基于ROS2与Nav2的智能扫地机器人自主导航系统实战指南

简介：本资源是一套基于ROS2开发的导航扫地机器人完整工程实现，面向机器人工程、人工智能方向的本科生课程设计与毕业设计实践者，解决自主导航与清扫功能集成这一典型移动机器人应用问题。压缩包共68个文件，含29个Python节点脚本（如激光数据处理、导航控制、传感器接口）、10个YAML配置文件（涵盖参数调优与导航栈配置）、4个XACRO宏定义与1个URDF模型文件（支撑仿真与实机适配），以及RVIZ可视化配置、PGM地图、Gazebo世界文件等关键组件，整体仅117KB，轻量但结构完整。已有89人学习下载。资源包含仿真与实机双环境支持（vacuum_robot_sim/vacuum_robot_real）、标准化launch启动流程、测试协议脚本test_protocol.py及系统级README说明，目录按功能模块清晰划分，便于理解ROS2导航堆栈各组件协作逻辑，是掌握SLAM建图、AMCL定位、Nav2路径规划与硬件闭环控制的高价值实践范例。

1. 项目概述：从零构建一个会思考的扫地机器人

最近在整理工作室时，看着角落里那台只会“随机碰撞”的老式扫地机器人，一个想法冒了出来：能不能用ROS2给它装上“大脑”，让它真正学会规划路径、自主导航，变成一个智能清洁工？这个“基于ROS2的导航扫地机器人”项目，就是对这个想法的实践。它不仅仅是一个玩具，更是一个绝佳的ROS2综合应用案例，涵盖了机器人操作系统中的感知、定位、建图、路径规划和控制等核心模块。无论你是机器人专业的学生想找个实战项目练手，还是嵌入式开发者想切入机器人领域，亦或是像我一样的硬件爱好者想折腾点有意思的东西，这个项目都能带你走完一个完整机器人的开发闭环。它的核心价值在于，你将亲手搭建一套可运行的导航系统，理解各个模块如何协同工作，而不仅仅是纸上谈兵。接下来，我会详细拆解整个项目的设计思路、关键技术和每一步的实操细节，分享我在这个过程中踩过的坑和总结的经验。

2. 项目整体设计与核心思路拆解

2.1 为什么选择ROS2与Nav2框架

在机器人开发中，造轮子是大忌。ROS（Robot Operating System）及其第二代ROS2，本质上是一个通信中间件和工具集的合集，它提供了标准化的消息接口、节点管理、调试工具，让开发者能专注于算法本身，而不是底层通信。ROS2相比ROS1，最大的改进在于去中心化的通信机制（DDS）、跨平台支持以及更完善的生命周期管理，这对于追求稳定性和产品化的应用至关重要。

而Nav2（Navigation2）则是ROS2生态中专为移动机器人导航设计的“全家桶”框架。它接过了ROS1中move_base的旗帜，并进行了重构和增强。Nav2的核心是一个行为树（Behavior Tree）驱动的状态机，它将复杂的导航任务（如全局规划、局部规划、恢复行为）模块化，并通过行为树灵活地调度这些模块。这意味着，当机器人遇到障碍物、陷入死循环或者定位丢失时，Nav2可以触发一系列预定义的恢复行为（如原地旋转、清除代价地图区域），而不是傻傻地卡死。对于我们的扫地机器人项目，Nav2提供了开箱即用的导航能力，我们只需要提供机器人的传感器数据（如激光雷达、里程计）和控制接口，并配置好参数，就能获得一个基础的自主导航机器人。

我的设计思路是：利用ROS2作为软件框架，Nav2作为导航引擎，在一台搭载单板计算机（如树莓派4B或Jetson Nano）的扫地机器人底盘上，实现SLAM建图和定点导航清扫。整个系统的数据流可以这样理解：激光雷达和轮子编码器提供环境感知与自身运动信息，SLAM算法（如Cartographer或SLAM Toolbox）实时融合这些数据，生成一张地图并给出机器人的在地图中的位置（定位）。这张地图和定位信息喂给Nav2，当我们在RVIZ2（ROS2的可视化工具）上点击一个目标点时，Nav2的全局规划器会计算出一条从当前位置到目标点的最优路径，然后局部规划器会结合实时传感器数据，控制机器人底盘电机，让机器人沿着这条路径安全、平滑地移动，同时避开动态障碍物。

2.2 硬件选型与系统架构

一个导航机器人离不开感知、决策和执行三大模块。以下是经过实际验证的硬件选型方案：

1. 主控计算单元：树莓派4B 4GB版本。这是性价比最高的选择。它足以流畅运行ROS2 Humble、Cartographer SLAM和Nav2。如果对算力有更高要求（比如想跑轻量级视觉SLAM），可以考虑Jetson Nano。我选择树莓派是因为其社区支持庞大，遇到问题容易找到解决方案。
2. 感知传感器：二维激光雷达（Lidar），型号推荐RPLIDAR A1或YDLIDAR X2。这是导航的“眼睛”，用于获取周围环境的距离信息，是构建2D地图和实时避障的基础。务必确认雷达的驱动在ROS2中可用。
3. 定位与里程计：通常由机器人底盘提供。我使用的是带编码器的差分驱动底盘。两个驱动轮的编码器脉冲数可以通过软件计算（Odometry）来估算机器人的位置和朝向变化，这是定位的重要信息来源。底盘电机驱动板需要能与树莓派通过串口或I2C通信。
4. 执行机构：即上述的差分驱动底盘，包含两个直流电机和电机驱动板（如基于TB6612或L298N的驱动板）。
5. 电源管理：需要一块大容量（如10000mAh以上）的移动电源为树莓派、雷达和底盘供电。注意电压匹配，树莓派需要5V，雷达通常是5V，电机驱动板可能需要更高的电压（如12V）。

软件架构上，我们将在Ubuntu 22.04系统上安装ROS2 Humble版本。整个ROS2系统由多个节点（Node）组成：

• 激光雷达节点：发布sensor_msgs/msg/LaserScan类型的扫描数据。
• 机器人状态发布节点：发布nav_msgs/msg/Odometry里程计信息和tf2坐标变换（连接雷达、底盘和地图坐标系）。
• SLAM节点：订阅雷达和里程计数据，发布nav_msgs/msg/OccupancyGrid地图和机器人定位。
• Nav2节点集：包括控制器（Controller）、规划器（Planner）、恢复器（Recovery）等，它们订阅地图、定位和目标点，发布geometry_msgs/msg/Twist速度指令。
• 底盘控制节点：订阅速度指令，转换为电机驱动板的PWM信号，控制机器人移动。

注意：硬件连接时，务必做好电气隔离。电机在启停时会产生很大的反向电动势，可能干扰甚至损坏树莓派的GPIO。稳妥的做法是使用光耦隔离模块，或者选择本身带有隔离设计的电机驱动板。

3. 核心环境搭建与依赖安装

3.1 操作系统与ROS2基础环境

第一步是在树莓派上安装Ubuntu Server 22.04 LTS。不建议使用桌面版，因为我们的机器人是“无头”运行，桌面环境会浪费宝贵的计算资源。安装完成后，通过SSH连接到树莓派进行操作。

接下来是安装ROS2 Humble。官方安装步骤清晰，但网络环境可能是个挑战。这里分享一个更稳定的方法，使用国内镜像源：

# 1. 设置区域和语言支持（避免后续警告） sudo apt update && sudo apt install locales -y sudo locale-gen en_US en_US.UTF-8 sudo update-locale LC_ALL=en_US.UTF-8 LANG=en_US.UTF-8 export LANG=en_US.UTF-8 # 2. 添加ROS2 GPG密钥和软件源（使用中科大镜像） sudo apt install software-properties-common -y sudo add-apt-repository universe sudo apt update && sudo apt install curl -y sudo curl -sSL https://raw.githubusercontent.com/ros/rosdistro/master/ros.key -o /usr/share/keyrings/ros-archive-keyring.gpg echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/ros-archive-keyring.gpg] https://mirrors.ustc.edu.cn/ros2/ubuntu $(. /etc/os-release && echo $UBUNTU_CODENAME) main" | sudo tee /etc/apt/sources.list.d/ros2.list > /dev/null # 3. 安装ROS2基础包和开发工具 sudo apt update sudo apt install ros-humble-desktop -y # 这里安装了桌面版，因为我们需要RVIZ2进行可视化调试。后期可精简。 sudo apt install python3-colcon-common-extensions python3-rosdep2 -y # 4. 初始化rosdep并设置环境变量 sudo rosdep init rosdep update echo "source /opt/ros/humble/setup.bash" >> ~/.bashrc source ~/.bashrc

安装完成后，在一个新的终端输入ros2 topic list，如果能看到一些系统话题，说明ROS2核心系统安装成功。

3.2 Nav2及相关功能包安装

Nav2并非一个单一软件包，而是一个包含众多节点的元功能包（Meta Package）。我们使用apt安装二进制包，这是最快捷的方式：

sudo apt install ros-humble-navigation2 ros-humble-nav2-bringup ros-humble-turtlebot3* -y

这里特意安装了turtlebot3的相关包。虽然我们不是用TurtleBot，但它的包提供了非常标准的机器人URDF模型、启动文件和配置，是极佳的学习和参考模板。我们可以借鉴其参数配置和启动逻辑。

此外，我们还需要SLAM工具。我推荐使用SLAM Toolbox，它在ROS2中集成良好，且支持同步定位与建图以及纯定位模式：

sudo apt install ros-humble-slam-toolbox -y

为了驱动常见的激光雷达，还需要安装对应的ROS2驱动。例如，对于RPLIDAR：

# 创建一个工作空间 mkdir -p ~/ros2_ws/src cd ~/ros2_ws/src # 克隆雷达驱动源码（以rplidar_ros2为例，请根据你的雷达型号寻找对应驱动） git clone https://github.com/Slamtec/rplidar_ros2.git cd ~/ros2_ws # 解决依赖并编译 rosdep install -i --from-path src --rosdistro humble -y colcon build --symlink-install echo "source ~/ros2_ws/install/setup.bash" >> ~/.bashrc source ~/.bashrc

实操心得：在colcon build时，使用--symlink-install参数非常重要。它创建的是符号链接而非直接拷贝，这样你在src目录下修改源码后，无需重新install，修改就能立即生效，极大提高了开发调试效率。

4. 机器人模型与传感器配置

4.1 创建机器人URDF描述文件

URDF（Unified Robot Description Format）是ROS中描述机器人连杆、关节、传感器物理属性的XML文件。对于导航，我们至少需要描述机器人底盘尺寸、雷达安装位置以及车轮关节。

我们在工作空间src目录下创建一个新的功能包：

cd ~/ros2_ws/src ros2 pkg create --build-type ament_cmake my_robot_description cd my_robot_description mkdir urdf launch config

在urdf文件夹中创建my_robot.urdf.xacro文件（使用xacro宏以支持参数化）。文件内容核心包括：

1. 基础连杆：定义机器人的底盘（base_link），一个长方体。
2. 雷达连杆：定义激光雷达（laser_link），并指定其相对于底盘的位置和朝向（例如，安装在底盘正前方中心，高度10cm）。
3. 车轮关节：定义左右轮与底盘的连接关系，类型为连续旋转关节（continuous），并指定其旋转轴。
4. 坐标变换：发布从base_link到laser_link的静态坐标变换（static_transform_publisher）。

这里的关键是雷达的安装位置和朝向必须准确。如果雷达装歪了，那么建出来的地图就是斜的，导航必然出错。通常，雷达的扫描平面应与地面平行，且雷达的前向（0度角方向）应与机器人的前进方向一致。

4.2 配置机器人状态发布与TF树

TF2是ROS2中管理坐标系变换的库。导航系统需要知道所有部件（地图map、里程计odom、底盘base_link、雷达laser）之间的变换关系。

我们需要编写一个节点来发布两项关键信息：

1. 里程计信息：通过订阅编码器数据（或电机驱动板反馈），计算并发布nav_msgs/msg/Odometry消息到/odom话题。
2. TF变换：发布从odom坐标系到base_link坐标系的变换。odom是一个随着机器人运动而漂移的坐标系，用于短期内的精确定位。

同时，雷达驱动节点会发布从base_link到laser的静态变换（我们在URDF中定义了）。这样，就构成了完整的TF树：map->odom->base_link->laser。SLAM节点会负责发布map到odom的变换。

注意事项：TF树的维护是ROS导航中最容易出错的地方之一。务必使用ros2 run tf2_tools view_frames命令生成TF树图，或用RVIZ2的TF显示功能，检查所有坐标系是否齐全、连接是否正确。常见的错误是缺少map->odom或odom->base_link的变换，这会导致Nav2无法获取有效的机器人定位。

5. SLAM建图实战与参数调优

5.1 启动SLAM与手动遥控建图

当硬件连接妥当、URDF和基础节点准备好后，就可以开始建图了。我们分多个终端启动相关节点：

终端1：启动机器人状态和雷达

source ~/ros2_ws/install/setup.bash ros2 launch my_robot_description my_robot_laser.launch.py # 这个launch文件应包含：启动URDF模型、发布静态TF、启动雷达驱动节点、启动机器人状态发布节点（发布odom和tf）

终端2：启动SLAM Toolbox

source /opt/ros/humble/setup.bash ros2 launch slam_toolbox online_async_launch.py params_file:=/path/to/your/mapper_params.yaml

终端3：启动RVIZ2进行可视化

ros2 run rviz2 rviz2 -d `ros2 pkg prefix slam_toolbox`/share/slam_toolbox/config/slam_toolbox_default.rviz

在RVIZ2中，添加LaserScan显示并订阅/scan话题，添加Map显示并订阅/map话题。你应该能看到雷达扫描点出现在栅格地图上。

终端4：启动键盘遥控节点

ros2 run teleop_twist_keyboard teleop_twist_keyboard

现在，你可以通过键盘（U/I/O/J/K/L等键）遥控机器人在房间内缓慢移动，SLAM算法会实时将激光扫描数据融合成地图。建图的原则是：慢速、匀速、全覆盖。要确保机器人走到房间的每一个角落，并且多次经过同一区域，以帮助算法进行回环检测，修正累积误差。

5.2 SLAM关键参数解析与调优心得

SLAM Toolbox的性能很大程度上取决于参数配置。以下是我在mapper_params.yaml中调整的几个关键参数及其影响：

slam_toolbox: ros__parameters: # 地图分辨率，单位：米/像素。0.05表示地图上一个像素代表5厘米。值越小地图越精细，但计算量越大。 resolution: 0.05 # 地图最大范围，单位：米。根据你的场地大小设置。 map_height: 20 map_width: 20 # 扫描匹配相关参数 # 迭代优化算法的最大迭代次数，影响位姿优化的精度和速度。 max_iterations: 50 # 回环检测的搜索半径，单位：米。机器人移动超过此距离才会尝试进行回环检测。在开阔空间可适当增大。 loop_search_distance: 8.0 # 回环检测的最小匹配得分阈值，越高要求越严格，避免错误回环。 loop_match_minimum_chain_size: 10 # 协方差估计参数，影响定位的置信度 # 里程计的线性运动噪声，值越大表示对里程计信息越不信任。 odom_linear_covariance: 0.1 odom_angular_covariance: 0.1

调优经验：

• 如果地图出现重影或错位：通常是回环检测不成功或里程计误差过大。可以尝试降低机器人移动速度，让激光数据更密集；同时检查odom_linear_covariance和odom_angular_covariance参数，如果里程计精度差（比如轮子打滑），应适当增大这两个值，告诉SLAM算法更多地依赖激光匹配而非里程计。
• 如果建图速度很慢：可以尝试降低resolution（如从0.05调到0.075），或者减小max_iterations（如调到30），但这会牺牲一些地图精度。
• 建图完成后，务必使用SLAM Toolbox提供的服务保存地图：

  ros2 service call /slam_toolbox/save_map slam_toolbox/srv/SaveMap “filename: ‘/home/pi/map’”

  这会生成map.pgm（地图图像）和map.yaml（地图元数据）两个文件。

6. Nav2导航栈配置与启动

6.1 导航参数文件详解

Nav2的配置参数繁多，但大部分可以使用默认值。我们需要重点关注几个核心配置文件，通常放在功能包的config目录下：

1. nav2_params.yaml：主配置文件。我们需要修改以下部分：

   controller_server: ros__parameters: # 控制器服务器使用的插件类型，默认为DWB（Dynamic Window Approach） controller_plugins: ["FollowPath"] FollowPath: plugin: "dwb_core::DWBLocalPlanner" # 机器人最大速度限制，必须根据你的实际底盘性能设置！设大了会失控。 max_vel_x: 0.26 # 最大前进速度 m/s min_vel_x: -0.26 # 最大后退速度 m/s max_vel_theta: 1.0 # 最大旋转速度 rad/s acc_lim_x: 0.5 # 线加速度限制 m/s^2 acc_lim_theta: 0.5 # 角加速度限制 rad/s^2 planner_server: ros__parameters: planner_plugins: ["GridBased"] GridBased: plugin: "nav2_navfn_planner/NavfnPlanner" behavior_server: ros__parameters: # 恢复行为配置，如旋转恢复、清除代价地图 behavior_plugins: ["spin", "backup", "clear_costmap"] bt_navigator: ros__parameters: # 行为树XML文件路径，定义了导航流程逻辑 bt_xml_filename: "navigate_w_replanning_and_recovery.xml"

2. costmap_common_params.yaml：代价地图通用参数。代价地图是Nav2用于路径规划和避障的核心数据结构，它将地图分为自由空间、障碍物空间和未知空间。

   global_costmap: global_frame: map # 全局代价地图的坐标系 robot_base_frame: base_link # 机器人基坐标系 update_frequency: 1.0 # 更新频率 publish_frequency: 1.0 width: 10 # 地图尺寸，单位：米 height: 10 resolution: 0.05 # 必须与SLAM建图分辨率一致！ plugins: ["static_layer", "inflation_layer"] static_layer: plugin: "nav2_costmap_2d::StaticLayer" map_subscribe_transient_local: true inflation_layer: plugin: "nav2_costmap_2d::InflationLayer" cost_scaling_factor: 3.0 # 膨胀系数，影响障碍物膨胀范围 inflation_radius: 0.5 # 膨胀半径，机器人半径+安全距离 local_costmap: # 局部代价地图参数类似，但通常范围较小（如3x3米），用于实时避障 global_frame: odom # 注意！局部代价地图通常基于odom坐标系 width: 3 height: 3 plugins: ["voxel_layer", "inflation_layer"] # 局部地图常使用体素层处理传感器数据 voxel_layer: plugin: "nav2_costmap_2d::VoxelLayer" enabled: true observation_sources: scan scan: topic: /scan data_type: "LaserScan" marking: true clearing: true

   关键点：global_costmap的resolution必须与SLAM建图的分辨率完全相同，否则导航目标点会严重偏移。

6.2 启动导航与发送目标点

配置完成后，可以启动完整的导航系统。通常我们会编写一个launch文件来一键启动所有节点。

终端1：启动机器人、雷达和TF

ros2 launch my_robot_description my_robot_bringup.launch.py

终端2：启动Nav2导航栈

ros2 launch nav2_bringup bringup_launch.py params_file:=/path/to/your/nav2_params.yaml map:=/home/pi/map.yaml

这里通过map参数指定了我们之前保存的地图文件。

终端3：启动RVIZ2导航视图

ros2 launch nav2_bringup rviz_launch.py

或者在已打开的RVIZ中，加载Nav2的配置文件（通常位于/opt/ros/humble/share/nav2_bringup/rviz/nav2_default_view.rviz）。

在RVIZ中，你应该能看到加载好的静态地图。使用工具栏中的“2D Pose Estimate”按钮，在地图上点击并拖拽，给出机器人的初始位置（绿色箭头）。这是定位初始化，至关重要。如果给的位置不准，机器人会“迷路”。

初始化成功后，使用“2D Nav Goal”按钮，在地图上点击目标点和朝向（红色箭头）。此时，你应该能看到：

1. 全局规划器规划出一条从当前位置到目标点的绿色全局路径。
2. 局部规划器生成一条蓝色或红色的局部轨迹，并开始控制机器人移动。
3. 机器人自主移动到目标点。

7. 常见问题排查与调试技巧实录

在实际调试中，你几乎一定会遇到各种问题。下面是我踩过的一些坑和解决方法：

7.1 机器人不移动或原地打转

• 检查速度指令话题：首先在终端运行ros2 topic echo /cmd_vel，查看Nav2是否发布了速度指令。如果没有，说明规划环节有问题。
• 检查TF树：运行ros2 run tf2_tools view_frames生成PDF，检查map->odom->base_link->laser链条是否完整。最常见的问题是odom->base_link的变换没有发布。确保你的机器人状态发布节点在正常运行。
• 检查代价地图：在RVIZ中查看global_costmap和local_costmap。如果机器人周围被障碍物（红色区域）完全包围，规划器会认为无路可走。检查inflation_radius是否设置过大，或者传感器数据是否错误地将地面识别为障碍物（需调整雷达安装高度或过滤点云）。

7.2 导航路径规划失败或绕远路

• 全局路径规划失败：检查global_costmap的static_layer是否成功订阅了/map话题。在RVIZ中查看全局代价地图，确认静态地图已正确加载。
• 路径不合理：可能是inflation_layer的inflation_radius设置过大，导致自由空间被过度压缩，规划器找不到宽敞的路径。适当调小这个值。
• 局部规划器震荡：机器人在目标点附近来回调整，无法稳定。这通常是由于局部规划器（如DWB）的path_distance_bias和goal_distance_bias等目标点吸引力参数设置不当。可以尝试增大goal_distance_bias，让机器人更倾向于朝向最终目标，而不是严格跟随路径。

7.3 定位丢失（AMCL问题）

虽然我们用了SLAM Toolbox的定位模式，但Nav2默认的定位器是AMCL。如果发现定位（地图上的绿色粒子云）发散：

• 初始位姿估计要准：使用“2D Pose Estimate”时，尽量对准。
• 调整AMCL参数：在nav2_params.yaml的amcl部分，增加max_particles（如3000）可以提高定位鲁棒性，但会增加计算量。减小update_min_d和update_min_a可以让定位更新更频繁。
• 考虑使用SLAM Toolbox的定位模式：在建图完成后，可以关闭建图模式，只运行SLAM Toolbox的纯定位节点，它通常比AMCL更精准，尤其是当环境特征明显时。

7.4 性能优化与系统稳定性

树莓派的算力有限，当所有节点全速运行时，可能会卡顿。

• 降低更新频率：在costmap_common_params.yaml中，将update_frequency和publish_frequency从1.0降低到0.5或0.3。
• 减小代价地图尺寸：特别是local_costmap，如果不是复杂动态环境，3x3米足够。
• 使用系统监控：运行htop命令监控CPU和内存占用。如果某个节点（如SLAM）占用过高，可以考虑降低其参数精度。
• 电源管理：确保使用足额电流的电源（5V/3A以上），电压不稳会导致树莓派重启或外设失灵。

8. 从导航到扫地：任务逻辑的集成

实现了自主导航，如何让它变成扫地机器人？这需要在导航之上添加任务层逻辑。一个简单的方案是：将清扫区域划分为多个子目标点（例如，房间的四个角落），让机器人顺序遍历这些点。

我们可以编写一个简单的Python节点，利用Nav2的Action接口（NavigateToPose）来发送连续的目标点。同时，在机器人移动过程中，控制扫地机的清扫电机启停。

# 示例片段：发送连续导航目标 import rclpy from rclpy.action import ActionClient from geometry_msgs.msg import PoseStamped from nav2_msgs.action import NavigateToPose class CleaningScheduler(Node): def __init__(self): super().__init__('cleaning_scheduler') self._action_client = ActionClient(self, NavigateToPose, 'navigate_to_pose') self.cleaning_points = [...] # 预定义的清扫点坐标列表 self.current_point_index = 0 def send_goal(self, pose): goal_msg = NavigateToPose.Goal() goal_msg.pose = pose self._action_client.wait_for_server() self._send_goal_future = self._action_client.send_goal_async(goal_msg, feedback_callback=self.feedback_callback) self._send_goal_future.add_done_callback(self.goal_response_callback) def goal_response_callback(self, future): goal_handle = future.result() if not goal_handle.accepted: self.get_logger().info('Goal rejected') return self.get_logger().info('Goal accepted') self._get_result_future = goal_handle.get_result_async() self._get_result_future.add_done_callback(self.get_result_callback) def get_result_callback(self, future): result = future.result().result self.get_logger().info(f'Arrived at point {self.current_point_index}') # 到达一个点后，启动清扫电机（通过另一个话题或服务） self.control_cleaning_motor(True) # 停留清扫一段时间 time.sleep(5) self.control_cleaning_motor(False) # 前往下一个点 self.current_point_index += 1 if self.current_point_index < len(self.cleaning_points): self.send_goal(self.cleaning_points[self.current_point_index]) else: self.get_logger().info('Cleaning task finished!')

这个简单的调度器实现了“移动-清扫-移动”的循环。更复杂的策略可以实现“弓字形”全覆盖路径规划，这需要将房间轮廓和导航算法结合，是下一步优化的方向。

整个项目从硬件接线、系统安装、模型配置、算法调参到上层应用开发，是一个典型的机器人系统集成过程。其中最大的挑战不是某一项技术的深度，而是对众多模块之间接口和数据流的理解与调试。耐心阅读ROS2节点的日志信息，善用RVIZ进行可视化调试，是解决问题的关键。当你看到自己组装的机器人，按照指令在地图上稳健地移动到指定位置时，那种成就感是无可替代的。这个项目就像一个微缩的自动驾驶系统，它所涉及的理念和技术，是通向更复杂机器人应用的坚实一步。

本文还有配套的精品资源，点击获取