nav2笔记-250603-海口c网

合作背景：
- AMD与Open Navigation在过去几个月里进行了合作，旨在向ROS 2社区展示AMD强大的Ryzen AI、Embedded+和Kria能力。
演示内容：
- 帖子提到，他们已经开始展示如何使用Ryzen AI为自主机器人产品提供动力，在各种现实世界和具有挑战性的情况下进行演示。
技术特点：
- 这些演示中使用的设备包含了强大且现代的AMD x86 CPU，这是用户所熟悉和喜爱的。
- 帖子虽然未详细描述Ryzen AI、Embedded+和Kria的具体技术细节，但强调了这些技术的强大能力，并暗示它们能够支持自主机器人在复杂环境中的运行。
应用场景：
- 演示涵盖了城市3D环境和室内长时间运行的场景，这表明Ryzen AI等技术不仅适用于室内环境，也能应对室外复杂多变的环境。
社区意义：
- 通过这些演示，AMD和Open Navigation希望向ROS 2社区展示其技术的实用性和潜力，鼓励开发者利用这些技术来开发更先进的自主机器人产品。
未来展望：
- 帖子虽然未直接提及未来计划，但暗示了这种合作可能会继续深化，为ROS 2社区带来更多创新和实用的技术解决方案。

这份参考资料是一个GitHub项目仓库，名为“opennav_amd_demonstrations”，由Open Navigation组织维护，主要展示了使用AMD的Ryzen AI及其他技术与ROS 2结合的演示。以下是对该项目的详细总结讲解：

项目概述：
- 项目名称：opennav_amd_demonstrations
- 组织：open-navigation
- 描述：该项目包含使用AMD的Ryzen AI CPU、GPU、NPU及相关加速技术，结合Nav2和ROS 2 Humble的演示和分析，展示了这些技术在嵌入式解决方案中的适用性。
演示内容：
- 室内2D导航：展示了在室内环境中基于2D地图的导航能力。
- 城市3D导航：展示了在城市环境中基于3D地图的导航能力，这要求更高的计算能力和感知精度。
- 室外GPS导航：展示了在室外环境中利用GPS进行导航的能力。
技术特点：
- 高效计算：演示中使用的Ryzen AI-powered计算机在16核、60W的配置下，运行自主程序、Nav2自主导航、3D激光雷达和摄像头感知及定位时，平均CPU利用率仅为10.85%，显示出强大的计算能力。
- 低资源占用：整个自主、感知和定位系统仅需2个AMD Zen 4核心即可处理，大大减轻了系统负担，使得更多计算任务可以并行运行。
- 快速构建：相比使用Intel i7-1365U的X1 Carbon（Gen 11），使用Ryzen AI计算机构建Nav2的时间缩短了近一半（从23分钟3秒缩短到10分钟15秒）。
硬件平台：
- Honeybee参考平台：演示围绕Clearpath Robotics的Jackal机器人进行，该机器人配备了AMD的Ryzen AI技术，以及其他必要的传感器和控制器。
软件架构：
- ROS 2基础：项目采用了ROS 2作为基础框架，利用其强大的模块化和可扩展性。
- Nav2集成：集成了Nav2导航堆栈，用于实现复杂的导航任务。
- 定制化启动文件：提供了定制化的启动文件，方便用户根据需求启动不同的系统组件和演示。
开发指南：
- 文档丰富：项目包含多个开发者指南，涵盖了新机器人计算机的引导、ROS 2网络设置、野外实验网络设置、远程数据可视化、软件开机自启动等内容。
资源利用与性能：
- 低功耗高性能：项目强调了Ryzen AI计算机在低功耗下的高性能表现，相比Nvidia Jetson在最大功率模式或Intel NUC，提供了更具性价比的解决方案。
- 未来优化：项目还计划进一步挖掘Ryzen AI计算机内置的GPU和NPU潜力，用于加速工作负载和实时AI任务。
使用建议：
- 推荐使用：项目强烈推荐考虑使用Ryzen AI驱动的设备进行未来的机器人产品和项目开发，特别是对于需要更强大x86核心的应用场景。
注意事项：
- 网络配置：提供了关于网络配置的建议，以避免因订阅大型主题而导致的网络拥堵和程序停滞。
- 摄像头选择：根据不同的机器人配置，提供了关于使用Realsense D435或Orbecc 355摄像头的指导。

总结来说，这个GitHub项目展示了AMD Ryzen AI技术在自主机器人导航领域的强大潜力和实际应用效果。通过结合Nav2和ROS 2，项目提供了完整的参考应用，展示了在室内2D、城市3D和室外GPS导航场景下的高效性能。同时，项目还提供了丰富的开发指南和注意事项，帮助开发者更好地利用这些技术。

在ROS 2（Robot Operating System 2）中，TEB（Timed Elastic Band）算法是使用较为广泛的导航算法之一，特别是在路径规划和局部避障方面。TEB算法是基带弹性带（Elastic Band）算法的改进版，加入了时间优化，能够更好地处理动态环境中的路径规划问题。

以下是一个关于如何在ROS 2中使用TEB算法进行导航的简要教程：

1. 环境准备

安装ROS 2：确保你的系统上已经安装了ROS 2。你可以从ROS 2官方网站下载并安装适合你操作系统的版本。
安装Nav2：TEB算法是Nav2（Navigation 2）堆栈的一部分，因此你需要安装Nav2。Nav2是ROS 2中用于自主导航的官方软件包。

2. 安装Nav2和相关软件包

你可以使用以下命令安装Nav2及其相关软件包（包括TEB）：

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

bash

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

将<ros2-distro>替换为你安装的ROS 2版本，例如humble、foxy等。

3. 配置Nav2以使用TEB算法

修改Nav2参数文件：Nav2的参数通常存储在YAML文件中。你需要找到或创建一个配置文件，用于指定TEB作为局部规划器。
设置局部规划器：在配置文件中，将local_planner参数设置为teb_local_planner/TebLocalPlannerROS。

示例配置文件片段：

local_planner: "teb_local_planner/TebLocalPlannerROS"TebLocalPlannerROS:odom_topic: "odom"map_frame: "map"# ... 其他TEB相关参数

yaml

	`local_planner: "teb_local_planner/TebLocalPlannerROS"`

	`TebLocalPlannerROS:`
	`odom_topic: "odom"`
	`map_frame: "map"`
	`# ... 其他TEB相关参数`

4. 启动Nav2导航堆栈

启动模拟器或真实机器人：根据你的需求，启动Gazebo模拟器或连接你的真实机器人。
启动Nav2：使用ros2 launch命令启动Nav2导航堆栈，并指定你的配置文件。

示例启动命令：

ros2 launch nav2_bringup navigation_launch.py params_file:=/path/to/your/params.yaml

bash

ros2 launch nav2_bringup navigation_launch.py params_file:=/path/to/your/params.yaml

5. 运行导航任务

设置目标点：使用rviz2或命令行工具设置目标点，让机器人导航到指定位置。
监控导航过程：在rviz2中监控机器人的导航过程，观察TEB算法如何规划路径并避开障碍物。

6. 调整TEB参数

优化性能：根据实际运行情况，你可能需要调整TEB算法的参数以优化性能。这些参数包括最大速度、加速度、时间优化权重等。
参考文档：参考TEB算法的官方文档或相关教程，了解更多关于参数调整的信息。

7. 调试与优化

日志分析：检查ROS 2的日志输出，分析导航过程中可能出现的问题。
性能调优：根据日志和实际运行情况，调整TEB参数和Nav2的整体配置，以提高导航性能。

额外资源

官方文档：访问Nav2官方文档和TEB算法GitHub页面获取更多详细信息和最新更新。
社区支持：加入ROS 2和Nav2的社区论坛，如ROS Discourse，与其他开发者交流经验和解决方案。

通过以上步骤，你应该能够在ROS 2中成功配置和使用TEB算法进行机器人导航。根据具体应用场景和机器人硬件，你可能需要进行一些参数调整和优化。

总结

导航算法概述：
- 导航堆栈核心：Nav2通过ROS action服务器使用插件来实现导航算法，主要包括规划器（planner）和控制器（controller）服务器。
- 算法插件：规划器和控制器服务器可以托管一个或多个算法插件，每个插件都有其特定的配置，适用于不同的动作或机器人状态。
规划器服务器（Planner Server）：
- 功能：负责计算机器人的路径。
- 可用插件：
  - NavFn Planner：使用Dijkstra或A*算法，适用于圆形差速和圆形全向机器人。
  - Smac Planner 2D：2D A*算法实现，支持4或8连通邻域，适用于多种圆形机器人。
  - Theta Star Planner：Theta*算法实现，创建非离散定向路径段，适用于圆形差速和全向机器人。
  - *Smac Hybrid-A Planner**：支持任意形状的阿克曼和腿足式机器人，考虑最小转弯半径和完整足迹进行碰撞避免。
  - Smac Lattice Planner：基于状态格子规划器，确保路径符合机器人运动学约束，支持多种机器人类型。
控制器服务器（Controller Server）：
- 功能：生成机器人完成任务所需的控制指令。
- 可用插件：
  - DWB Controller：基于动态窗口方法（DWA），适用于差速、全向、阿克曼和腿足式机器人。
  - TEB Controller：时间最优控制器，基于Timed Elastic Band方法，适用于多种机器人类型。
  - Regulated Pure Pursuit (RPP) Controller：纯追踪算法的变体，适用于服务或工业机器人。
  - Vector Pursuit Controller：基于向量追踪算法，适用于高速路径跟踪和锐角转弯。
配置示例：
- 规划器服务器配置：通过planner_plugins参数指定要使用的规划器插件，并在插件命名空间中配置具体参数。
- 控制器服务器配置：通过controller_plugins参数指定要使用的控制器插件，并在插件命名空间中配置具体参数。
生命周期节点：
- 规划器和控制器服务器通过生命周期节点在ROS 2中启动，便于系统的启动和关闭管理。

简化配置教程

以下是一个简化的配置教程，帮助你在Nav2中设置规划器和控制器服务器：

1. 安装Nav2

确保你的ROS 2工作空间中已经安装了Nav2。如果没有，可以通过以下命令安装（以ROS 2 Humble为例）：

sudo apt update
sudo apt install ros-humble-navigation2 ros-humble-nav2-bringup

bash

	`sudo apt update`
	`sudo apt install ros-humble-navigation2 ros-humble-nav2-bringup`

2. 创建配置文件

在你的ROS 2包中创建一个配置文件夹（如config），并在其中创建两个YAML文件：planner_config.yaml和controller_config.yaml。

planner_config.yaml

planner_server:ros__parameters:planner_plugins: ["GridBased"]GridBased:plugin: "nav2_navfn_planner::NavfnPlanner"  # 或选择其他规划器插件# 可以添加其他规划器特定参数

yaml

	`planner_server:`
	`ros__parameters:`
	`planner_plugins: ["GridBased"]`
	`GridBased:`
	`plugin: "nav2_navfn_planner::NavfnPlanner" # 或选择其他规划器插件`
	`# 可以添加其他规划器特定参数`

controller_config.yaml

controller_server:ros__parameters:controller_plugins: ["FollowPath"]FollowPath:plugin: "dwb_core::DWBLocalPlanner"  # 或选择其他控制器插件# 可以添加其他控制器特定参数

yaml

	`controller_server:`
	`ros__parameters:`
	`controller_plugins: ["FollowPath"]`
	`FollowPath:`
	`plugin: "dwb_core::DWBLocalPlanner" # 或选择其他控制器插件`
	`# 可以添加其他控制器特定参数`

3. 启动Nav2导航堆栈

在你的launch文件中，加载上述配置文件，并启动Nav2导航堆栈：

<launch><arg name="use_sim_time" default="true"/><include file="$(find-pkg-share nav2_bringup)/launch/navigation_launch.py"><arg name="use_sim_time" value="$(var use_sim_time)"/><arg name="params_file" value="$(find-pkg-share your_package_name)/config/planner_config.yaml"/><arg name="params_file" value="$(find-pkg-share your_package_name)/config/controller_config.yaml"/><!-- 可以添加其他参数 --></include>
</launch>

xml

	`<launch>`
	`<arg name="use_sim_time" default="true"/>`
	`<include file="$(find-pkg-share nav2_bringup)/launch/navigation_launch.py">`
	`<arg name="use_sim_time" value="$(var use_sim_time)"/>`
	`<arg name="params_file" value="$(find-pkg-share your_package_name)/config/planner_config.yaml"/>`
	`<arg name="params_file" value="$(find-pkg-share your_package_name)/config/controller_config.yaml"/>`
	`<!-- 可以添加其他参数 -->`
	`</include>`
	`</launch>`

注意：在实际使用中，你可能需要将两个params_file参数合并为一个，或者通过其他方式合并配置文件，因为上述XML示例中直接使用两个params_file参数会导致后者覆盖前者。这里只是为了说明需要加载两个配置文件。

4. 运行和调试

启动Gazebo模拟器或连接真实机器人。
使用rviz2设置目标点，观察机器人导航过程。
检查日志输出，调试配置问题。

通过以上步骤，你可以在Nav2中成功配置规划器和控制器服务器，并使用不同的算法插件来实现机器人的导航功能。根据具体应用场景和机器人硬件，你可能需要进一步调整和优化算法参数。

在ROS 2中，Nav2结合Stage仿真器进行导航任务是一种常用的测试方法，尽管Nav2官方文档未直接提供Stage仿真的完整案例，但可通过整合关键组件实现功能验证。以下为推荐方案及关键实现要点：

推荐方案：基于Nav2与Stage的导航仿真

系统环境
- ROS 2版本：Humble或更高版本
- Stage仿真器：支持ROS 2的分支（如ros2-stage或stage_ros）
- 依赖包：nav2_bringup、nav2_maps、stage_ros、turtlebot3_description（或自定义机器人模型）
核心组件配置
- 地图文件：使用.pgm格式地图（如turtlebot3_world.pgm），通过Stage加载虚拟环境。
- 传感器模拟：Stage支持激光雷达（LaserScan）和里程计（Odometry）数据生成，可直接作为Nav2输入。
- TF树：确保map→odom→base_link的TF变换链完整，由Stage或Nav2的AMCL节点提供。

关键配置文件示例

Stage配置文件（world_file.world）：

define floorplan model
(size [20.0 20.0 0.1]pose [10.0 10.0 0 0]bitmap "turtlebot3_world.pgm"
)define robot model
(laser(range [0.0 10.0])odom_error [0.03 0.03 0.10 0.05]localization "odom"localization_origin [0 0 0 0]drive "omni"
)

plaintext

	`define floorplan model`
	`(`
	`size [20.0 20.0 0.1]`
	`pose [10.0 10.0 0 0]`
	`bitmap "turtlebot3_world.pgm"`
	`)`

	`define robot model`
	`(`
	`laser(range [0.0 10.0])`
	`odom_error [0.03 0.03 0.10 0.05]`
	`localization "odom"`
	`localization_origin [0 0 0 0]`
	`drive "omni"`
	`)`

Nav2配置文件（nav2_params.yaml）：

amcl:ros__parameters:use_sim_time: Truealpha1: 0.2alpha2: 0.2alpha3: 0.2alpha4: 0.2
planner_server:ros__parameters:expected_planner_frequency: 20.0planner_plugins: ["GridBased"]GridBased:plugin: "nav2_navfn_planner::NavfnPlanner"
controller_server:ros__parameters:controller_plugins: ["FollowPath"]FollowPath:plugin: "dwb_core::DWBLocalPlanner"

yaml

	`amcl:`
	`ros__parameters:`
	`use_sim_time: True`
	`alpha1: 0.2`
	`alpha2: 0.2`
	`alpha3: 0.2`
	`alpha4: 0.2`
	`planner_server:`
	`ros__parameters:`
	`expected_planner_frequency: 20.0`
	`planner_plugins: ["GridBased"]`
	`GridBased:`
	`plugin: "nav2_navfn_planner::NavfnPlanner"`
	`controller_server:`
	`ros__parameters:`
	`controller_plugins: ["FollowPath"]`
	`FollowPath:`
	`plugin: "dwb_core::DWBLocalPlanner"`

启动流程
- 启动Stage仿真器：
  bash
  
  ros2 launch stage_ros stage_launch.py world_file:=/path/to/world_file.world
- 启动Nav2导航堆栈：
  bash
  
  ros2 launch nav2_bringup navigation_launch.py use_sim_time:=True map:=/path/to/map.yaml
- 可视化（Rviz2）：
  bash
  
  ros2 run rviz2 rviz2 -d $(ros2 pkg prefix nav2_bringup)/share/nav2_bringup/launch/nav2_default_view.rviz

关键点分析

为什么选择Stage？
- 轻量级：Stage是2D仿真器，资源占用低，适合快速验证导航算法。
- 兼容性：通过stage_ros包可与ROS 2无缝集成，支持激光雷达和里程计数据模拟。
- 灵活性：可自定义地图和机器人模型，适配不同测试场景。
与Gazebo的对比
- 优势：Stage启动速度快，资源消耗低，适合算法迭代测试。
- 局限：不支持3D仿真和复杂物理交互，如动力学模拟。
替代方案
- 自定义仿真器：如需更高性能或特定功能，可基于nav2_simple_commander开发轻量级仿真器。
- Gazebo集成：若需3D仿真，建议使用Nav2与Gazebo的集成方案，但需更高硬件配置。

问题排查建议

TF变换缺失：
- 确保robot_state_publisher和amcl节点正常运行，检查TF树是否完整。
激光雷达数据异常：
- 验证Stage配置文件中激光雷达参数是否正确，检查话题名称是否与Nav2配置一致。
导航失败：
- 调整Nav2参数（如planner_frequency、controller_frequency），或更换算法插件（如TEB控制器）。

总结

Nav2与Stage的组合为ROS 2用户提供了一个高效、低成本的导航算法验证平台。通过合理配置地图、传感器模拟和TF树，可快速搭建仿真环境。对于需要3D仿真或复杂物理交互的场景，可进一步探索Gazebo集成方案。

AMD与OpenNavigation合作，展示RyzenAI在ROS2自主机器人中的强大性能。项目通过室内2D、城市3D和室外GPS导航演示，验证了RyzenAI在低功耗(60W)下仅占用10.85% CPU的高效表现。硬件基于Clearpath Jackal机器人平台，软件集成ROS2和Nav2堆栈，包括TEB等先进算法。演示显示相比Intel设备，构建时间缩短近50%，推荐使用RyzenAI设备开发机器人产品。项目提供完整开发指南，涵盖网络配置、传感器选择等实用细节，为开发者提供了基于AMD技术的机器人导航解决方案参考。