{
 "byKey": {
  "cover": [
   { "say": "大家好,歡迎回到從無到有打造 A I 機器人。這一章是 Nav 二自主導航。我們先看路徑搜尋和 AMCL 定位的原理,再認識 Nav 二的架構、代價地圖、規劃器與控制器,最後學常見失敗怎麼診斷。", "item": 0 }
  ],
  "原理:A* 路徑搜尋與 AMCL 粒子濾波#1": [
   { "say": "先用生活的例子來看路徑搜尋和定位。", "item": 0 },
   { "say": "導航 app 規劃路線時,不會把全城每條路都走一遍,而是優先看往目的地方向的路,這就是 A 星的精神。", "item": 1 },
   { "say": "而當你走進陌生的地下停車場,G P S 失靈,你會想,我可能在地下一樓的東側,也可能是西側,看到某個標誌後再縮小範圍。這就是粒子濾波的直覺。", "item": 1 }
  ],
  "原理:A* 路徑搜尋與 AMCL 粒子濾波#2": [
   { "say": "先看 Dijkstra 和 A 星。", "item": 0 },
   { "say": "把地圖看成格子,每格有通過成本,這就是代價地圖。Dijkstra 從起點開始,每次展開累積成本最小的格子,像水波往四面八方擴散,保證找到最低成本路徑,但會展開很多沒用的格子。", "item": 1 },
   { "say": "A 星多加了一個啟發值,估計從這一格到目標還要多少,並依 g 加 h 來排序。舉例,起點在零零,目標在四、三,格子在二、一,走了三步,用曼哈頓距離算,還剩四,所以 f 等於七。只要啟發值不高估真實的剩餘成本,A 星仍然保證最短,而且展開的格子少很多。", "item": 1 },
   { "say": "Nav 二的全域規劃器,像 NavFn、Smac 系列,就是在代價地圖上做這類搜尋;代價地圖的膨脹層,讓高成本的格子自然把路徑推離障礙。", "item": 2 }
  ],
  "原理:A* 路徑搜尋與 AMCL 粒子濾波#3": [
   { "say": "這是 A 星搜尋的示意圖。", "item": 0 },
   { "say": "格子地圖上標出了起點、目標、障礙,以及已經展開過的格子,圖上也列出 f 等於 g 加 h 的數值例。你可以看到,已展開的格子集中在往目標的方向,而不是整張地圖都被展開。", "item": 1 }
  ],
  "原理:A* 路徑搜尋與 AMCL 粒子濾波#4": [
   { "say": "接著看 AMCL 的粒子濾波。", "item": 0 },
   { "say": "機器人在地圖上的位置是不確定的,AMCL 用一群粒子代表可能的位姿。", "item": 1 },
   { "say": "第一步預測,依里程計把每個粒子移動,並加上雜訊,因為里程計不準。第二步更新,比較每個粒子所在位置應該看到的雷射,和實際的雷射,越吻合權重越大。第三步重新取樣,依權重隨機複製粒子,權重大的留下更多,權重小的消失。", "item": 1 },
   { "say": "粒子會逐漸聚集到真實位置附近。權重集中的程度,可以用有效粒子數衡量。例如三個粒子權重零點一、零點三、零點六,平方和是零點四六,有效粒子數是一除以零點四六,約二點一七,表示只有約兩個粒子真正有貢獻,此時就該重新取樣。", "item": 2 }
  ],
  "原理:A* 路徑搜尋與 AMCL 粒子濾波#5": [
   { "say": "把粒子濾波的三步驟再列一次。", "item": 0 },
   { "say": "第一,預測,依里程計移動粒子並加雜訊。", "item": 1 },
   { "say": "第二,更新,比較應該看到的雷射與實際雷射,越吻合權重越大。", "item": 2 },
   { "say": "第三,重新取樣,權重大的留下更多,權重小的消失。", "item": 3 }
  ],
  "原理:A* 路徑搜尋與 AMCL 粒子濾波#6": [
   { "say": "這是粒子濾波三步驟圖。", "item": 0 },
   { "say": "預測時,粒子隨著運動移動;更新時,依與掃描吻合的程度決定權重;重新取樣之後,粒子集中到真實位置附近。從左到右看,粒子由散開慢慢變成一團。", "item": 1 }
  ],
  "原理:A* 路徑搜尋與 AMCL 粒子濾波#7": [
   { "say": "為什麼要給初始位姿?", "item": 0 },
   { "say": "粒子一開始散布在哪裡,決定它們能否收斂到正確位置。如果初始位姿和真實相差太多,所有粒子都看起來不吻合,最後可能收斂到錯的、但相似的地方,例如對稱的走廊。", "item": 1 },
   { "say": "因此第一次導航前,一定要在 R viz 二用 2D Pose Estimate,給一個大致正確的位置。", "item": 1 }
  ],
  "Nav2 架構:地圖、定位、規劃、控制與行為樹#1": [
   { "say": "好,進入 Nav 二的架構。Nav 二到底做什麼?", "item": 0 },
   { "say": "Nav 二是 R O S 二的導航堆疊。你給它一個目標位姿,就是地圖上的 x、y 和朝向,它負責算出路線、沿著路線走、遇到障礙繞開、卡住時嘗試恢復,最後回報成功或失敗。它不是單一程式,而是一組互相合作的伺服器,多數是 lifecycle node。", "item": 1 },
   { "say": "主要元件有這幾個。map server,載入你在第六章存的地圖檔,發布 map。", "item": 2 },
   { "say": "amcl,自適應蒙地卡羅定位,用雷達和地圖比對,估計機器人在 map 中的位置,發布 map 到 odom 的 T F。", "item": 3 },
   { "say": "planner server,全域路徑規劃器,在全域代價地圖上,從現在位置規劃到目標的路徑。", "item": 4 },
   { "say": "controller server,局部控制器,沿著路徑算出實際的 cmd vel,並用局部代價地圖即時避開新出現的障礙。", "item": 5 }
  ],
  "Nav2 架構:地圖、定位、規劃、控制與行為樹#2": [
   { "say": "主要元件的後半部分。", "item": 0 },
   { "say": "behavior server,負責恢復行為,例如旋轉、後退、等待。", "item": 1 },
   { "say": "bt navigator,行為樹導航器,提供 navigate to pose 這個動作,依行為樹協調上面各個伺服器。", "item": 2 },
   { "say": "lifecycle manager,依序啟動各個 node。任何一個沒有進入 active,導航就不會動。", "item": 3 },
   { "say": "最後是全域與局部的代價地圖,把地圖與即時感測資料,轉成每一格走過去有多危險的數字。", "item": 4 }
  ],
  "Nav2 架構:地圖、定位、規劃、控制與行為樹#3": [
   { "say": "這是 Nav 二的架構概念圖。", "item": 0 },
   { "say": "圖的中心是 bt navigator,它接收目標,協調 planner、controller 和 behavior 三個伺服器。代價地圖與定位提供資料,最後輸出的是 cmd vel,送去驅動機器人。", "item": 1 }
  ],
  "Nav2 架構:地圖、定位、規劃、控制與行為樹#4": [
   { "say": "我們來看資料流,一次導航是怎麼進行的。", "item": 0 },
   { "say": "第一,使用者在 R viz 二點 2D Goal Pose,或程式送出導航目標。", "item": 1 },
   { "say": "第二,bt navigator 執行行為樹,先請 planner 算全域路徑,再請 controller 跟隨路徑。", "item": 2 },
   { "say": "第三,controller 以固定頻率,例如每秒二十次,輸出 cmd vel,經過你的速度指令鏈,也就是第三章的限速與看門狗,送到底盤。", "item": 3 }
  ],
  "Nav2 架構:地圖、定位、規劃、控制與行為樹#5": [
   { "say": "資料流的後兩步。", "item": 0 },
   { "say": "第四,途中如果卡住或失敗,行為樹會觸發恢復行為,再重新規劃。", "item": 1 },
   { "say": "第五,抵達後回報結果,可能是成功、失敗或被取消。", "item": 2 }
  ],
  "Nav2 架構:地圖、定位、規劃、控制與行為樹#6": [
   { "say": "接著看啟動方式,以 TurtleBot 三加 Humble 為例。", "item": 0 },
   { "say": "先在 Gazebo 啟動模擬,也就是第五章教的,再啟動導航。要設定機型的環境變數,然後用 launch 啟動 turtlebot 三的 navigation 二,use sim time 設成 true,地圖指向你存的 classroom 檔。", "item": 1 },
   { "say": "或是使用 Nav 二官方的 bringup 套件,依發行版與參數而異,要另外指定參數檔。", "item": 2 },
   { "say": "nav2 params 點 yaml,是 Nav 二所有伺服器的設定檔,雖然很大,但結構很規則:每個 node 一個區塊,底下都是 ros parameters。套件名稱、launch 檔名與參數預設值依發行版而異,請查你安裝版本的文件。", "item": 3 }
  ],
  "Nav2 架構:地圖、定位、規劃、控制與行為樹#7": [
   { "say": "畫面上是啟動的三行指令。", "item": 0 },
   { "say": "第一行,設定 TurtleBot 三的機型為 burger。", "item": 1 },
   { "say": "第二行,啟動 turtlebot 三 navigation 二,指定模擬時間和地圖檔。", "item": 2 },
   { "say": "第三行,是用 Nav 二官方 bringup 的寫法,需另外指定參數檔路徑。", "item": 3 }
  ],
  "定位 AMCL 與代價地圖:機器人如何「知道」哪裡能走#1": [
   { "say": "接下來細看定位與代價地圖。AMCL,靠粒子猜自己在哪。", "item": 0 },
   { "say": "AMCL 維持一群粒子,每個粒子都是一個,機器人可能在這裡的假設。流程是,預測、更新、重新取樣,和剛剛原理那一段一樣。", "item": 1 },
   { "say": "粒子越集中,代表越確定。R viz 二可以加入 ParticleCloud 來觀察,剛開始散開,動一動就收斂成一團,topic 名稱依版本而異。", "item": 2 },
   { "say": "常用的參數有最少與最多粒子數、scan topic、各個框架名稱、初始位姿設定等,都在 amcl 的 ros parameters 中,預設值依版本而異。", "item": 2 }
  ],
  "定位 AMCL 與代價地圖:機器人如何「知道」哪裡能走#2": [
   { "say": "AMCL 的流程再整理一次。", "item": 0 },
   { "say": "預測,機器人移動時,依里程計把所有粒子一起移動,加上雜訊。", "item": 1 },
   { "say": "更新,把每個粒子假設在這裡時,雷達應該看到的東西,跟真正的掃描比較,越吻合權重越高。", "item": 2 },
   { "say": "重新取樣,留下高權重的粒子,淘汰低權重的。", "item": 3 }
  ],
  "定位 AMCL 與代價地圖:機器人如何「知道」哪裡能走#3": [
   { "say": "再來是初始位姿,還有機器人被綁架的問題。", "item": 0 },
   { "say": "給初始位姿的方式,是用 R viz 二的 2D Pose Estimate,它會發布到 initialpose,或是在參數設定 set initial pose。", "item": 1 },
   { "say": "如果初始位姿差太多,粒子會收斂在錯誤的地方,雷達點雲和牆壁不重合,導航會很怪。", "item": 2 },
   { "say": "綁架問題,是指機器人被搬到別處。AMCL 預設不一定能自己恢復,需要重設位姿。", "item": 3 },
   { "say": "最後一行指令,是用 topic pub 只發一次 initialpose,框架是 map,位置在原點,朝向用四元數表示。", "item": 4 }
  ],
  "定位 AMCL 與代價地圖:機器人如何「知道」哪裡能走#4": [
   { "say": "這是初始位姿的對比圖。", "item": 0 },
   { "say": "左側,掃描點貼合地圖的牆面,代表位姿是對的。右側,位姿錯誤,掃描歪斜,導致規劃也跟著錯。所以看到掃描點跟牆壁對不上,先檢查初始位姿。", "item": 1 }
  ],
  "定位 AMCL 與代價地圖:機器人如何「知道」哪裡能走#5": [
   { "say": "代價地圖,是把世界變成成本。", "item": 0 },
   { "say": "它是一張和地圖對齊的格子圖,每格是零到二百五十五的整數成本。零表示自由。", "item": 1 },
   { "say": "二百五十四是致命,障礙物本身,機器人中心到這裡就碰撞。", "item": 2 },
   { "say": "二百五十三是內切,機器人的內切圓碰到障礙,中心在此處,車身一定碰撞。", "item": 3 },
   { "say": "中間的值,離障礙越近越高。", "item": 4 },
   { "say": "兩張代價地圖,第一張是全域代價地圖,涵蓋整張地圖,用來規劃長路徑。", "item": 5 }
  ],
  "定位 AMCL 與代價地圖:機器人如何「知道」哪裡能走#6": [
   { "say": "另一張是局部代價地圖。", "item": 0 },
   { "say": "它是機器人周圍的滾動視窗,例如三公尺乘三公尺,用於即時避障,更新更頻繁。", "item": 1 },
   { "say": "代價地圖由多個圖層疊成,有靜態地圖層、即時感測的障礙層,還有膨脹層。", "item": 1 }
  ],
  "定位 AMCL 與代價地圖:機器人如何「知道」哪裡能走#7": [
   { "say": "膨脹層,為什麼要變胖?", "item": 0 },
   { "say": "因為機器人有大小,但路徑規劃把它當成一個點。膨脹層把障礙物周圍一圈標成高成本,讓路徑自動遠離障礙。第一個參數是 robot radius,機器人半徑,依你的機器人實際量測。", "item": 1 },
   { "say": "inflation radius,是膨脹到離障礙多遠,單位公尺。", "item": 2 },
   { "say": "cost scaling factor 是衰減速度,越大衰減越快。距離超過內切半徑之後,成本等於二百五十二乘以 e 的負 k 倍距離差次方,k 就是 cost scaling factor。", "item": 3 },
   { "say": "舉例,內切半徑零點二公尺,k 是三。距離零點四公尺時,成本約一百三十八;距離零點七公尺時,成本約五十六。k 越大,成本掉得越快,路徑更敢貼近障礙;k 越小,機器人會更保守地走在通道中間,但窄門可能因為成本太高而走不過去。圖上也標了這兩個範例數值。", "item": 3 }
  ],
  "規劃器、控制器、恢復行為與常見失敗#1": [
   { "say": "最後一個單元,規劃器、控制器、恢復行為,還有常見失敗。先看全域規劃器,負責從 A 到 B 的整條路。", "item": 0 },
   { "say": "planner server 在全域代價地圖上,用圖搜尋算出一條路徑。常見的插件有 NavFn、Smac 系列和 Theta 星。Smac 系列較適合阿克曼車,或需要考慮朝向的機器人。差速教育機器人用預設的 NavFn 或 Smac 二 D,通常就足夠。", "item": 1 },
   { "say": "規劃器只考慮已知的地圖與代價,不會管移動中突然出現的障礙。關鍵參數依插件而異,有 tolerance,允許目標附近多遠視為抵達;use astar,是否用 A 星;allow unknown,能不能穿越未知區域。穿越未知區域通常要關閉,否則機器人可能計畫通過還沒掃過的地方。", "item": 1 }
  ],
  "規劃器、控制器、恢復行為與常見失敗#2": [
   { "say": "再看局部控制器,沿著路徑走,順便避障。", "item": 0 },
   { "say": "controller server 以高頻率,例如每秒二十次,把路徑轉成 cmd vel。常見的插件,第一個是 DWB,取樣大量候選速度,模擬一小段軌跡,用評分函式,貼近路徑、朝向目標、避開障礙,選最好的。", "item": 1 },
   { "say": "第二個是 Regulated Pure Pursuit,簡稱 R P P,沿著路徑追蹤前方一個前瞻點,會依曲率自動減速,行為比較平順可預測。", "item": 2 },
   { "say": "第三個是 MPPI,模型預測路徑積分,功能強,運算量較大。預設的控制器依發行版而異。", "item": 3 },
   { "say": "控制器的重要參數,有最大線速度與角速度、加速度限制,還有目標容許誤差。容許誤差太小,機器人會在目標附近來回微調而不結束。", "item": 3 }
  ],
  "規劃器、控制器、恢復行為與常見失敗#3": [
   { "say": "Nav 二用行為樹,決定在什麼情況做什麼。行為樹由節點組成。", "item": 0 },
   { "say": "動作節點,有算路徑、跟隨路徑、旋轉、後退、等待、清除代價地圖等。", "item": 1 },
   { "say": "Sequence,序列,依序執行,任何一個失敗整體就失敗。", "item": 2 },
   { "say": "Fallback,備援,依序嘗試,直到某個成功。", "item": 3 },
   { "say": "Decorator,裝飾,例如控制重複頻率,或是失敗時先執行恢復再重試。", "item": 4 },
   { "say": "簡化後預設導航樹的想法是,規劃路徑,跟隨路徑;如果失敗,執行清除代價地圖、旋轉、後退、等待等恢復行為,再試一次;連續失敗就回報失敗。行為樹以 X M L 檔描述,可以自訂,例如巡邏、多點,細節依 Nav 二版本而異。", "item": 4 }
  ],
  "規劃器、控制器、恢復行為與常見失敗#4": [
   { "say": "恢復行為的設計原則,和安全有關。", "item": 0 },
   { "say": "恢復行為會讓機器人自己動,像旋轉、後退。所以要確保後方與周圍有空間,後退速度要限制,行為樹要有次數上限,避免永無止境地失敗與重試。", "item": 1 },
   { "say": "無人看管的場合,連續失敗 N 次之後,應該停下來並通知人員,這個在第十章的 FAIL SAFE 會再談。", "item": 1 }
  ],
  "規劃器、控制器、恢復行為與常見失敗#5": [
   { "say": "怎麼從程式發送導航目標?", "item": 0 },
   { "say": "最簡單的方法是用指令列。", "item": 1 },
   { "say": "朝向用四元數表示。只繞 z 軸轉偏航角時,z 等於 sin 偏航角的一半,w 等於 cos 偏航角的一半。例如朝向正 y 方向,偏航九十度,z 約零點七零七一,w 也約零點七零七一。用 Python 的話,可以使用 nav2 simple commander,第十章會教。", "item": 2 },
   { "say": "畫面上的指令,是用 action send goal,對 navigate to pose 送出目標,框架是 map,位置 x 一、y 零點五,最後加上 feedback 顯示回饋。", "item": 3 }
  ],
  "規劃器、控制器、恢復行為與常見失敗#6": [
   { "say": "最後是常見失敗與診斷。", "item": 0 },
   { "say": "診斷順序是,T F、初始位姿、地圖、代價地圖、規劃、控制,一路往後查。", "item": 1 },
   { "say": "常見的有這些。機器人一動不動,多半是 lifecycle node 沒啟動,看 launch 日誌。一直報等不到 transform,是 T F 缺失,或 use sim time 不一致。沒有初始位姿,AMCL 就沒有 map 到 odom,所有事都失敗,要先設定初始位姿。", "item": 1 },
   { "say": "地圖與雷達不重合,是初始位姿錯誤,或地圖已經過期。在原地打轉或抖動,是控制器參數太激進、容許誤差太小,或膨脹太大。規劃成功但控制失敗,是障礙擋路、速度限制過低,或局部代價地圖有幽靈障礙。", "item": 1 },
   { "say": "目標被拒絕,是目標落在致命或膨脹區內,要選在空曠處。scan 在代價地圖沒更新,是 QoS 不相容,或感測來源的 topic 設錯。", "item": 1 }
  ],
  "規劃器、控制器、恢復行為與常見失敗#7": [
   { "say": "把前三項失敗列出來。", "item": 0 },
   { "say": "第一項,機器人一動不動,是 lifecycle node 沒啟動。用 lifecycle get 檢查 controller server 等,狀態應該是 active。", "item": 1 },
   { "say": "第二項,一直報 Timed out waiting for transform,是 T F 缺失,或 use sim time 不一致。", "item": 2 },
   { "say": "第三項,沒有初始位姿,AMCL 沒有 map 到 odom,所有事都會失敗,所以要先設定初始位姿。", "item": 3 }
  ],
  "closing": [
   { "say": "好,這一章我們學了 A 星與 AMCL 的原理、Nav 二的架構與資料流、代價地圖與膨脹層、規劃器與控制器,還有常見失敗的診斷順序。", "item": 0 },
   { "say": "請接著完成本章的實作,並做章末小測驗。下一章見。", "item": 1, "pause": 1 }
  ]
 }
}
