设置传感器 [待校准@1775]

在本指南中，我们将讨论传感器在机器人安全导航中的重要性以及如何使用 Nav2 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，我们将在我们之前构建的模拟机器人 sam_bot 上添加一个基本的传感器设置。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。 [校准@songhuangong]

一旦在机器人上安装了传感器，它们的读数就可以用于地图绘制、定位和感知任务。在本指南的后半部分，我们将首先讨论映射和定位如何使用传感器数据。然后，我们还将看一下 Nav2 的软件包之一

传感器介绍 [待校准@1778]

移动机器人配备了大量传感器，可以让它们看到和感知周围的环境。这些传感器获取的信息可用于构建和维护环境地图，在地图上定位机器人，并查看环境中的障碍物。这些任务对于在动态环境中安全有效地导航机器人至关重要。 [校准@songhuangong]

常用传感器的示例有激光雷达、雷达、RGB 摄像头、深度摄像头、IMU 和 GPS。为了标准化这些传感器的消息格式并允许供应商之间更轻松的互操作，ROS 提供了定义通用传感器接口的 sensor_msgs 包。这也允许用户使用任何传感器供应商，只要它遵循 sensor_msgs 中的标准格式。在下一小节中，我们将介绍一些导航中常用的消息，即 sensor_msgs/LaserScan 、 sensor_msgs/PointCloud2 、 sensor_msgs/Range 和 sensor_msgs/Image 。 [校准@songhuangong]

除了 sensor_msgs 包之外，还有你应该知道 radar_msgs 和 vision_msgs 标准接口。 radar_msgs 定义了雷达特定传感器的消息，而 vision_msgs 包定义了计算机视觉中使用的消息，例如对象检测、分割和其他机器学习模型。此软件包支持的消息是 vision_msgs/Classification2D 、vision_msgs/Classification3D 、vision_msgs/Detection2D 和 vision_msgs/Detection3D 等等。 [校准@songhuangong]

参见

有关更多信息，请参阅 sensor_msgs , radar_msgs , and vision_msgs 的API文档。 [校准@songhuangong]

你的物理机器人的传感器可能已经为他们编写了ROS驱动程序 (例如g.一个ROS节点，连接到传感器，将数据填充到消息中，并将其发布给机器人使用)，该节点遵循 sensor_msgs 包中的标准接口。 sensor_msgs 包装使您可以轻松使用来自不同制造商的许多不同传感器。像Nav2这样的通用软件包可以阅读这些标准化的信息，并独立于传感器硬件执行任务。在像 sam_bot 这样的模拟机器人上，Gazebo有传感器插件，它们也按照 sensor_msgs 包发布信息。 [待校准@1783]

常见传感器信息 [待校准@1784]

在本节中，我们讨论一些在用Nav2时遇到的一些常见的 sensor_msgs 。我们将提供每个传感器的简要描述和Gazebo中模拟它的图像以及在RViz中传感器读数的相应可视化。 [校准@7dawn]

备注

除了下面列出的，还有其他类型的 sensor_msgs 。消息的完整列表及其定义可以在 sensor_msgs documentation 中找到。 [待校准@1786]

sensor_msgs/LaserScan

此消息表示来自平面激光测距仪的单个扫描。该信息在 slam_toolbox 和 nav2_amcl 中用于定位和绘图，或在 nav2_costmap_2d 中用于感知。 [待校准@1788]

sensor_msgs/PointCloud2 [待校准@1789]

此消息拥有收集3D点，加上可选额外信息点。这可以从3D lidar，2D lidar，深度相机或多。 [待校准@1790]

sensor_msgs/Range

这是一个来自主动游侠的单一范围读数，它释放能量并报告一个在测量距离沿弧线有效的范围读数。声纳、红外传感仪或1D测距仪是使用此信息的传感器的示例。 [待校准@1792]

sensor_msgs/图像 [待校准@1793]

这表示来自RGB或深度相机的传感器读数，对应于RGB或范围值。 [待校准@1794]

使用Gazebo模拟传感器 [待校准@1795]

为了让您更好地掌握如何在模拟机器人上设置传感器，我们将重构之前的教程，并将传感器连接到我们的模拟机器人 sam_bot 上。与之前的教程类似，我们使用Gazebo插件向 sam_bot 添加里程计传感器，我们将使用Gazebo插件在 sam_bot 上模拟激光雷达传感器和深度相机。如果你正在使用一个真正的机器人，你的URDF框架设置中仍然需要这些步骤中的大部分。而且添加Gazebo插件以备后用也没什么坏处。 [校准@7dawn]

为了能够遵循本节的其余部分，请确保您已正确安装Gazebo。您可以按照上一教程的 Setup and Prerequisites 中的说明设置Gazebo。 [待校准@1797]

将 Gazebo 插件添加到 URDF [校准@songhuangong]

让我们首先添加lidar传感器 sam_bot 。打开URDF文件， src/description/sam_bot_description.urdf 和粘贴以下行之前 </robot> 标签。 [待校准@1798]

<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>

上述代码片段中，我们创建 lidar_link 将引用 gazebo_ros_ray_sensor 插件位置附加传感器。我们也值模拟激光雷达的扫描范围属性。最后，我们设置 /scan 作为主题，它会发布 sensor_msgs/LaserScan 消息。 [待校准@1799]

接下来，让我们添加深度相机 sam_bot 。粘贴以下行后 </gazebo> 标记lidar传感器。 [待校准@1800]

<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，我们创建了 camera_link ，它将被 gazebo_ros_camera 插件引用为传感器附件位置。我们还创建了一个附在 camera_link 上的 camera_depth_frame ，并将被设置为深度相机插件的 <frame_name> 。我们也配置插件，它将发布 sensor_msgs/Image 和 sensor_msgs/PointCloud2 消息 /depth_camera/image_raw 和 /depth_camera/points 主题分别。最后，我们还为深度相机设置了其他基本配置属性。 [待校准@1801]

启动和构建文件 [校准@songhuangong]

为了验证传感器是否设置正确，以及它们是否能在我们的环境中看到物体，让我们在有障碍物的Gazebo世界里启动 sam_bot 。让我们在Gazebo世界里， sam_bot 的传感器感知范围内创建一个立方体和一个球体，以此来验证传感器是否能正确感知到物体。 [校准@greg]

为了创建这个世界，需要在你项目的根目录下创建 world``文件夹，并在此文件夹里创建 ``my_world.sdf``文件。然后复制 `world/my_world.sdf <https://github.com/ros-planning/navigation2_tutorials/blob/master/sam_bot_description/world/my_world.sdf>`_ 的内容并将其粘贴在 ``my_world.sdf 内。 [校准@greg]

现在，让我们编辑我们的启动文件， launch/display.launch.py ，用我们刚刚创造的世界来启动Gazebo。首先，通过在 generate_launch_description() 内增加以下几行来添加 my_world.sdf 的路径: [校准@greg]

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

最后，在 “启动.操作.执行进程 (cmd =['gazebo'，...” 行中添加世界路径，如下所示。 [待校准@1805]

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

我们也必须添加 world 目录我们 CMakeLists.txt 文件。打开 CmakeLists.txt 和附加 world 目录安装 (目录...)，下面的代码段。 [待校准@1806]

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

构建、运行和验证

我们现在可以构建和运行我们的项目。导航到项目的根目录并执行以下几行: [待校准@1807]

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

这个RViz和Gazebo将启动 sam_bot 中。在Gazebo窗口，我们创造的世界应该被启动， sam_bot 应该在那个世界诞生。你现在应该可以用360激光雷达传感器和深度相机观察 sam_bot ，如下图所示。 [待校准@1808]

在RViz窗口中，我们可以验证我们是否对传感器进行了正确的建模，以及新添加的传感器的转换是否正确: [待校准@1809]

最后，我们还可以可视化RViz中的传感器读数。可视化 sensor_msgs/LaserScan 消息发表 /scan 主题，单击添加按钮底部的RViz窗户。然后转到 By topic 选项卡，选择 /scan 下的 LaserScan 选项，如下所示。 [待校准@1810]

接下来，将RViz中的 Reliability Policy 设置为 Best Effort ，并将 size 设置为0.1，以更清楚地看到要点。你应该看到如下所示的可视化 LaserScan 检测。这与我们添加到Gazebo世界中的检测到的立方体和球体相对应。 [待校准@1811]

要可视化 sensor_msgs/Image 和 sensor_msgs/PointCloud2 ，分别对主题 /depth_camera/image_raw 和 /depth_camera/points 做同样的事情: [待校准@1812]

在RViz中加入 /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窗口左下角的图像窗口中看到立方体，如下所示。 [待校准@1813]

你也应该看到 sensor_msgs/PointCloud2 ，如下所示。 [待校准@1814]

建图和定位 [待校准@1815]

现在我们有了一个设置了传感器的机器人，我们可以使用获得的传感器信息来构建环境地图并在地图上定位机器人。 slam_toolbox 软件包是一组工具和功能，用于在具有ros2的潜在大规模地图中进行2D同时定位和映射 (SLAM)。它也是Nav2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的情况下使用此软件包。除了 slam_toolbox ，本地化也可以通过 nav2_amcl 包来实现。这个包实现了自适应蒙特查理定位 (AMCL)，它估计机器人在地图中的位置和方向。也可以使用其他技术，请查看Nav2文档以获取更多信息。 [待校准@1816]

模块 slam_toolbox 和 nav2_amcl 都使用来自激光扫描传感器的信息，以便能够感知机器人的环境。因此，为了验证他们可以访问激光扫描传感器读数，我们必须确保他们订阅了发布 sensor_msgs/LaserScan 信息的正确主题。这可以通过将它们的 scan_topic 参数设置为发布该消息的主题来配置。将 sensor_msgs/LaserScan 信息发布到 /scan 主题是一项惯例。因此，默认情况下， scan_topic 参数设置为 /scan 。回想一下，当我们在上一节中将激光雷达传感器添加到 sam_bot 时，我们将激光雷达传感器发布 sensor_msgs/LaserScan 信息的主题设置为 /scan 。 [待校准@1817]

关于完整配置参数的深入讨论将不在我们的教程范围内，因为它们可能非常复杂。相反，我们建议您在下面的链接中查看他们的官方文档。 [待校准@1818]

参见

有关 slam_toolbox 配置参数的完整列表，请参见 Github repository of slam_toolbox 。 [待校准@1819]

完整列表配置参数和示例配置 nav2_amcl ，看到 AMCL Configuration Guide 。 [待校准@1820]

你也可以参考 (SLAM) Navigating While Mapping guide 的教程如何使用带有SLAM的Nav2。你可以验证 是否``slam_toolbox`` 和 nav2_amcl 已正确设置可视化地图和机器人姿态在RViz，如上节所示。 [校准@7dawn]

2D代价地图 [待校准@1822]

Costmap 2D包利用传感器信息以占用网格的形式提供机器人环境的表示。占用网格中的单元格存储的成本值在0-254之间，这表示通过这些区域的值。0的值意味着单元格是空缺的，而254的成本意味着单元格被完全占用。这些极端之间的值被导航算法用来引导你的机器人远离作为潜在场的障碍。Nav2中的代价地图通过 nav2_costmap_2d 包实施。 [校准@7dawn]

Costmap实施包括多层，每个具有一定功能有助于细胞整体费用。包包括以下层，但基于插件允许定制和新图层使用: 静态层，充气层，层，障碍层，和体素层。静态层表示地图的costmap，获得消息发布到 /map 主题像产生SLAM。障碍层包括对象检测传感器发布或的 LaserScan 和 PointCloud2 消息。体素层类似障碍层，它可以使用或的 LaserScan 和 PointCloud2 传感器信息处理3D数据。范围层允许列入信息提供声纳和红外传感器。最后，充气层代表成本价值观致命障碍我们机器人避免导航障碍由于机器人的几何。在接下来的这一部分教程，我们将讨论基本配置的不同层 nav2_costmap_2d 。 [待校准@1824]

如果启用了膨胀层，则通过插件界面将这些层集成到costmap中，然后使用用户指定的 inflation radius 进行膨胀。要更深入地讨论成本图的概念，你可以看看 ROS1 costmap_2D documentation 。请注意， nav2_costmap_2d 包主要是ROS1导航堆栈版本的简单的ROS2端口，需要对ROS2支持和一些新的层插件进行较小的更改。 [待校准@1825]

配置nav2_costmap_2d [待校准@1826]

在本小节中，我们将展示 nav2_costmap_2d 的示例配置，以便它使用由 sam_bot 的激光雷达传感器提供的信息。我们将展示一个使用静态层、障碍层、体素层和膨胀层的示例配置。我们设置了障碍物和体素层，以使用激光雷达传感器发布到 /scan 主题的 LaserScan 信息。我们还设置了一些基本参数来定义检测到的障碍物如何反映在成本图中。请注意，此配置将包含在Nav2的配置文件中。 [待校准@1827]

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，我们为两种不同的成本图设置了参数: global_costmap 和 local_costmap 。我们建立了两个成本图，因为 global_costmap 主要用于整个地图的长期规划，而 local_costmap 主要用于短期规划和避免碰撞。 [待校准@1828]

The layers that we use for our configuration are defined in the plugins parameter, as shown in line 13 for the global_costmap and line 50 for the local_costmap. These values are set as a list of mapped layer names that also serve as namespaces for the layer parameters we set up starting at lines 14 and line 51. Note that each layer/namespace in this list must have a plugin parameter (as indicated in lines 15, 18, 32, 52, and 68) defining the type of plugin to be loaded for that specific layer.

对于静态层 (第14-16行)，我们将 map_subscribe_transient_local 参数设置为 True 。这将设置地图主题的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。未定义时，默认为 /map 主题。 [待校准@1830]

对于障碍物层 (第17-30行)，我们将其在 observation_sources 参数 (第20行) 下的传感器源定义为 scan ，其参数设置在第22-30行中。我们将其 topic 参数设置为发布定义的传感器源的主题，并根据它将使用的传感器源设置 data_type 。在我们的配置中，障碍物层将使用激光雷达传感器发布的对 /scan 的 LaserScan 。 [待校准@1831]

请注意，障碍物层和体素层可以同时使用 LaserScan 和 PointCloud2 作为其 data_type ，但默认情况下设置为 LaserScan 。下面的代码片段展示了一个同时使用 LaserScan 和 PointCloud2 作为传感器源的例子。这在设置自己的物理机器人时可能特别有用。 [待校准@1832]

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 参数设置传感器读数的最大高度以返回到占用网格。传感器读数的最小高度也可以使用 min_obstacle_height 参数来设置，该参数默认为0，因为我们没有在配置中设置它。 clearing 参数用于设置是否要从成本图中移除障碍物。清除操作是通过网格的光线跟踪来完成的。raytrace从costmap清除对象的最大和最小范围分别使用 raytrace_max_range 和 raytrace_min_range 设置。 marking 参数用于设置插入的障碍物是否标记到costmap中。我们还设置了最大和最小范围，分别通过 obstacle_max_range 和 obstacle_min_range 在成本图中标记障碍。 [待校准@1833]

对于膨胀层 (第31-34行和第67-70行)，我们使用 cost_scaling_factor 参数设置整个膨胀半径的指数衰减因子。在致命障碍物周围膨胀的半径值是用 inflation_radius 定义的。 [待校准@1834]

对于体素层 (第51-66行)，我们将 publish_voxel_map 参数设置为 True ，以便发布3D体素网格。使用 z_resolution 参数定义体素的高度分辨率，而使用 z_voxels 参数定义每列体素的数量。 mark_threshold 参数设置列中的最小体素数量，以标记为占用网格中已占用。我们将体素层的 observation_sources 参数设置为 scan ，并将扫描参数 (第61-66行) 设置为类似于我们为障碍物层讨论的参数。定义在其 topic 和 data_type 参数，体素层使用 LaserScan 发表 /scan 专题lidar扫描仪。 [待校准@1835]

请注意，我们没有使用范围层进行配置，但它可能对您自己的机器人设置有用。对于范围层，其基本参数为 topics 、 input_sensor_type 和 clear_on_max_reading 参数。要订阅的范围主题在 topics 参数中定义。 input_sensor_type 被设定为 ALL 、 VARIABLE 或 FIXED 。 clear_on_max_reading 是一个bool的ean参数，用于设置是否清除最大范围内的传感器读数。如果您需要设置，请查看下面链接中的配置指南。 [待校准@1836]

参见

有关 nav2_costmap_2d 的更多信息以及层插件参数的完整列表，请参见 Costmap 2D Configuration Guide 。 [待校准@1837]

构建、运行和验证

我们将首先推出 display.launch.py ，在我们的URDF中推出提供 base_link => sensors 转化的robot state publisher。它还发起Gazebo作为物理模拟器也提供 odom => base_link 从差动驱动插件，我们添加到 sam_bot 前指南， Simulating an Odometry System Using Gazebo 。它还启动了RViz，我们可以用它来可视化机器人和传感器信息。 [待校准@1838]

然后我们将推出 slam_toolbox ，发布到 /map 主题，并提供 map => odom 变换。回想一下， map => odom 转化是Nav2系统的主要要求之一。然后，在 /map 主题上发布的消息将被 global_costmap 的静态层使用。 [待校准@1839]

在我们正确设置了机器人描述、里程计传感器和必要的转换后，我们将最终启动Nav2系统本身。目前，我们将只探索Nav2的costmap生成系统。推出Nav2后，我们将可视化RViz的成本图，以确认我们的输出。 [待校准@1840]

发射描述节点，RViz和Gazebo [待校准@1841]

现在让我们通过发射文件 display.launch.py 发射我们的机器人描述节点，RViz和Gazebo。打开一个新的终端并执行下面的行。 [待校准@1842]

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

这个RViz和Gazebo现在应该在 sam_bot 都存在的情况下发射。回想一下， base_link => sensors 变换现在由 robot_state_publisher 发布， odom => base_link 变换由我们的Gazebo插件发布。两个转换现在都应该在这个RViz中显示没有错误。 [待校准@1843]

发射slam_toolbox [待校准@1844]

为了能够启动 slam_toolbox ，请通过执行以下命令确保已安装 slam_toolbox 包: [待校准@1845]

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

我们将启动 async_slam_toolbox_node 的 slam_toolbox 使用包的内置启动文件。打开一个新终端，然后执行以下几行: [待校准@1846]

ros2 launch slam_toolbox online_async_launch.py

这个 slam_toolbox 现在应该会发布 /map 主题，并提供 map => odom 变换。 [校准@7dawn]

我们可以在RViz中证实 /map 主题正在发表。在 “RViz” 窗口中，单击左下角的 “添加” 按钮，然后转到 “ By topic ” 选项卡，然后在 “ /map ” 主题下选择 “ Map ”。如下图所示，你应该能够可视化在 /map 中收到的信息。 [待校准@1848]

我们还可以通过在新终端中执行以下行来检查转换是否正确: [待校准@1849]

ros2 run tf2_tools view_frames.py

线以上将创建 frames.pdf 文件显示当前变换树。你变换树应该如下图所示: [待校准@1850]

发射Nav2 [待校准@1851]

首先，通过执行以下操作确保已安装Nav2包: [待校准@1852]

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

我们现在推出Nav2使用 nav2_bringup 的内置launch文件， navigation_launch.py 。打开新终端并执行以下操作: [待校准@1853]

ros2 launch nav2_bringup navigation_launch.py

注意参数 nav2_costmap_2d 我们上一款包括默认参数 navigation_launch.py 。除了 nav2_costmap_2d 参数，也包含参数其他节点中包含Nav2实施。 [待校准@1854]

在我们正确设置并启动Nav2后， /global_costmap 和 /local_costmap 的主题现在应该是活跃的。 [待校准@1855]

在RViz中可视化代价地图 [待校准@1856]

检测到的障碍物的 global_costmap 、 local_costmap 和体素表示可以在RViz中可视化。 [待校准@1857]

要可视化RViz中的 global_costmap ，请单击 “RViz” 窗口左下角的 “添加” 按钮。转到 By topic 标签，然后在 /global_costmap/costmap 主题下选择 Map 。 global_costmap 应该显示在RViz窗口，如下所示。当我们的机器人在Gazebo中导航我们的模拟世界时， global_costmap 显示出我们的机器人应该避免的区域 (黑色)。 [待校准@1858]

可视化 local_costmap 在RViz，选择 Map 下 /local_costmap/costmap 主题。设置 color scheme 在RViz转 costmap 看上去类似于下图。 [待校准@1859]

要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行: [待校准@1860]

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

上面一行设置了标记将被发布到 /my_marker 的主题。要查看RViz标记物，请在 /my_marker 主题下选择 Marker ，如下所示。 [待校准@1861]

然后将RViz中的 fixed frame 设置为 odom ，你现在应该会看到RViz中的体素，它代表了我们在Gazebo世界中拥有的立方体和球体: [待校准@1862]

小结 [校准@songhuangong]

在机器人安装指南的这一部分，我们已经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，诸如映射 (SLAM) 、定位 (AMCL) 和感知 (成本图) 等任务。 [待校准@1863]

我们还讨论了Nav2中常见类型的传感器信息，它为不同的传感器供应商标准化了信息格式。我们还讨论了如何使用Gazebo向模拟机器人添加传感器，以及如何通过RViz验证传感器是否正常工作。 [待校准@1864]

最后，我们使用不同的层为 nav2_costmap_2d 包设置了一个基本配置，以生成全局和局部成本图。然后，我们通过在RViz中可视化这些成本图来验证我们的工作。 [待校准@1865]