SLAM 与自主导航

SLAM（即时定位与建图）回答两个问题：我在哪？周围长什么样？解决了它，机器人才敢自由走动。

一、两代 SLAM

• 激光 SLAM（如 Cartographer / gmapping）：精度高、受光照影响小，室内首选
• 视觉 SLAM（如 ORB-SLAM）：只需相机，成本低，室外与纹理丰富场景更合适

二、定位的朴素解释

没有 GPS 的室内，机器人靠“运动估计 + 观测匹配”定位：里程计给个预判，激光扫描再和地图对一下，误差互相校正，这就是卡尔曼/粒子滤波的直觉。

三、导航 = 全局规划 + 局部避障

Nav2 是 ROS 2 的导航栈：全局规划器找出一条到目标点的路径，局部规划器实时躲避刚冒出来的障碍：

ros2 launch nav2_bringup bringup_launch.py map:=map.yaml

四、让底盘动起来

底盘要能收发 /cmd_vel（线速度 + 角速度）话题，并提供里程计。差速 / 麦克纳姆轮底盘的模型略有不同，先跑仿真再上真车。

五、避坑清单

• 地图精度不够：先调好激光安装角度与帧率
• 走位漂移：加回环检测，定期重定位
• 导航撞墙：多半是代价地图膨胀半径与底盘尺寸不匹配

跑通“建图—导航”后，机器人就具备了“移动”这个最基础的能力，再往上叠加抓取与 AI，就是具身智能了。