基于ROS 2的机器人光照感知自主导航规划系统

周明健^1,2，张政¹，任信钢²，杨敖¹，金仁国³

(1.机械工程学院,巢湖学院,安徽省巢湖市238000,中国

2.安徽大学电子与信息工程学院,安徽省合肥市230000,中国

3.合肥舟鸿科技有限公司,安徽省巢湖市238000,中国)

基金：安徽省高校青年教师培育行动计划项目（编号：JNFX2024052）、巢湖学院学科建设质量提升工程重点项目（编号：XLZ-202408）、安徽省大学生创新创业训练计划项目（编号：S202510380008）、巢湖学院校级大学生创新创业训练计划项目（编号：X202410380098）。

摘要：本文依托 ROS 2 平台搭建机器人光照感知自主导航规划系统，结合 URDF 机器人建模、Gazebo 仿真与改进 SLAM 算法，实现未知环境实时定位建图。系统采用光照感知 RRT算法做全局路径规划，搭配 DWA 算法完成局部避障与轨迹平滑。仿真结果显示，相较基线 RRT 算法，A算法路径平均照度提升 18%，光照感知 RRT提升 20%；后者高照度占比达 40%，远高于 A的 20% 与基线 RRT 的 10%，其光照增量 60 lux，较 A * 提升 140%。该系统导航性能优异，具备出色的光照感知能力，可为同类研究提供参考。

关键词：ROS 2，SLAM,光照感知导航，DWA算法，障碍物避让路径规划

1.引言

移动机器人自主导航是机器人领域重点研究方向，SLAM 与全局路径规划为核心技术^[1]。SLAM 可实现未知环境建图与机器人定位，应用场景广泛；全局路径规划结合局部避障算法，保障机器人安全行进，多模块协同是复杂环境下高效导航的关键。随着视觉导航发展，将光照感知融入导航成为新趋势^[2]。本文基于 ROS 2 与 Gazebo 平台，在 RRT 算法中引入局部光照梯度采样机制优化全局路径，搭配 DWA 算法执行轨迹、实现局部避障，融合光照信息优化行进路线，最终完成无预设目标的机器人光照感知自主导航。

2.系统架构与功能实现

2.1系统架构

2.1.1系统架构概述

本导航系统采用模块化架构，包含感知、建图、全局规划、局部控制、可视化五大核心模块^[3]。系统基于 ROS 2 搭建，通过统一启动文件完成部署，统筹各节点初始化与通信，相关节点可实现地图持久化存储，并动态切换建图与规划策略，满足多场景对比测试与性能自适应优化需求^[4]。机器人以 URDF 格式完成建模，在 Gazebo 仿真环境中运行，如图 1 所示。各模块均作为独立节点，依托标准话题与服务交互，兼顾组件独立性与整体协同性。系统选用 RViz2 作为可视化工具，如图 2 所示，该工具可展示机器人外形与传感器布局，还能实时呈现设备运动状态、规划轨迹及传感器数据，为系统调试与数据分析提供直观支撑。

2.1.2系统架构的核心组件

感知模块搭载 2D 激光雷达与照度传感器，分别检测障碍物、采集环境照度数据。系统借助 Gmapping 工具，结合雷达数据与机器人姿态，实时构建二维栅格地图，支撑机器人自主导航^[5]。

图1.机器人URDF模型结构示意图

系统在 RRT * 算法中融入光照采样与梯度信息规划路径，引导机器人向亮区行进。搭配 DWA 算法实现局部运动控制，通过话题输出速度指令^[6]。借助 RViz 实时可视化各类数据，结合 Python 完成后续数据分析。

图2.Rviz2界面中的机器人模型可视化

2.2功能实现

2.2.1网格映射

该建图方案高效精准，适配路径规划与动态避障。系统通过 ROS 2 节点处理激光雷达点云，筛选有效数据生成 0.1 米分辨率栅格地图，并对障碍物做三层膨胀处理，有效提升机器人导航的稳定性与安全性^[7]。

2.2.2基于概率密度函数的RRT*算法

为了使机器人自主驶向高照度区域，本文在RRT*算法的基础上加入了光照感知启发式采样的策略^[8]。系统把光照数据同随机采样结合起来，依靠连续光照标量场来持续观测光照强度，并且算出局部梯度，从而使得采样的分布可以自行朝向光源的方向偏移。保留一部分均匀采样的方法，既保证全局的探索能力又不陷入局部最优。建图之后用三阶贝塞尔曲线平滑路径，消除急弯，满足机器人转弯半径、加速度等运动学约束。虽然增加了很小的路径长度，但是大大提高了轨迹的平顺性、可跟踪性以及整个导航系统稳定性。三次贝塞尔曲线的公式为：

(1)

其中,,和分别表示三次贝塞尔曲线的四个控制点，而是取值范围为0到1的曲线参数。

此外，考虑到环境变化和光照场的空间局部性，该系统采用基于的分段重新规划方案。在此方法中，在线全局路径会利用新感知数据进行持续更新。它在全局路径追踪与局部感知反应之间实现了恰当的平衡^[10]。为了无缝整合所提出的照明感知路径规划，增强型RRT*算法被建模为一个具有启发式照明的相互关联函数系统：

(2)

其中是输出路径，表示起始点，表示已知地图区域，而是定义在上的照度函数。在路径生成过程中，采样概率与局部照度成正比，从而引导采样点向高照度区域移动，具体如下：

(3)

在路径规划过程中，多目标成本评估框架被用作设计灵感来源。该框架的特点在于其对导航效率、光照条件和安全约束的综合考量。为此，采用了能够考虑任何潜在路径的定向方法。算法最终选定的最优路径是所有候选路径中总成本函数最小的路径，具体如下：

(4)

其中

(5)

其中是路径长度的权重系数；是照明引导的权重系数；是路径上第k个采样点的照明强度。

2.2.3路径执行

对动态环境和突发障碍物使用 DWA 算法做局部避障控制器，用预测运动框架来提高环境适应性。该算法在ROS导航框架中使用成熟，在每一个控制周期内根据机器人速度、加速度的约束生成大量的线速度、角速度组合来模拟出相应的运动轨迹。算法先排除容易产生碰撞的无效轨迹，然后从安全性、目标匹配度等各方面综合打分。若存在全局参考路径，则将路径下一站航点设为临时目标，加上偏移距离惩罚项后选优速度指令输出，使机器人沿着规划路线安全平稳行驶。

评估函数如下：

(6)

其中是路径长度的权重系数；是照明引导的权重系数；是机器人速度与效率的权重系数。

其中表示轨迹终点的方向与目标方向一致，即

(7)

其中表示机器人当前姿态与Gazebo默认坐标系之间的夹角，而 表示机器人以当前评估速度移动一段时间后，在模拟轨迹终点处与Gazebo默认坐标系之间的夹角。

其中表示轨迹与障碍物之间的最小距离，即

(8)

其中velocity(v)表示前进速度的归一化值，即

(9)

DWA根据各项评分指标选择最佳轨迹并输出控制指令，可以同时达到目标行进和动态避障的目的。本文利用ROS 2的dwa_local_planner包来实现该算法，并对参数进行调节，使路径平滑度和避障响应速度达到最佳。系统设局部规划周期为0.1秒、高频更新速度指令，可以及时响应障碍物突然出现。该算法同光照感知RRT*全局规划结合起来，创建起双层规划架构，保证机器人导航过程安全、稳定。

3仿真实验

3.1仿真环境构建

本次测试依托 Gazebo 仿真平台搭建实验环境，该平台部署灵活、安全且成本低，可有效验证机器人自主导航系统性能。如图 3 所示，仿真场景为20m×20m的矩形室内空间，四周墙体高 5m。场景内设置立方体墙体、树木、小型凳类障碍物，还原真实环境布局与狭窄通道；坐标系原点为机器人初始位置，树木模型分布于原点周边。场景天花板角落布设单点光源，坐标为 (−3.5, −4.5, 5.0)。整套仿真环境兼具明确光照条件与多样障碍物，能够全面检验光照感知策略与路径规划算法的配合效果，适用于本次导航实验。

.
图3.基于Gazebo构建的照明感知导航测试场景

3.2仿真实现

机器人前部装有180°视野的激光雷达，实时检测障碍物，辅助路径规划^[15]。仿真中同步Gazebo和ROS2系统的时钟，保证各个模块的时序一致、运行实时。系统启动后，Gazebo 加载机器人与仿真环境（图 4a），RViz2 同步展示 SLAM 生成的二维栅格地图（图 4b）。机器人没有事先设定的目标，依靠光照强度来导航，光照值超过某个阈值就重新规划路径。SLAM实时更新地图并发布机器人位姿，光照感知RRT*负责全局路径规划，DWA局部规划器动态调整轨迹，可以灵活避开动静障碍物，实现平稳安全导航。

1. (b)

图4. RViz界面激光雷达原始点云数据示意图

4仿真结果的比较分析

4.1路径规划模拟结果

从图5可知，机器人主动驶向高亮区域，轨迹迂回曲折。本次路径总长 9.14 米，长于起点至光源的直线距离，是避障与光照引导共同作用所致。机器人最终抵达光源附近，环境照度达 100 勒克斯，验证了系统光照感知与自主导航能力。

图5.叠加在机器人轨迹上的照度等值线图

如图 6 速度曲线可见，机器人初期速度趋近于零。0 至 20 秒内线速度、角速度持续波动，不断调整行进状态，20 秒后速度逐步归零。得益于 DWA 算法，机器人响应灵活，可实时调整路径、规避障碍物。

图6.线速度和角速度的时变曲线

4.2比较分析

对比实验显示，传统 A算法只追求最短路径，路线多为直线，会途经低照度区域。本文算法依托光照感知与偏置采样，主动避开弱光区域，合理规划行进轨迹，优化光照利用效果。结合多项指标对比基线 RRT、A与光照感知 RRT三种算法：基线 RRT 路径平均照度为 49 lux，A算法提升至 58 lux，较前者增长 18%；光照感知 RRT可达 59-60 lux，增幅约 20%。三组数据标准误差小，结果稳定可靠，也证明光照感知 RRT在提升路径光照条件上表现最优。

图7.照明感知算法与A*算法路径的比较

实验数据显示，光照感知 RRT算法路径的高照度覆盖率达 40%，远高于 A算法的 20% 和基线 RRT 的 10%，三组数据偏差较小，结果稳定。该算法照度增量约 60 勒克斯，明显优于 A算法的 25 勒克斯与基线 RRT 的 15 勒克斯，误差范围可控。对比可知，光照感知 RRT综合性能最优，它与 A * 算法均能有效优化光照条件、缩减低照度路段，相比基线 RRT 优势突出，兼顾了路径规划效率与光照适配性。

图8.基线RRT、A*算法与RRT*算法在考虑光照条件下的性能定量比较

图8(a)中的平均值照度如下所示：

(10)

其中是沿执行路径( )的弧长坐标，是路径总长度（m）。是沿路径采样的照度（lux）。

图8(b)中的高照度-低照度比(HIR, %)定义如下：照度 (HIR, %)如下：

(11)

其中表示预设的高照度阈值，这一指标量化了机器人在高质量照明区域内的通行能力。

图8(c)中绘制的照度增量值针对每种算法，定义为沿执行路径所经历的照度范围，具体如下：

(12)

其中，是沿路径的弧长坐标，是算法的总路径长度（m），表示沿路径采样的照度（lux）。更大的表明机器人成功地从低照度区域移动到了更明亮的区域，这对基于视觉的感知和潜在的能量采集任务而言是理想的。

5.结论

本文基于 ROS 2 搭建机器人光照感知导航仿真系统，集成 SLAM 建图、路径规划与局部避障功能。经 Gazebo 仿真验证，系统可在未知环境中建图并引导机器人前往亮区。搭配 DWA 控制器让行驶轨迹平稳、安全性高。该方案创新性融合光照感知，环境适应性强，可为相关研究提供参考。

参考文献

[1] Zang E , Xiao Y , Song B .Simulation of autonomous inspection robot application based on ROS[J].Proceedings of SPIE, 2023, 12800(000):8.

[2]卢勇，薛志，夏国胜等.基于视觉的无人机导航综述[J].地理空间信息科学, 2018:1-12.

[3] Munguia R, Grau A, Bolea Y. 适用于GPS受限环境下的无人机同步控制、定位与建图系统[J]. 无人机, 2025, 9（1）

[4] Mur-Artal R, Tardós J D. ORB-SLAM2: 适用于单目、立体及RGB-D摄像头的开源SLAM系统[J]. IEEE机器人学汇刊, 2017.

[5] Sani E, Sgorbissa A, Carpin S. 通过实时局部成本图更新改进ROS 2导航栈以满足农业应用需求[C]// IEEE. 2024.

[6] Zhang T, He C, Li S, et al. 基于IndoorPathNet和迁移学习的高精度BEV道路识别方法在仓库AMR中的应用[J]. 应用科学, 2024, 14(11): 2076-3417.

[7]Qu X, Xu T, Yang Z, et al. 基于SLAM的无人船导航与避障研究[J]. IOP Conference Series: Materials Science and Engineering 2025.

[8] Gammell J D, Srinivasa S S, Barfoot T D. Informed RRT*: 基于直接采样可采椭球形启发式算法的最优采样路径规划[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2014: 153-160.

...