上海大学 算法组招新作业 —— TurtleBot3 模拟巡检机器人:代码驱动的 3 目标点自主导航
| 组件 | 版本 |
|---|---|
| 操作系统 | Ubuntu 22.04 (Jammy) |
| ROS2 | Humble |
| 仿真器 | Gazebo 11 |
| 导航栈 | Nav2 (navigation2 / nav2-bringup) |
| 建图 | Cartographer (cartographer_ros) |
| 机器人 | TurtleBot3 waffle + turtlebot3_world |
一条命令搞定全部:自动清理残留进程 → 清理 FastDDS → 设置环境变量 → 启动 Gazebo 仿真 + Nav2 导航 + 巡检节点,全程无需手动操作。
终端 A —— 一键启动巡检:
bash ~/start_patrol.sh启动后无需任何手动操作:自动设置初始位姿 → 依次访问 3 个目标点 → 打印巡检结果。
终端 B(可选)—— 动态避障投放(做动态避障演示时才需要,投放时机自己控制):
source ~/turtlebot3_ws/setup_env.sh
ros2 run tb3_patrol spawn_obstacle --watch 2.545 0.514
--watch 2.545 0.514:等机器人接近投放点 (2.545, 0.514) 时自动投放障碍物(演示主力)。ros2 run启动需 15~40s 才就绪,自己定好时机再启动即可。想立即投放则用--x 2.545 --y 0.514,更多投放方式见下文「动态避障演示」。
编译工作空间:
cd ~/turtlebot3_ws
colcon build --symlink-install
# 环境变量(已写入 ~/.bashrc)
export TURTLEBOT3_MODEL=waffle
export ROS_DOMAIN_ID=30
export ROS_LOCALHOST_ONLY=1建图(Cartographer 激光 SLAM,键盘遥控扫图并保存,导航依赖这张地图):
# 终端1: 启动仿真
ros2 launch turtlebot3_gazebo turtlebot3_world.launch.py
# 终端2: 启动 Cartographer
ros2 launch turtlebot3_cartographer cartographer.launch.py use_sim_time:=True
# 终端3: 键盘遥控扫图
ros2 run turtlebot3_teleop teleop_keyboard
# 终端4: 保存地图
ros2 run nav2_map_server map_saver_cli -f ~/mapstart_patrol.sh 实际就是下面两步 + 环境设置的打包,不想用脚本时手动执行效果相同:
步骤 1 —— 清理 FastDDS 残留(多次运行后 /dev/shm/fastrtps_* 累积,会导致地图/Nav2 偶发加载失败、RViz 不显示地图):
bash ~/clean_dds.sh步骤 2 —— 启动巡检(单条命令:Gazebo + Nav2 + 巡检节点,全程代码驱动):
ros2 launch tb3_patrol patrol.launch.py
⚠️ RViz 没有地图怎么办:先ros2 lifecycle get /map_server,若显示finalized [4]说明 map_server 生命周期加载失败(FastDDS 偶发 bug)。重启整个仿真即可:停掉当前 launch(Ctrl+C)→bash ~/clean_dds.sh→ 重新ros2 launch。正常时 map_server 应为active [3]且/map话题有发布者。
完整演示流程(录视频时照这个顺序执行):
步骤 1(终端 A)—— 一键启动巡检:
bash ~/start_patrol.sh步骤 2(终端 B)—— 动态避障投放(投放时机自己控制):
source ~/turtlebot3_ws/setup_env.sh
# 智能监控: 等机器人接近投放点时自动投放(演示主力, 推荐)
# 投放点 (2.545, 0.514) = 去 wp3 的必经缝隙(东), 机器人会自动绕西缝隙(较远路线)
ros2 run tb3_patrol spawn_obstacle --watch 2.545 0.514
⚠️ ros2 run启动需 15~40s 才就绪,可以自己定好时机再启动投放。
可选(替换步骤 2)的其他投放方式:
# 方法一: 手动指定投放点(地图坐标), 可换任意路径点
ros2 run tb3_patrol spawn_obstacle --x 2.545 --y 0.514
# 方法二: 自动投放 —— 在机器人正前方 1.2m 处投放
ros2 run tb3_patrol spawn_obstacle --auto💡 spawn_obstacle 已内置防故障:投放前自动删除残留同名实体(避免 "already exists" 被拒)、服务偶发超时自动重试 3 次。正常时日志依次出现
已删除残留实体→✅ 障碍物已生成;若仍报"投放失败",多半是仿真世界里已有同名箱子,重跑一次即可(脚本会自动删除重建)。
💡 若 RViz 里出现旋转错位的"重影"色块,那只是局部代价地图图层未对齐的显示(不影响导航)。已默认关闭
Local Costmap/Downsampled Costmap图层避免该现象。
实测效果:障碍物放于东缝隙 (2.545, 0.514)(wp2→wp3 的必经之路)后,机器人去 wp3 时识别到障碍、不硬闯(全程距障碍最近 0.615m),自动重规划改走**西缝隙(x≈1.445)**这条较远路线绕行,最终 3/3 全到达。
tb3_patrol/
├── launch/
│ └── patrol.launch.py # 一键启动: gazebo + nav2 + 巡检节点
├── config/
│ ├── nav2_params.yaml # Nav2 调优参数(控制器/规划器/恢复行为)
│ └── patrol_waypoints.yaml # 巡检点配置(可修改)
├── scripts/ # (见 tb3_patrol/ 源码包)
└── tb3_patrol/
├── patrol_node.py # 巡检主节点: 代码驱动初始位姿 + 顺序导航
└── spawn_obstacle.py # 动态避障演示: 运行时生成障碍物
- 建图:Cartographer 激光 SLAM,键盘遥控扫图,保存
~/map.yaml - 定位:AMCL 粒子滤波,初始位姿由代码自动发布(无需 RViz 手动点选)
- 规划:Nav2 NavFn 全局规划 + DWB 局部规划(动态避障)
- 巡检:
patrol_node.py按配置顺序发送NavigateToPose目标,带进度日志与结果统计 - 恢复:Nav2 行为树内置 Recovery(spin / backup / wait),导航失败自动恢复
- TurtleBot3 仿真环境搭建(gazebo + cartographer + nav2)
- 手动建图并保存
- 代码驱动的 3 目标点自主导航(顺序巡检)
- 巡检行为:到达每个目标点后停留 3s + 原地旋转 360° 扫描(可配置)
- 巡检进度实时日志 + 成功/失败统计
- 导航失败自动 Recovery(spin/backup/wait/drive_on_heading + 卡死检测重定位)
- 动态障碍物避障演示(三种投放方式)
- 一键启动(单条命令完成全部)
turtlebot3_world 中央是 3×3 的 9 根圆柱阵列(ROS 标识形,柱间距 1.1m、缝宽约 0.80m)。本次选点让巡检路线绕柱阵外围行走、不触碰柱子,到达 3 个相距很远的点,并保持默认膨胀半径(紫色代价地图可视化):
| 点 | 地图坐标 | 说明 |
|---|---|---|
| 起点 | (0.0, 0.0) | 柱阵以西 |
| wp1-右 | (3.6, 0.5) | 柱阵以东 |
| wp2-下 | (2.0, -1.8) | 柱阵以南 |
| wp3-上 | (2.0, 2.6) | 柱阵以北 |
- 空间跨度:右-下 2.8m,下-上 4.4m,右-上 2.6m(房间约 6.3m×5.8m,跨度充分)
- 绕开柱阵:起点→wp1、wp1→wp2、wp2→wp3 三段路径均绕开 9 柱阵行走、全程不触碰柱子(0 次碰撞、0 次卡死)
- 代价地图(紫色可视化):保持默认膨胀
robot_radius:0.22, inflation_radius:0.55/1.0——大膨胀圈把机器人安全地挡在柱外(紫色代价带),既不碰柱、运动也稳定 - 备选优化(穿柱阵):曾测试将代价地图按 waffle 真实足迹缩小为
robot_radius:0.14, inflation_radius:0.15,打通 0.80m 柱缝后可实现从 9 柱阵内部穿行(已验证 3/3 成功);如需"穿柱阵"效果可平滑切换
| 加分方向 | 实现 |
|---|---|
| 路径合理、运动稳定 | DWB 控制器参数调优(限速/限加速度)+ 保持默认代价地图膨胀(紫色可视化),机器人绕柱阵行走稳定、全程无碰撞 |
| 全程代码驱动 | 初始位姿 + 目标点均由代码自动发送,零手动操作 |
| 少量命令启动 | ros2 launch tb3_patrol patrol.launch.py 一条命令 |
| 合理巡检行为 | 按配置顺序访问多点、进度日志、结果统计 |
| 导航失败 Recovery | ①自定义行为树定制恢复策略 ②巡检层卡死检测→重新全局定位→重试 |
| 源码利用/扩展 | 自定义行为树(patrol_recovery.xml) + 直接发布 /initialpose 绕开 nav2_simple_commander 兼容 bug |
| 动态避障 | 巡检途中投放障碍物,机器人经局部代价地图实时绕行 |
- 自适应初始位姿:实测确定 odom 锚定于 gazebo 世界原点,推导 map↔odom 偏移,初始位姿与真实位置精确匹配(map 坐标系 (0,0))
- 代价地图膨胀设计:默认大膨胀(紫/粉色)清晰显示障碍影响范围,同时把机器人安全挡在柱外(绕柱不碰、运动稳定);另已验证将 inflation 缩至 0.15m 可打通 0.80m 柱缝实现穿柱阵(作为可切换的增强方案)
- robust 环境脚本:
setup_env.sh统一 ROS2 运行环境(解决 venv Python 冲突、ROS_DOMAIN_ID 不一致、多播发现受网络切换影响等问题) - 双重 Recovery:行为树级(spin/backup/wait/drive_on_heading 定制顺序)+ 应用级(15s 卡死检测 → /reinitialize_global_localization → 最多 3 次重试)
- 配置驱动:巡检点 / 导航参数 / 行为树全部外部可配置,无需改代码
- 智能投放:spawn_obstacle 支持 watch 模式(监控机器人位置自动投放)与 auto 模式(正前方投放),适配不同演示场景