1. 项目概述：当四足机器人遇见SLAM与导航

最近在机器人圈子里，Unitree Go2这款消费级四足机器人热度一直很高。它灵活、稳定，价格也相对亲民，是很多研究者和开发者进行算法验证的理想平台。但说实话，不是每个人都有条件随时把一台活蹦乱跳的Go2牵到实验室里跑算法。物理机器人有场地限制、电池续航、硬件磨损，甚至还有“拆家”的风险。这时候，仿真环境的价值就凸显出来了。

Gazebo作为机器人领域最主流的仿真器之一，提供了一个近乎完美的虚拟沙盒。在Gazebo里，你可以随意搭建复杂的环境，让机器人反复“撞墙”而无需担心任何物理损坏，还能以超实时速度运行，极大地加速了开发迭代。所以，将Unitree Go2的模型导入Gazebo，并在此基础上实现SLAM（即时定位与地图构建）和自主导航，就成了一个非常经典且实用的项目。这不仅仅是让一个虚拟机器狗在屏幕上走来走去，而是构建了一套完整的、可复现的算法验证流程。从模型导入、传感器配置，到建图算法调试、导航栈集成，每一步都充满了工程细节和调参技巧。这个Demo的目标，就是打通这条从虚拟到现实的通路，为后续在真机上部署更复杂的自主行为打下坚实基础。

2. 环境搭建与核心依赖解析

2.1 操作系统与ROS 2版本选择

这个项目强烈依赖于ROS 2生态。从提供的GitHub仓库信息看，它主要针对ROS 2 Humble版本进行了适配，并在Ubuntu 22.04上进行了测试。这是一个非常合理的选择。Ubuntu 22.04是LTS（长期支持）版本，系统稳定，软件源丰富。ROS 2 Humble Hawksbill也是一个LTS版本，其支持周期与Ubuntu 22.04完美匹配，确保了长期的项目可维护性。虽然理论上你也可以尝试在Ubuntu 20.04 (Foxy) 或更新的Ubuntu 24.04 (Jazzy) 上运行，但可能会遇到依赖库版本不匹配、编译错误等问题。对于新手或者追求稳定复现的开发者，我强烈建议直接使用Ubuntu 22.04 + ROS 2 Humble这个“黄金组合”。

注意：如果你已经安装了其他版本的ROS（如ROS 1 Noetic或ROS 2 Galactic），请务必做好工作空间隔离，或者考虑使用Docker容器。不同ROS版本间的包冲突是新手最常见的“拦路虎”之一。

2.2 核心软件包安装清单

安装过程不仅仅是git clone和colcon build那么简单。你需要确保所有底层依赖都被正确安装。根据仓库的README.md，以下是一些关键的系统级和ROS级依赖：

1. Gazebo与ROS 2集成包：ros-humble-gazebo-ros2-control。这是连接Gazebo物理仿真与ROS 2控制框架的桥梁，负责将仿真世界中的关节状态、传感器数据发布到ROS话题，并接收来自ROS控制器的关节力矩命令。
2. URDF解析工具：ros-humble-xacro。Go2的机器人模型描述文件很可能使用了xacro宏来简化编写，这个包是解析它们所必需的。
3. 传感器融合：ros-humble-robot-localization。对于移动机器人，尤其是像Go2这样可能配备IMU和轮式里程计（由腿部运动学推算）的平台，多传感器融合对于获得稳定可靠的位姿估计至关重要。这个包提供了扩展卡尔曼滤波（EKF）和无损卡尔曼滤波（UKF）的实现。
4. ROS 2控制框架：ros-humble-ros2-control和ros-humble-ros2-controllers。这是整个机器人控制的中枢。ros2-control定义了硬件接口、控制器管理器等抽象层，而ros2-controllers则提供了具体的控制器实现，如关节状态控制器、差速驱动控制器（对于四足，可能是更复杂的全身控制器接口）。
5. 3D激光雷达仿真：ros-humble-velodyne,ros-humble-velodyne-gazebo-plugins,ros-humble-velodyne-description。仓库支持配置Velodyne 3D激光雷达，这些包提供了对应的ROS驱动、Gazebo插件和模型描述。这是实现3D SLAM（如LOAM、LIO-SAM）的关键传感器。

安装命令很简单，一行搞定：

sudo apt install ros-humble-gazebo-ros2-control ros-humble-xacro ros-humble-robot-localization ros-humble-ros2-controllers ros-humble-ros2-control ros-humble-velodyne ros-humble-velodyne-gazebo-plugins ros-humble-velodyne-description

2.3 项目源码获取与编译

完成基础依赖安装后，就可以拉取项目代码了。这里有一个非常重要的步骤：使用rosdep自动安装项目声明的其他ROS依赖。rosdep是ROS的依赖管理工具，它能根据项目中的package.xml文件，自动安装所有需要的ROS包，避免手动查找的麻烦。

# 1. 确保rosdep已初始化并更新（通常ROS 2安装后已包含） sudo apt install -y python3-rosdep rosdep update # 2. 创建工作空间并克隆代码 mkdir -p ~/go2_ws/src cd ~/go2_ws/src git clone https://github.com/anujjain-dev/unitree-go2-ros2.git # 3. 使用rosdep安装所有依赖 cd ~/go2_ws rosdep install --from-paths src --ignore-src -r -y

--from-paths src告诉rosdep查看src目录下的所有包。--ignore-src表示忽略源码本身（即我们刚clone的）。-r表示递归处理，-y表示对所有提示自动回答“yes”。这个过程可能会下载安装数十个额外的ROS包，请保持网络通畅。

最后，编译工作空间：

cd ~/go2_ws colcon build

编译成功后，别忘了source安装脚本来使新编译的包生效：

source ~/go2_ws/install/setup.bash

为了方便，你可以把这行命令添加到你的~/.bashrc文件末尾。

3. 机器人模型导入与Gazebo仿真启动

3.1 理解项目结构与模型配置

这个仓库的核心是将Unitree Go2的URDF模型与CHAMP四足控制器框架进行集成。CHAMP是一个开源的四足机器人开发框架，采用了基于模式调制和阻抗控制的分层控制器架构，最初是为MIT Cheetah机器人设计的。项目结构通常包含以下几个关键部分：

• go2_description/：存放Go2机器人的URDF/xacro模型文件。这里定义了机器人的连杆、关节、外观、碰撞属性以及传感器（如IMU、激光雷达）的挂载位置。
• go2_config/(或类似名称)：CHAMP框架的配置文件目录。里面会有gait.yaml（步态参数）、控制器配置文件、以及最重要的gazebo.launch.py等启动文件。
• champ/和champ_teleop/：可能包含CHAMP控制器本身以及键盘遥操作节点的相关代码或配置。

启动Gazebo仿真环境的命令是：

ros2 launch go2_config gazebo.launch.py

这个launch文件会做以下几件事：

1. 启动一个空的Gazebo世界（或者指定的世界文件）。
2. 将Go2的URDF模型加载到Gazebo中，并通过gazebo_ros2_control插件为其注入ROS 2控制接口。
3. 启动controller_manager，并加载必要的控制器，例如joint_state_broadcaster（发布关节状态）和CHAMP的腿部运动控制器。
4. 启动机器人状态发布器（robot_state_publisher），将关节状态转换为TF变换，这是RViz和导航栈正常工作的基础。

3.2 传感器配置：2D LiDAR vs 3D LiDAR

根据仓库说明，项目支持两种激光雷达配置：2D的Hokuyo（模拟）和3D的Velodyne。这对后续的SLAM算法选择有决定性影响。

• 2D LiDAR配置：通常用于平面移动机器人（如扫地机器人），通过单线扫描获取环境的二维轮廓。对于四足机器人，如果主要是在相对平坦的地面进行二维导航，2D SLAM（如Gmapping, Cartographer的2D模式）是高效且成熟的选择。配置方法是在URDF宏文件中注释掉Velodyne的包含，取消注释激光雷达的包含。
• 3D LiDAR (Velodyne) 配置：提供三维点云数据。这对于复杂地形、楼梯、斜坡等非结构化环境，或者需要3D避障和建图的场景至关重要。3D SLAM算法（如LOAM、LIO-SAM、HDL Graph SLAM）可以构建更丰富的地图。启动命令通常是ros2 launch go2_config gazebo_velodyne.launch.py。

实操心得：在Gazebo中仿真3D激光雷达对计算资源消耗较大。如果你的电脑性能一般，在调试SLAM核心逻辑时，可以先使用2D LiDAR配置以提升仿真速度。等算法流程跑通后，再切换到3D配置进行更真实的测试。同时，在Gazebo中要仔细调整激光雷达的噪声参数，过于理想的仿真数据可能会掩盖实际算法中的鲁棒性问题。

3.3 步态参数初探与遥操作

在启动Gazebo后，你可以通过另一个终端运行键盘遥操作节点来控制机器狗：

ros2 run teleop_twist_keyboard teleop_twist_keyboard

这个节点会监听键盘指令（如i前进，,后退，j左转，l右转），并将geometry_msgs/msg/Twist类型的速度命令发布到/cmd_vel话题。CHAMP控制器会订阅这个话题，并将其解算为每条腿的关节轨迹。

此时，你可以打开RViz来可视化机器人的状态：

ros2 launch go2_config gazebo.launch.py rviz:=true

或者在另一个终端单独启动RViz并添加TF、RobotModel、激光雷达点云等显示项。

步态参数调优：在<config_package>/gait/gait.yaml文件中，你可以调整机器狗的步态。例如：

• max_linear_velocity_x：最大前进/后退速度。调得太高可能导致仿真中机器人失稳或翻倒。
• stance_duration：单腿支撑相持续时间。时间越长，每一步的步幅越大。
• leg_swing_height：腿在摆动相抬起的高度。在仿真中，你可以适当调高以避免在粗糙地面上拖拽，但过高会不自然且耗能。
• robot_walking_height：机器狗行走时躯干离地高度。这是四足机器人一个非常关键的参数，直接影响稳定性。需要根据仿真地面的情况和机器人的质量属性反复调整。

我的经验是，在仿真中调试步态参数时，先从较小的值开始，逐步增加，并密切观察Gazebo中的物理响应和RViz中的TF变换是否平滑。一个稳定的步态是进行SLAM和导航的前提，因为糟糕的步态会产生剧烈抖动，严重污染IMU和里程计数据。

4. SLAM模块集成与地图构建实战

4.1 SLAM算法选型：从2D到3D

SLAM是让机器人理解“我在哪”和“环境什么样”的核心。在ROS 2生态中，我们有几个主流选择：

1. slam_toolbox (2D)：这是ROS 1中gmapping的进化版，在ROS 2中同样强大。它采用图优化后端，支持增量式建图、回环检测，并且可以在建图后继续运行进行长期定位。非常适合搭配2D LiDAR，在室内结构化环境中构建二维栅格地图。
2. Cartographer (2D/3D)：由Google开发，以精度和效率著称。它支持2D和3D建图，后端优化能力非常强。配置相对复杂，但社区支持好。对于Go2这类平台，如果使用3D LiDAR，可以运行Cartographer的3D模式。
3. RTAB-Map (3D)：这是一个功能极其强大的视觉+激光SLAM方案。它支持RGB-D相机、双目相机和激光雷达。如果你在Go2模型上添加了相机传感器，RTAB-Map可以构建带颜色的稠密点云地图或八叉树地图，视觉效果更直观。
4. LIO-SAM (3D)：紧耦合的激光雷达-惯性里程计SLAM。它深度融合3D LiDAR和IMU数据，特别适合高速或剧烈运动的平台（如四足机器人在动态步态下）。这可能是与Go2动态特性最匹配的先进方案之一，但集成和调试难度也更高。

对于这个Demo，我建议从**slam_toolbox (2D)**开始。它成熟、稳定，与ROS 2 Nav2导航栈集成无缝，能让我们快速看到成果，建立信心。

4.2 安装与配置slam_toolbox

首先，安装slam_toolbox的ROS 2版本：

sudo apt install ros-humble-slam-toolbox

接下来，你需要为Go2创建一个slam_toolbox的配置文件。通常，你可以在你的配置包（如go2_config）下新建一个config文件夹，里面创建slam_toolbox.yaml。

# go2_config/config/slam_toolbox.yaml slam_toolbox: ros__parameters: # 基础参数 mode: "mapping" # 建图模式 odom_frame: "odom" # 里程计坐标系 map_frame: "map" # 地图坐标系 base_frame: "base_link" # 机器人基坐标系 scan_topic: "/scan" # 2D激光雷达数据话题（如果是2D配置） # 地图分辨率 (米/像素) resolution: 0.05 # 传感器参数 max_laser_range: 12.0 # 激光最大有效距离 minimum_time_interval: 0.5 # 两次扫描处理的最小时间间隔 transform_timeout: 0.2 # 等待TF变换的超时时间 # 优化参数 use_scan_matching: true use_scan_barycenter: true minimum_travel_distance: 0.5 # 移动多少米后才处理一次扫描 minimum_travel_heading: 0.5 # 旋转多少弧度后才处理一次扫描 scan_buffer_size: 10 scan_buffer_maximum_scan_distance: 10.0 # 回环检测参数 loop_closure_search_distance: 5.0 loop_closure_minimum_chain_size: 3 loop_closure_minimum_response: 0.6

关键点在于scan_topic必须与你的激光雷达发布的话题名一致。对于2D LiDAR配置，通常是/scan；对于3D LiDAR，你可能需要先使用pointcloud_to_laserscan包将3D点云投影到2D平面上，再提供给slam_toolbox。

4.3 启动SLAM建图流程

你需要编写一个launch文件来同时启动Gazebo仿真和slam_toolbox节点。可以基于原有的gazebo.launch.py进行修改，或者新建一个。

# go2_config/launch/slam_demo.launch.py import os from launch import LaunchDescription from launch.actions import IncludeLaunchDescription, ExecuteProcess, RegisterEventHandler from launch.event_handlers import OnProcessExit from launch.launch_description_sources import PythonLaunchDescriptionSource from launch.substitutions import PathJoinSubstitution from launch_ros.actions import Node from launch_ros.substitutions import FindPackageShare def generate_launch_description(): # 1. 启动Gazebo仿真环境（带2D激光雷达配置） gazebo_launch = IncludeLaunchDescription( PythonLaunchDescriptionSource([ PathJoinSubstitution([ FindPackageShare('go2_config'), 'launch', 'gazebo.launch.py' # 假设这是你的2D LiDAR启动文件 ]) ]), launch_arguments={'rviz': 'false'}.items() # 先不启动RViz，后面统一启动 ) # 2. 启动slam_toolbox节点 slam_toolbox_node = Node( package='slam_toolbox', executable='async_slam_toolbox_node', name='slam_toolbox', output='screen', parameters=[ PathJoinSubstitution([ FindPackageShare('go2_config'), 'config', 'slam_toolbox.yaml' ]) ] ) # 3. 启动RViz，并加载预设的配置（显示地图、激光扫描、机器人模型等） rviz_config = PathJoinSubstitution([ FindPackageShare('go2_config'), 'rviz', 'slam.rviz' # 你需要预先配置好一个RViz配置文件 ]) rviz_node = Node( package='rviz2', executable='rviz2', name='rviz2', arguments=['-d', rviz_config], output='screen' ) return LaunchDescription([ gazebo_launch, slam_toolbox_node, rviz_node, # 可以在这里加入遥操作节点的启动，或者手动在终端启动 # ExecuteProcess( # cmd=['ros2', 'run', 'teleop_twist_keyboard', 'teleop_twist_keyboard'], # output='screen', # prefix='xterm -e' # 在新终端中打开 # ) ])

启动这个launch文件后，在RViz中你应该能看到机器人的模型、激光扫描线以及正在构建的栅格地图（通常是/map话题）。此时，打开另一个终端运行键盘遥操作节点，控制Go2在仿真环境中行走，slam_toolbox就会开始实时构建地图。

建图技巧：

• 慢速行走：建图时尽量让机器人匀速、缓慢移动，避免急转弯和剧烈抖动，这能提高扫描匹配的精度。
• 覆盖回环：有意识地控制机器人走回之前经过的地方，特别是起点附近。成功的回环检测会显著优化整个地图的全局一致性，消除累积误差。
• 观察RViz：密切注意RViz中地图的拼接质量。如果出现明显的重叠或错位，可能是TF变换有问题、激光雷达数据时间戳不同步，或者slam_toolbox参数需要调整（如minimum_travel_distance和minimum_travel_heading）。

5. Nav2导航栈集成与自主导航实现

5.1 Nav2核心概念与组件

当SLAM构建出一张可信的地图后，下一步就是让机器人在这张地图上自主导航。ROS 2的导航解决方案是Nav2。它是一个行为树驱动的、模块化的导航系统，主要包含以下核心组件：

• AMCL (Adaptive Monte Carlo Localization)：在已知地图中定位机器人。它使用粒子滤波来跟踪机器人的位姿。在建图完成后，需要切换到“定位”模式，此时AMCL会接管。
• Controller Server：负责生成速度命令。它包含如DWB (Dynamic Window Approach)、TEB (Timed Elastic Band)等局部规划器，计算如何跟随全局路径并避开动态障碍。
• Planner Server：负责生成从起点到终点的全局路径。包含如NavFn、Smac等全局规划器。
• Behavior Tree (BT)：协调整个导航过程的状态机。例如，它决定何时进行全局规划、何时进行局部恢复（如旋转清除空间）。
• Costmap 2D：维护全局和局部代价地图。它将传感器数据（激光、点云）和静态地图转换为机器人可理解的“可通行区域”（低代价）、“障碍物”（高代价）和“未知区域”。

5.2 为Go2配置Nav2

Nav2的配置相对复杂，涉及多个YAML文件。你需要在你的配置包中创建nav2_params.yaml等配置文件。

首先，安装Nav2：

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

一个简化的nav2_params.yaml核心部分可能如下所示。你需要根据Go2的尺寸和运动特性进行调整：

amcl: ros__parameters: # AMCL参数 min_particles: 500 max_particles: 2000 transform_tolerance: 0.2 # 初始位姿，通常由RViz的“2D Pose Estimate”工具提供 # initial_pose: {x: 0.0, y: 0.0, z: 0.0, yaw: 0.0} bt_navigator: ros__parameters: # 行为树文件路径 bt_loop_duration: 10 default_nav_to_pose_bt_xml: "path/to/your/navigate_to_pose_recovery.xml" # ... controller_server: ros__parameters: controller_frequency: 10.0 min_x_velocity_threshold: 0.001 min_y_velocity_threshold: 0.001 min_theta_velocity_threshold: 0.001 # 使用DWB控制器 controller_plugins: ["FollowPath"] FollowPath: plugin: "dwb_core::DWBLocalPlanner" # DWB参数需要精细调整，特别是对于全向运动的四足 max_vel_x: 0.5 # Go2的最大前进速度 min_vel_x: -0.2 # 最大后退速度 max_vel_y: 0.0 # 对于差速模型，侧向速度通常为0。四足可能支持，需根据模型设置。 max_rot_vel: 1.0 # 最大旋转速度 acc_lim_x: 2.0 # X方向加速度限制 acc_lim_theta: 3.14 # 旋转加速度限制 # 代价函数权重 path_distance_bias: 32.0 goal_distance_bias: 24.0 occdist_scale: 0.1 planner_server: ros__parameters: expected_planner_frequency: 1.0 planner_plugins: ["GridBased"] GridBased: plugin: "nav2_navfn_planner/NavfnPlanner" tolerance: 0.5 use_astar: false # 使用Dijkstra算法 local_costmap: local_costmap: ros__parameters: update_frequency: 5.0 publish_frequency: 2.0 width: 6.0 height: 6.0 resolution: 0.05 robot_base_frame: "base_link" # 使用激光雷达数据更新局部代价地图 observation_sources: "scan" scan: data_type: "LaserScan" topic: "/scan" marking: true clearing: true global_costmap: global_costmap: ros__parameters: update_frequency: 1.0 publish_frequency: 1.0 width: 20.0 height: 20.0 resolution: 0.05 robot_base_frame: "base_link" # 全局代价地图基于静态地图 static_layer: plugin: "nav2_costmap_2d::StaticLayer" map_subscribe_topic: "/map"

关键调整点：

• robot_base_frame：必须与你的机器人URDF中定义的基坐标系名称一致，通常是base_link。
• controller_server参数：这是调参的重灾区。max_vel_x、max_rot_vel必须小于或等于CHAMP控制器中配置的机器人最大能力。acc_lim_x和acc_lim_theta需要设置得合理，过大会导致规划器发出机器人无法执行的指令，过小则会让机器人行动迟缓。
• 代价地图尺寸：local_costmap的尺寸要足够大，让机器人有空间进行局部避障和调整，但也不能太大，否则计算负担重。global_costmap需要能覆盖你的整个工作区域。

5.3 启动导航与发送目标点

创建一个新的launch文件来启动完整的导航系统。这个文件会先启动Gazebo和SLAM（或者直接加载已保存的地图），然后启动Nav2的所有节点。

# go2_config/launch/navigation_demo.launch.py import os from launch import LaunchDescription from launch.actions import IncludeLaunchDescription, ExecuteProcess, DeclareLaunchArgument from launch.launch_description_sources import PythonLaunchDescriptionSource from launch.substitutions import LaunchConfiguration, PathJoinSubstitution from launch_ros.actions import Node from launch_ros.substitutions import FindPackageShare def generate_launch_description(): # 参数：是否使用SLAM实时建图，还是加载已有地图 use_slam = LaunchConfiguration('use_slam', default='false') map_yaml_file = LaunchConfiguration('map', default=PathJoinSubstitution([ FindPackageShare('go2_config'), 'maps', 'my_office_map.yaml' # 你预先保存的地图文件 ])) # 启动Gazebo仿真 gazebo_launch = IncludeLaunchDescription(...) # 同上 # 条件启动：SLAM 或 地图服务器+AMCL slam_toolbox_node = Node(...) # 条件为 use_slam == 'true' 时启动 map_server_node = Node( package='nav2_map_server', executable='map_server', name='map_server', output='screen', parameters=[{'yaml_filename': map_yaml_file}], condition=UnlessCondition(use_slam) # use_slam为false时启动 ) amcl_node = Node(...) # 条件为 use_slam == 'false' 时启动 # 启动Nav2生命周期管理器 nav2_bringup_launch = IncludeLaunchDescription( PythonLaunchDescriptionSource([ PathJoinSubstitution([ FindPackageShare('nav2_bringup'), 'launch', 'bringup_launch.py' ]) ]), launch_arguments={ 'params_file': PathJoinSubstitution([ FindPackageShare('go2_config'), 'config', 'nav2_params.yaml' ]), 'use_sim_time': 'true', # Gazebo仿真必须使用仿真时间 'autostart': 'true', }.items() ) # 启动RViz，并加载导航专用配置 rviz_node = Node(...) # 加载一个包含Nav2相关面板的RViz配置 return LaunchDescription([ DeclareLaunchArgument('use_slam', default_value='false'), DeclareLaunchArgument('map', default_value=map_yaml_file), gazebo_launch, slam_toolbox_node, map_server_node, amcl_node, nav2_bringup_launch, rviz_node, ])

启动这个launch文件后，整个导航系统就运行起来了。在RViz中，你需要做两件事：

1. 提供初始位姿：如果使用AMCL定位，你需要使用RViz中的“2D Pose Estimate”工具，在地图上点击并拖拽，为机器人指定一个大概的初始位置和朝向。你会看到AMCL的粒子云聚集在你指定的位置周围。
2. 发送导航目标：使用RViz中的“2D Nav Goal”工具，在地图上点击你想要机器人去的位置和朝向。Nav2的行为树会开始工作：全局规划器规划出一条路径（通常显示为绿色线条），局部规划器控制机器人沿着路径移动，并实时避障（局部代价地图中的障碍物会显示为红色膨胀区域）。

6. 调试、优化与常见问题实录

6.1 TF树：一切的基础

在ROS导航中，TF（变换）树是重中之重。所有传感器数据、命令都需要通过正确的TF变换关联到统一的坐标系下。一个常见的错误是TF树不完整或存在断链。

检查命令：

ros2 run tf2_tools view_frames

这会生成一个frames.pdf文件，用文档查看器打开它，检查从map->odom->base_link->sensor_frame（如laser）的链条是否完整。

常见TF问题：

• base_link到odom的变换缺失：这通常由机器人里程计节点发布。在仿真中，gazebo_ros2_control插件或CHAMP控制器应该发布这个变换。检查是否有节点在发布/tf或/tf_static话题，话题内容是否包含odom->base_link。
• base_link到laser的变换错误：这由robot_state_publisher根据URDF模型发布。检查你的URDF文件中激光雷达的<joint>定义，确保其<origin>的xyz和rpy参数正确，将激光雷达链接到了正确的位置和朝向。

6.2 里程计与传感器数据质量

导航的精度严重依赖于里程计和传感器数据的质量。

• 里程计漂移：在Gazebo中，里程计通常来自完美的关节状态积分，几乎没有噪声。但这并不真实。你可以通过robot_localization包向/odom话题添加高斯噪声来模拟真实情况。这对于测试导航系统在存在里程计误差时的鲁棒性很有帮助。
• 激光雷达数据：检查/scan话题是否正常发布，数据中的range_max和range_min是否合理。在RViz中查看激光扫描线是否与Gazebo中的障碍物轮廓吻合。如果使用3D点云，确保点云话题名在Costmap配置中正确设置。

6.3 Nav2调参实战经验

Nav2的参数多如牛毛，但有几个对性能影响最大：

1. 控制器服务器 (controller_server)：

   • max_vel_x/max_rot_vel：绝对不能超过机器人物理极限。对于Go2，参考CHAMP配置中的max_linear_velocity_x和max_angular_velocity_z，并留有一定余量。
   • path_distance_biasvsgoal_distance_bias：前者控制机器人跟踪全局路径的紧密程度，后者控制机器人直奔目标的倾向。如果机器人总是撞到路径边缘的障碍物，可以适当增加path_distance_bias；如果机器人经常为了抄近路而偏离路径太远，可以增加goal_distance_bias。
   • occdist_scale：障碍物距离代价的权重。增大此值会让机器人更倾向于远离障碍物。

2. 代价地图 (costmap_common_params)：

   • inflation_radius：膨胀半径。这决定了障碍物在代价地图中“膨胀”多大范围。设置太小，机器人可能会擦着障碍物过去；设置太大，可能会在狭窄通道中规划失败。一般设为机器人轮廓半径加上一个安全裕度。
   • cost_scaling_factor：代价缩放因子。与inflation_radius配合，决定膨胀代价的衰减梯度。

3. AMCL (amcl)：

   • min_particles/max_particles：粒子数越多，定位精度可能越高，但计算量也越大。在仿真中可以从500/2000开始。
   • recovery_alpha_slow/recovery_alpha_fast：这两个参数控制粒子滤波的“随机行走”强度，用于应对机器人被绑架（kidnapped）的情况。在仿真中如果机器人定位突然丢失，可以适当调高这些值。

6.4 典型问题与排查清单

这个Demo从模型导入到最终实现自主导航，涵盖了移动机器人算法开发中从仿真到算法的完整链路。每一步的坑我都或多或少踩过，关键是要有耐心，系统地排查问题。先从确保Gazebo模型和基础控制能跑通开始，然后逐步集成SLAM，最后啃下Nav2这块硬骨头。当你在RViz里看到那个虚拟的Go2，按照你鼠标点击的目标，稳健地绕过障碍物走到终点时，那种成就感绝对是实实在在的。这不仅仅是完成了一个Demo，更是为你后续在真实机器人上部署更高级的自主行为，铺平了最关键的第一里路。