沙盘环境认知与建图导航

01本节目标

• 说出沙盘典型元素及其交通语义：车道线（约 40cm 宽）、直角弯、T 形/十字路口、红绿灯模型、斑马线、平行车位/侧方车位、四类交通标志牌、行人模型、高对比识别线。
• 讲清激光 SLAM 三件事：怎么扫（/scan 扫描匹配）、怎么闭（回环校正）、怎么存（slam_map 栅格地图）。
• 独立跑通 car1_slam/slam.launch.py 遍历建图并保存 slam_map，在 RViz2 检查路口无重影。
• 用 car1_navigation/navigation.launch.py 完成 Nav2 点到点巡路，会设 2D Pose Estimate 初始位姿。
• 在地图上完成 ≥6 处沙盘语义标注（路口/灯口/车位/斑马线），形成后续实验的点位底座。
• 牢记安全铁律：沙盘边缘 0.5m 内视为安全边界，小车低速起步（≤0.15m/s），先空场后巡路。

02核心原理：沙盘即结构化城市，SLAM 把它变成栅格地图

把沙盘想像成一座"微缩城市"的施工图纸：车道线是道路中轴，路口是节点，红绿灯与标志牌是规则牌，车位是终点站。小车要在这座城市里活下来，先得把"图纸"装进脑子里——这幅图纸就是 slam_map 栅格地图。激光雷达每转一圈吐出一帧 /scan，slam_toolbox 做扫描匹配：拿当前帧与已有地图对齐，能对上就推出自身位姿、顺手把新墙面刷进地图；走过回头路时触发回环校正——发现"这面墙我来过"，把累计漂移一把拉回，路口才不会画成两个路口。

沙盘元素 → 地图语义 → 课程用途（典型规格，以现场沙盘实际元素为准）

地图有了，Nav2 负责"怎么走"：AMCL 粒子滤波拿实时 /scan 与 slam_map 匹配求出小车在图上的坐标（map→base_link），全局规划器（A*/DWA 层级）在代价地图上铺出路线，局部控制器沿路纠偏，把结果化成 /cmd_vel 速度流给麦克纳姆轮底盘——于是"走到那个路口"就成了一次点击。语义标注则是往这张图上贴标签：把 map 坐标系里的路口、灯口、车位写进一个 yaml 点位表，EXP-02~04 全部按名取点，不再传裸坐标。

03硬件与场景

04操作步骤

1. 遍历策略：先沿外环顺时针走一圈，再穿中轴支路，最后回到出发点触发回环——直角弯外侧 90° 缓转，速度 ≤0.15m/s，起步前让轮子转半圈再落，避免麦克纳姆轮原地打滑刷歪地图。
2. 闭环检查：RViz2 中回到起点时，起始墙面与返场墙面应重合成一条线；出现"双墙"说明漂移大，重新建图并放慢过弯速度。
3. 保存地图：执行第 05 节命令保存 slam_map.yaml + slam_map.pgm，先在 RViz2 反复加载确认再往下走。
4. 点到点巡路：加载地图启动导航后必设 2D Pose Estimate，依次下发 3 个目标点（A 角直角弯、B 点灯口前、C 点车位前），每个点连续 3 次到位算通过。
5. 语义标注：用 RViz2 的 Publish Point 读坐标，按 name: {x, y, yaw} 格式写入点位 yaml，至少标注 4 路口 + 1 灯口 + 1 车位。
6. 留痕：保存地图截图、3 次到位截屏与点位 yaml，构成本实验验收证据。

05关键命令

命令风格与《培训方案》xlsx 一致；包名、地图名沿用 car1_slam / slam_map / car1_navigation 约定。

# ① 预检：雷达与底盘话题在线
ros2 topic echo /scan --once
ros2 topic list | grep -E "scan|cmd_vel"

# ② 启动激光 SLAM 建图（终端1）+ RViz2 观察（终端2）
ros2 launch car1_slam slam.launch.py
rviz2 -d ~/car1_ws/src/car1_slam/rviz/slam.rviz

# ③ 遥控遍历沙盘闭环（低速起步！）+ 查看 TF 树确认 frame 完整
ros2 run teleop_twist_keyboard teleop_twist_keyboard
ros2 run tf2_tools view_frames

# ④ 保存地图为 slam_map（遍历闭环并回到起点后执行）
ros2 run nav2_map_server map_saver_cli -f slam_map

# ⑤ 加载 slam_map 启动 Nav2 + AMCL 定位
ros2 launch car1_navigation navigation.launch.py map:=slam_map

# ⑥ RViz2 设初始位姿（2D Pose Estimate）后再下发目标点
ros2 action send_goal /navigate_to_pose nav2_msgs/action/NavigateToPose \
  "{pose: {header: {frame_id: map}, pose: {position: {x: 1.2, y: 0.8}}}}"

# ⑦ 监控定位质量：粒子云应收敛成一撮，TF 持续刷新
ros2 topic echo /amcl_pose --once
ros2 run tf2_ros tf2_echo map base_link

06原理动画：遍历建图与 Nav2 点到点

07互动实验：红绿灯配时模拟器

配时公式（本模拟器采用）：南北向 红 3s → 绿 25s → 黄 5s，东西向 绿 13s → 黄 2s，周期 48s。把滑杆推到黄灯切换前 2 秒再看车辆位置——"能否在停止线前停下"决定黄灯该走还是该停，这正是 EXP-03 路口状态机的判据原型。

08常见问题

09拓展阅读

• slam_toolbox 官方文档（ROS 2 Wiki）：mapping / localization 两种模式的参数表——对照本课 slam.launch.py 看 resolution、max_laser_range 怎么影响 40cm 车道的建图精度。
• Nav2 概念页：global planner 与 controller 的分工、代价地图膨胀层——理解"目标点为什么不能压线放"。
• tf2_tools view_frames：每次导航会话开始先导一次 TF 树，map→odom→base_link 断链是 80% 导航怪病的根源。
• 教学沙盘选型：淘宝「ROS机器人无人驾驶沙盘」（id=696594369848，¥899，塔克创新品牌店）；同类规格可参考 Hiwonder 自动驾驶地图产品页（本课抓图来源）。
• 本课程索引：CASE-05 课程目录，下一实验将把灯口与标志牌变成话题数据。

10思考题 · 自测