本期通过对turtlebot的Kinect深度传感器进行地图构建，并通过路径规划完成自主导航。
ROS定位导航的框架图如图1所示：
图1 ROS导航定位框架
其中move_base提供了ROS导航的配置、运 行、交互接口，它主要包括两个部分：
（1） 全局路径规划（global planner）：根据给定的目标位置进行总体路 径的规划；
（2） 本地实时规划（local planner）：根据附近的障碍物进行躲避路线 规划。
1.数据结构
ROS中定义了MovebaseActionGoal数据结构来存储导航的目标位置数据，其中最重要的就是位置坐标（position）和方向（orientation）
$ rosmsg show MovebaseActionGoal
显示结果如下：
[move_base_msgs/MovebaseActionGoal]:
std_msgs/Header header
uint32 seq
time stamp
string frame_id
actionlib_msgs/GoalID goal_id
time stamp
string id
move_base_msgs/MovebaseGoal goal
geometry_msgs/PoseStamped target_pose
std_msgs/Header header
uint32 seq
time stamp
string frame_id
geometry_msgs/Pose pose
geometry_msgs/Point position
float64 x
float64 y
float64 z
geometry_msgs/Quaternion orientation
float64 x
float64 y
float64 z
float64 w
2.配置文件
move_base使用前需要配置一些参数：运行成本、机器人半径、到达目 标位置的距离，机器人移动的速度，这些参数都在rbx1_nav包的以下几个配 置文件中：
l base_local_planner_params.yaml
l costmap_common_params.yaml
l global_costmap_params.yaml
l local_costmap_params.yaml
3.全局路径规划
在ROS的导航中，首先会通过全局路径规划，计算出机器人到目标位置的全局路线。这一功能是navfn这个包实现的。navfn通过Dijkstra最优路径的算法，计算costmap上的最小花费路径，作为机器人的全局路线。将来在算法上应该还会加入A*算法。
4.本地实时规划（local planner）
本地实时规划是利用base_local_planner包实现的。该包使用Trajectory Rollout 和Dynamic Window approaches算法计算机器人每个周期内应该行驶的速度和角度（dx，dy，dtheta velocities）。
base_local_planner这个包通过地图数据，通过算法搜索到达目标的多条 路经，利用一些评价标准（是否会撞击障碍物，所需要的时间等等）选取最优 的路径，并且计算所需要的实时速度和角度。
其中，Trajectory Rollout 和Dynamic Window approaches算法主要思路如下：
（1）采样机器人当前的状态（dx,dy,dtheta）；
（2）针对每个采样的速度，计算机器人以该速度行驶一段时间后的状态，得出一条行驶的路线；
（3）利用一些评价标准为多条路线打分；
（4）根据打分，选择最优路径；
（5）重复上面过程。
5.ArbotiX仿真
安装ArbotiX模拟器：
$ sudo aptitude install ros-indigo-arbotix –y
下载rbx1例子：
$ cd catkin_ws/src
$ git clone https://github.com/pirobot/rbx1.git
为了简化，我们暂时使用空白地图（blank_map.pgm）在空地上进行无障碍仿真。首先运行ArbotiX节点，并且加载机器人的URDF文件：
$ roslaunch rbx1_bringup fake_turtlebot.launch
然后运行move_base和加载空白地图的launch文件（fake_move_bas
e_blank_map.launch）：
$ roslaunch rbx1_nav fake_move_base_blank_map.launch
该文件的具体内容如下：
其中调用了fake_move_base.launch文件，是运行move_base节点并进行参数配置。
然后调用rviz就可以看到机器人了（如图2所示）：
$ rosrun rviz rviz –d ~/ catkin_ws /src/rbx1/rbx1_nav/nav_obstacles.rviz
图2 使用Rviz进行TurtleBot仿真
我们先以1m的速度进行一下测试, 让机器人前进一米：
$ rostopic pub /move_base_simple/goal geometry_msgs/PoseStamped '{header: {frame_id:"base_link"},pose:{position:{x:1,y:0,z:0},orientation:{x:0,y:0,z:0,w:1}}}'
让机器人后退一米，回到原来的位置：
$ rostopic pub /move_base_simple/goal geometry_msgs/PoseStamped '{header: {frame_id:"map"},pose:{position:{x:0,y:0,z:0},orientation:{x:0,y:0,z:0,w:1}}}'
在rviz中的轨迹如图3：
图3 TurtleBot运动轨迹
在机器人移动过程中，有一条蓝色的线（被黄线挡住了）就是机器人的全局规划的路径；红色的箭头是实施规划的路线，会不断更新，有的时候会呈现很大的弧线，那是因为机器人在转向的过程中尽量希望保持平稳的角度。如果觉得路径规划的精度不够，可以修改配置文件中的pdist_scale参数进行修正。然后我们可以认为的确定目标位置，点击rviz上方的2D Nav Goal按键，然后左键选择目标位置，机器人就开始自动导航了。
图4 TurtleBot自主导航
6.ArbotiX仿真——带有障碍物的路径规划
首先我们让机器人走一个正方形的路线。先通过上面的命令，让机器人回到原始位置（0，0，0），然后按reset按键，把所有的箭头清除，接着运行走正方形路径的代码：
$ rosrun rbx1_nav move_base_square.py
在rviz中可以看到图5所示的结果：
图5 TurtleBot绕正方形路径运动
图5中四个顶角的粉色圆盘就是我们设定的位置，正方形比较规则，可见定位还是比较准确的。TurtleBot绕正方形路径运动的代码如下：
#!/usr/bin/env python
import roslib; roslib.load_manifest('rbx1_nav')
import rospy
import actionlib
from actionlib_msgs.msg import *
from geometry_msgs.msg import Pose, Point, Quaternion, Twist
from move_base_msgs.msg import MovebaseAction, MovebaseGoal
from tf.transformations import quaternion_from_euler
from visualization_msgs.msg import Marker
from math import radians, pi
class MovebaseSquare():
def init (self):
rospy.init_node('nav_test', anonymous=False)
rospy.on_shutdown(self.shutdown)
# 设定正方形的尺寸，默认是一米
square_size = rospy.get_param("~square_size", 1.0) # meters
#创建一个列表，保存目标的角度数据
quaternions = list()
#定义四个顶角处机器人的方向角度
#将上面的Euler angles转换成Quaternion的格式
for angle in euler_angles:
q_angle = quaternion_from_euler(0, 0, angle, axes='sxyz')
q = Quaternion(*q_angle)
quaternions.append(q)
#创建一个列表存储导航点的位置
waypoints = list()
#创建四个导航点的位置（角度和坐标位置）
waypoints.append(Pose(Point(square_size, 0.0, 0.0), quaternion s[0]))
waypoints.append(Pose(Point(square_size, square_size, 0.0), quaternions[1])) s[2]))
waypoints.append(Pose(Point(0.0, square_size, 0.0), quaternion
waypoints.append(Pose(Point(0.0, 0.0, 0.0), quaternions[3]))
#初始化可视化标记
self.init_markers()
#给每个定点的导航点一个可视化标记
p = Point()
p = waypoint.position
self.markers.points.append(p)
#发布TWist消息控制机器人
self.cmd_vel_pub = rospy.Publisher('cmd_vel', Twist)
#订阅move_base服务器的消息
self.move_base = actionlib.SimpleActionClient("move_base", Move
baseAction)
rospy.loginfo("Waiting for move_base action server...")
# 等待move_base服务器建立
self.move_base.wait_for_server(rospy.Duration(60))
rospy.loginfo("Connected to move base server")
rospy.loginfo("Starting navigation test")
#初始化一个计数器，记录到达的顶点号
i = 0
# 主循环,环绕通过四个定点
while i < 4 and not rospy.is_shutdown():
# 发布标记指示四个目标的位置，每个周期发布一起 self.marker_pub.publish(self.markers)
#初始化goal为MovebaseGoal类型
goal = MovebaseGoal()
在实际中，往往需要让机器人自动躲避障碍物。move_base包的一个强大的功能就是可以在全局规划的过程中自动躲避障碍物，而不影响全局路径。障碍物可以是静态的（比如墙、桌子等），也可以是动态的（比如人走过）。现在我们尝试在之前的正方形路径中加入障碍物。
把之前运行fake_move_base_blank_map.launch的终端停止（CtrlC）掉，然后运行：
$ roslaunch rbx1_nav fake_move_base_obstacle.launch
运行结果如图6所示，在rviz中出现了障碍物：
图6 Rviz中出现的障碍物
然后再运行之前绕正方形运动的节点：
$ rosrun rbx1_nav move_base_square.py
这回可以看到，在全局路径规划的时候，机器人已经将障碍物绕过去了，如图7所示：
图7 TurtleBot避障
图7中，中间的线是障碍物，周围红色的椭圆形是根据配置文件中的inflation_radius参数计算出来的安全缓冲区。全局规划的路径基本已经是最短路径了。在仿真的过程中也可以动态重配置那四个配置文件，修改仿真参数。
7.实物测试
首先启动turtlebot：
$ roscore
$ roslaunch turtlebot_bringup minimal.launch
运行地图绘制demo：
$ roslaunch turtlebot_navigation maping_demo.launch
打开rviz查看地图：
$ roslaunch turtlebot_rviz_launchers view_navigation.launch
通过键盘控制机器人移动，建立地图：
$ roslaunch turtlebot_teleop keyboard.launch
建图过程如图8所示：
图8 TurtleBot建图
此时，可以选中2D Pose Estimate，然后用鼠标选中一个位置单击鼠标左键，机器人就会移动至你所指定的位置。
要保存建立的地图，运行：
$ rosrun map_server map_saver –f /tmp.my_map
要加载保存过的地图，运行：
$roslaunch turtlebot_navigation amcl_demo.launch
map_file:=/tmp/my_map.yaml
接下来的操作和上面一样，机器人会根据你指定的位置进行自主导航。
