 RViz 中可视化传感器读数。要可视化发布在``/scan``话题上的``sensor_msgs/LaserScan``消息，请在 RViz 窗口底部的添加按钮上点击。然后进入``By topic``选项卡，并在``/scan``下选择``LaserScan``选项，如下所示。

接下来，在RViz中将``Reliability Policy``设置为``Best Effort``，并将``size``设置为0.1，以使点更清晰可见。您应该可以看到如下所示的可视化``LaserScan``检测结果。这对应于我们在Gazebo世界中添加的立方体和球体的检测结果。

要可视化``sensor_msgs/Image``和``sensor_msgs/PointCloud2``，请分别对``/depth_camera/image_raw``和``/depth_camera/points``话题执行相同的操作：

在RViz中添加``/depth_camera/image_raw``主题后，将RViz中的``Reliability Policy``设置为``Best Effort``。然后，您应该在RViz窗口左下方的图像窗口中看到立方体，如下所示。

你还应该查看下面显示的``sensor_msgs/PointCloud2``。

建图与定位

现在我们已经有了一个设置好传感器的机器人，我们可以利用获取到的传感器信息来构建环境地图，并在地图上对机器人进行定位。slam_toolbox``软件包是ROS2中用于二维同时定位与地图构建（SLAM）的一组工具和功能，可以在潜在的大型地图上进行SLAM。它也是Nav2中官方支持的SLAM库之一，我们建议在需要在机器人设置中使用SLAM时使用该软件包。除了``slam_toolbox，定位还可以通过``nav2_amcl``软件包实现。该软件包实现了自适应蒙特卡洛定位（AMCL），用于估计机器人在地图中的位置和方向。其他技术也可能可用，请查阅Nav2文档以获取更多信息。

slam_toolbox``和``nav2_amcl``都使用激光扫描传感器的信息来感知机器人的环境。因此，为了验证它们能否访问激光扫描传感器的读数，我们必须确保它们订阅了正确的话题来发布``sensor_msgs/LaserScan``消息。这可以通过将它们的``scan_topic``参数设置为发布该消息的话题来配置。通常，将``sensor_msgs/LaserScan``消息发布到/scan``话题是一种约定。因此，默认情况下，scan_topic``参数被设置为/scan``。回想一下，在前面的部分中，当我们向``sam_bot``添加激光雷达传感器时，我们将话题设置为激光雷达传感器将发布``sensor_msgs/LaserScan``消息的话题为``/scan``。

我们的教程将不会对完整的配置参数进行深入讨论，因为它们可能相当复杂。相反，我们建议您查看下面的官方文档链接。

参见

有关``slam_toolbox``的完整配置参数列表，请参阅 slam_toolbox的Github存储库。

要获取``nav2_amcl``的完整配置参数列表和示例配置，请参阅`AMCL配置指南<https://navigation.ros.org/configuration/packages/configuring-amcl.html>`_。

您还可以参考`(SLAM) Navigating While Mapping guide <https://navigation.ros.org/tutorials/docs/navigation2_with_slam.html>`_以了解如何使用带有SLAM的Nav2的教程。您可以通过在RViz中可视化地图和机器人的姿态来验证是否已正确设置``slam_toolbox``和``nav2_amcl``，类似于前面的部分所示。

二维代价地图

Costmap 2D软件包利用传感器信息以占用格网的形式提供机器人环境的表示。占用格网中的单元格存储了0-254之间的代表通过这些区域的成本值。成本为0表示该单元格为空闲，而成本为254表示该单元格被严重占用。这些极值之间的值被导航算法用作潜在场的障碍物，用于引导机器人避开障碍物。Nav2中的Costmap通过``nav2_costmap_2d``软件包实现。

代价地图的实现包含多个图层，每个图层都有一定的功能，对单元格的整体代价做出贡献。该软件包包括以下图层，但也支持插件扩展以允许自定义和使用新图层：静态图层、膨胀图层、范围图层、障碍图层和体素图层。静态图层表示代价地图的地图部分，从``/map``话题发布的消息中获取，这些消息类似于SLAM生成的消息。障碍图层包括由发布``LaserScan``和``PointCloud2``消息的传感器检测到的对象。体素图层与障碍图层类似，它可以使用``LaserScan``和``PointCloud2``传感器信息的任一或两者，但处理的是3D数据。范围图层允许包含声纳和红外传感器提供的信息。最后，膨胀图层表示围绕致命障碍物添加的代价值，以使我们的机器人避免由于机器人的几何形状而导

层通过插件接口集成到Costmap中，如果启用了膨胀层，则使用用户指定的`膨胀半径<http://wiki.ros.org/costmap_2d/hydro/inflation>`_进行膨胀。要深入讨论Costmap概念，您可以查看`ROS1 costmap_2D文档<http://wiki.ros.org/costmap_2d>`_。请注意，``nav2_costmap_2d``软件包基本上是ROS1导航堆栈版本的直接转换到ROS2的版本，并进行了一些针对ROS2支持所需的小修改和一些新的层插件。

配置 nav2_costmap_2d

在本小节中，我们将展示一个``na

global_costmap:
  global_costmap:
    ros__parameters:
      update_frequency: 1.0
      publish_frequency: 1.0
      global_frame: map
      robot_base_frame: base_link
      use_sim_time: True
      robot_radius: 0.22
      resolution: 0.05
      track_unknown_space: false
      rolling_window: false
      plugins: ["static_layer", "obstacle_layer", "inflation_layer"]
      static_layer:
        plugin: "nav2_costmap_2d::StaticLayer"
        map_subscribe_transient_local: True
      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
          raytrace_min_range: 0.0
          obstacle_max_range: 2.5
          obstacle_min_range: 0.0
      inflation_layer:
        plugin: "nav2_costmap_2d::InflationLayer"
        cost_scaling_factor: 3.0
        inflation_radius: 0.55
      always_send_full_costmap: True

local_costmap:
  local_costmap:
    ros__parameters:
      update_frequency: 5.0
      publish_frequency: 2.0
      global_frame: odom
      robot_base_frame: base_link
      use_sim_time: True
      rolling_window: true
      width: 3
      height: 3
      resolution: 0.05
      robot_radius: 0.22
      plugins: ["voxel_layer", "inflation_layer"]
      voxel_layer:
        plugin: "nav2_costmap_2d::VoxelLayer"
        enabled: True
        publish_voxel_map: True
        origin_z: 0.0
        z_resolution: 0.05
        z_voxels: 16
        max_obstacle_height: 2.0
        mark_threshold: 0
        observation_sources: scan
        scan:
          topic: /scan
          max_obstacle_height: 2.0
          clearing: True
          marking: True
          data_type: "LaserScan"
      inflation_layer:
        plugin: "nav2_costmap_2d::InflationLayer"
        cost_scaling_factor: 3.0
        inflation_radius: 0.55
      always_send_full_costmap: True

在上面的配置中，请注意我们为两个不同的costmap设置了参数：global_costmap 和 local_costmap。我们设置了两个costmap，因为 global_costmap 主要用于整个地图的长期规划，而 local_costmap 用于短期规划和避免碰撞。

我们在``plugins``参数中定义了用于配置的层，如第13行所示的``global_costmap``和第50行所示的``local_costmap``。这些值被设置为一个映射层名称的列表，这些层名称也充当我们从第14行和第51行开始设置的层参数的命名空间。请注意，此列表中的每个层/命名空间必须具有``plugin``参数（如第15、18、32、52和68行所示），以定义要为该特定层加载的插件类型。

对于静态层（第14-16行），我们将 map_subscribe_transient_local 参数设置为 True。这为地图主题设置了 QoS 设置。静态层的另一个重要参数是 map_topic，它定义了要订阅的地图主题。当未定义时，默认为 /map 主题。

对于障碍物层（17-30行），我们在``observation_sources``参数（第20行）下定义了其传感器来源，如``scan``，其参数设置在22-30行。我们将其``topic``参数设置为发布定义的传感器来源的主题，并根据其将使用的传感器来源设置``data_type``。在我们的配置中，障碍物层将使用由激光雷达传感器发布到``/scan``的``LaserScan``。

请注意，障碍层和体素层可以使用 LaserScan 和 PointCloud2 中的一个或两个作为它们的 data_type，但默认设置为 LaserScan。下面的代码片段显示了同时使用 LaserScan 和 PointCloud2 作为传感器源的示例。当设置自己的物理机器人时，这可能特别有用。

obstacle_layer:
  plugin: "nav2_costmap_2d::ObstacleLayer"
  enabled: True
  observation_sources: scan pointcloud
  scan:
    topic: /scan
    data_type: "LaserScan"
  pointcloud:
    topic: /depth_camera/points
    data_type: "PointCloud2"

对于障碍物层的其他参数，``max_obstacle_height``参数设置将传感器读数的最大高度返回到占用网格。可以使用``min_obstacle_height``参数设置传感器读数的最小高度，默认为0，因为我们在配置中未设置它。``clearing``参数用于设置是否从代价地图中清除障碍物。通过对网格进行光线追踪，可以执行清除操作。分别使用``raytrace_max_range``和``raytrace_min_range``设置从代价地图中清除对象的最大和最小范围。``marking``参数用于设置是否将插入的障碍物标记到代价地图中。我们还通过``obstacle_max_range``和``obstacle_min_range``分别设置了标记代价地图中障碍物的最大和最小范围。

对于膨胀层（第31-34行和67-70行），我们使用 cost_scaling_factor 参数设置膨胀半径上的指数衰减因子。通过 inflation_radius 参数定义了在致命障碍物周围膨胀的半径值。

对于体素层（51-66行），我们将``publish_voxel_map``参数设置为``True``以启用发布3D体素网格。高度方向上的体素分辨率由``z_resolution``参数定义，而每列中的体素数量由``z_voxels``参数定义。mark_threshold``参数设置将列中的最小体素数标记为在占用网格中占用。我们将体素层的``observation_sources``参数设置为``scan，并且我们设置了与我们讨论的障碍物层类似的扫描参数（在61-66行）。根据其``topic``和``data_type``参数的定义，体素层将使用由激光扫描仪在``/scan``主题上发布的``LaserScan``。

请注意，我们的配置中没有使用范围层，但在你自己的机器人设置中可能会有用。范围层的基本参数是 topics、input_sensor_type 和 clear_on_max_reading。要订阅的范围主题在 topics 参数中定义。input_sensor_type 设置为 ALL、VARIABLE 或 FIXED。clear_on_max_reading 是一个布尔参数，用于设置是否在达到最大范围时清除传感器读数。如果需要设置它，请查看下面链接中的配置指南。

参见

有关``nav2_costmap_2d``和层插件参数的完整列表

构建、运行和验证

我们首先启动 display.launch.py，它启动机器人状态发布器，在我们的 URDF 中提供了 base_link => sensors 的变换。它还启动了作为物理模拟器的 Gazebo，并提供了从差动驱动插件获取的 odom => base_link，我们在前一个指南中为 sam_bot 添加了该插件，具体内容请参见`使用 Gazebo 模拟里程计系统 <https://navigation.ros.org/setup_guides/odom/setup_odom.html#simulating-an-odometry-system-using-gazebo>`_。它还启动了 RViz，我们可以使用它来可视化机器人和传感器信息。

接下来我们将启动``slam_toolbox``，发布到``/map``话题，并提供``map`` => odom``的变换。请记住，``map => odom``的变换是Nav2系统的主要要求之一。在/map``话题上发布的消息将由``global_costmap``的静态层使用。

在正确设置机器人描述、里程计传感器和必要的转换之后，我们将最终启动Nav2系统本身。目前，我们只会探索Nav2的代价地图生成系统。在启动Nav2之后，我们将在RViz中可视化代价地图，以确认我们的输出。

启动描述节点、RViz和Gazebo

现在让我们通过启动文件“display.launch.py”启动机器人描述节点、RViz和Gazebo。打开一个新终端并执行下面的命令。

colcon build
. install/setup.bash
ros2 launch sam_bot_description display.launch.py

现在应该启动了RViz和Gazebo，并且``sam_bot``同时出现在两者中。请记住，base_link => sensors``的变换现在由``robot_state_publisher``发布，而``odom => ``base_link``的变换由我们的Gazebo插件发布。在RViz中，这两个变换现在都应该显示正常，没有错误。

启动slam_toolbox

要能够启动``slam_toolbox``，请确保您已经通过执行以下命令安装了``slam_toolbox``软件包：

sudo apt install ros-<ros2-distro>-slam-toolbox

我们将使用该软件包内置的启动文件启动``slam_toolbox``的``async_slam_toolbox_node``。打开一个新终端，然后执行以下命令：

ros2 launch slam_toolbox online_async_launch.py

slam_toolbox``现在应该正在发布到/map``话题并提供``map`` => ``odom``的变换。

我们可以在RViz中验证``/map``主题是否正在发布。在RViz窗口中，点击左下角的添加按钮，然后转到“按主题”选项卡，选择``/map``主题下的``Map``。您应该能够在下面的图像中可视化接收到的``/map``消息。

我们还可以通过在新终端中执行以下命令来检查变换是否正确：

ros2 run tf2_tools view_frames.py

注意：对于Galactic及更新版本，应为``view_frames``而不是``view_frames.py``。上面的命令将创建一个显示当前变换树的``frames.pdf``文件。您的变换树应该类似于下面显示的树：

启动Nav2

首先，确保您已经安装了Nav2软件包，执行以下命令：

sudo apt install ros-<ros2-distro>-navigation2
sudo apt install ros-<ros2-distro>-nav2-bringup

我们将使用``nav2_bringup``的内置launch文件``navigation_launch.py``来启动Nav2。打开一个新的终端并执行以下命令：

ros2 launch nav2_bringup navigation_launch.py

请注意，在前一小节中讨论的``nav2_costmap_2d``的参数已包含在``navigation_launch.py``的默认参数中。除了``nav2_costmap_2d``参数外，它还包含了Nav2实现中其他节点的参数。

在我们正确设置和启动Nav2之后，/global_costmap``和/local_costmap``话题现在应该是活动的。

注解

要显示成本地图，请按以下顺序运行这3个命令：

1. 启动Description节点、RViz和Gazebo-在日志中等待"Connected to gazebo master"

2. 启动 slam_toolbox - 在日志中等待"Registering sensor"

3. 启动Nav2-在日志中等待"Creating bond timer"

在RViz中可视化成本地图

可以在RViz中可视化``global_costmap``、``local_costmap``和检测到的障碍物的体素表示。

要在RViz中可视化``global_costmap``，请单击RViz窗口左下角的添加按钮。转到``By topic``选项卡，然后在``/global_costmap/costmap``主题下选择``Map``。``global_costmap``应显示在RViz窗口中，如下所示。``global_costmap``显示了我们的机器人在Gazebo中导航我们的模拟世界时应避免的区域（黑色）。

要在RViz中可视化``local_costmap``，请在``/local_costmap/costmap``话题下选择``Map``。在RViz中将``color scheme``设置为``costmap``，使其与下面的图像类似。

要在RViz中可视化检测到的对象的体素表示，请打开一个新终端并执行以下命令：

ros2 run nav2_costmap_2d nav2_costmap_2d_markers voxel_grid:=/local_costmap/voxel_grid visualization_marker:=/my_marker

上面的行设置了将标记发布到``/my_marker``话题。要在RViz中查看标记，请在``/my_marker``话题下选择``Marker``，如下图所示。

然后将RViz中的``fixed frame``设置为``odom``，您现在应该在RViz中看到表示Gazebo世界中的立方体和球体的体素：

结论

在我们的机器人设置指南的这一部分，我们讨论了传感器信息对于与Nav2相关的不同任务的重要性。更具体地说，这些任务包括地图创建（SLAM）、定位（AMCL）和感知（costmap）任务。

我们还讨论了Nav2中常见的传感器消息类型，这些消息类型标准化了不同传感器供应商的消息格式。我们还讨论了如何使用Gazebo向模拟机器人添加传感器，并通过RViz验证传感器的正确工作。

最后，我们使用不同的图层设置了``nav2_costmap_2d``软件包的基本配置，以生成全局和局部代价地图。然后，我们通过在RViz中可视化这些代价地图来验证我们的工作。