ہفتہ 10: Nav2 کے ساتھ نیوی گیشن
Nav2 کا تعارف
Nav2 (نیوی گیشن2) ROS 2 نیوی گیشن اسٹیک ہے جو خودکار روبوٹ حرکت کو فعال بناتا ہے۔ اصل میں وہیلڈ روبوٹس کے لئے ڈیزائن کیا گیا، Nav2 کو مناسب کنفیگریشن کے ساتھ بائی پیڈل ہیومنوائڈ نیوی گیشن کے لئے ایڈجسٹ کیا جا سکتا ہے۔
Nav2 آرکیٹیکچر
Nav2 ماڈیولر کمپونینٹس (سرورز) پر مشتمل ہے جو مل کر کام کرتے ہیں:
- میپ سرور: اوقوپنسی گرڈ میپ فراہم کرتا ہے (مفت سپیس بمقابلہ رکاوٹیں)
- AMCL: پوز ایسٹیمیشن کے لئے ایڈاپٹیو مونٹی کارلو لوکلائزیشن
- پلینر سرور: شروع سے گول تک گلوبل پاتھ کا حساب لگاتا ہے
- کنٹرولر سرور: پاتھ کو فالو کرنے کے لئے رفتار کمانڈز تیار کرتا ہے
- ریکوری سرور: جب نیوی گیشن ناکام ہو جاتا ہے تو برتاؤ انجام دیتا ہے (اسپننگ، بیکنگ اپ)
- بریویئر ٹری نیوی گیٹر: اوپر کے کمپونینٹس کو مربوط کرتا ہے
# تصوراتی Nav2 پائپ لائن
def navigate_to_goal(goal_pose):
# 1. میپ پر روبوٹ کو لوکلائز کریں
current_pose = amcl.get_pose()
# 2. گلوبل پاتھ کی منصوبہ بندی کریں
global_path = planner.make_plan(current_pose, goal_pose)
# 3. مقامی منصوبہ بندی کے ساتھ پاتھ فالو کریں
while not at_goal:
local_plan = controller.compute_velocity_commands(global_path, current_pose)
robot.execute_velocity(local_plan)
# رکاوٹوں کا سامنا کریں
if path_blocked:
recovery.execute_recovery()
ہیومنوائڈ نیوی گیشن کے لئے کوسٹ میپس
کوسٹ میپس ماحول کو ایک گرڈ کے طور پر ظاہر کرتی ہیں جہاں ہر سیل کا ایک کوسٹ ہوتا ہے (0 = مفت، 255 = رکاوٹ). ہیومنوائڈز کو خصوصی غور کی ضرورت ہوتی ہے:
وہیلڈ روبوٹس سے کلیدی فرق
- فُٹ پرینٹ شیپ: بائی پیڈل اسٹینس چوڑائی کی نمائندگی کرنے والا مستطیل فُٹ پرینٹ
- انفلیشن ریڈیس: چھوٹا کیونکہ ہیومنوائڈ ٹائٹ سپیسز میں نیوی گیٹ کرنے کے قابل ہے
- اونچائی کلئرنس: ہیومنوائڈ کے طویل عمودی پروفائل کا خیال رکھنا چاہیے
- ڈائنامک اسٹیبلٹی: فوراً روک نہیں سکتا - فارورڈ موشن کی منصوبہ بندی کی ضرورت ہے
ہیومنوائڈ کوسٹ میپ کنفیگریشن
# costmap_params.yaml - بائی پیڈل ہیومنوائڈ کے لئے کنفیگر کیا گیا
global_costmap:
global_frame: map
robot_base_frame: base_link
update_frequency: 5.0 # Hz - گلوبل کوسٹ میپ اپ ڈیٹ کریں
publish_frequency: 2.0
# کوسٹ میپ سائز
width: 20 # 20 میٹر x 20 میٹر میپ
height: 20
resolution: 0.05 # 5cm گرڈ سیلز
# ہیومنوائڈ فُٹ پرینٹ (30cm چوڑا اسٹینس، 50cm لمبا اسٹیپ سمیت)
footprint: [
[0.25, 0.15], # فرنٹ-رائٹ
[0.25, -0.15], # فرنٹ-لیفٹ
[-0.25, -0.15], # بیک-لیفٹ
[-0.25, 0.15] # بیک-رائٹ
]
plugins: ["static_layer", "obstacle_layer", "inflation_layer"]
static_layer:
plugin: "nav2_costmap_2d::StaticLayer"
map_subscribe_transient_local: True
obstacle_layer:
plugin: "nav2_costmap_2d::ObstacleLayer"
observation_sources: scan lidar
# گراؤنڈ لیول رکاوٹوں کے لئے 2D lidar استعمال کریں
scan:
topic: /scan
max_obstacle_height: 2.0 # 2m تک رکاوٹیں ڈیٹیکٹ کریں (ہیومنوائڈ اونچائی)
clearing_range: 5.0
raytrace_range: 6.0
# مکمل ماحول ادراک کے لئے 3D lidar/camera استعمال کریں
lidar:
topic: /points
max_obstacle_height: 2.5
min_obstacle_height: 0.1 # زمین کو نظر انداز کریں
inflation_layer:
plugin: "nav2_costmap_2d::InflationLayer"
cost_scaling_factor: 3.0
inflation_radius: 0.35 # چھوٹا وہیلڈ سے (ہیومنوائڈ ایگلٹی)
# ڈائنامک رکاوٹ ایوائڈنس کے لئے مقامی کوسٹ میپ
local_costmap:
global_frame: odom
robot_base_frame: base_link
update_frequency: 10.0 # ری ایکٹیو نیوی گیشن کے لئے زیادہ اپ ڈیٹ کی شرح
publish_frequency: 5.0
width: 5 # 5m x 5m مقامی ونڈو
height: 5
resolution: 0.05
footprint: [
[0.25, 0.15],
[0.25, -0.15],
[-0.25, -0.15],
[-0.25, 0.15]
]
plugins: ["voxel_layer", "inflation_layer"]
voxel_layer:
plugin: "nav2_costmap_2d::VoxelLayer"
enabled: True
publish_voxel_map: True
origin_z: 0.0
z_resolution: 0.2 # 20cm عمودی ریزولوشن
z_voxels: 10 # 2m اونچائی (10 * 0.2m)
max_obstacle_height: 2.0
mark_threshold: 2 # 2+ ہٹس والے سیلز کو رکاوٹ کے طور پر نشان زد کریں
پاتھ پلاننگ الگوری دھم
Nav2 متعدد گلوبل پلینرز کی حمایت کرتا ہے۔ ہیومنوائڈز کو مستحکم، قابل پیش گوئی پاتھس کے لئے Dijkstra یا A* سے فائدہ ہوتا ہے۔
Dijkstra بمقابلہ A*
# Dijkstra: تمام سمت میں یکساں طور پر تلاش کرتا ہے
def dijkstra(start, goal, costmap):
visited = set()
priority_queue = [(0, start)] # (cost, node)
while priority_queue:
cost, current = heappop(priority_queue)
if current == goal:
return reconstruct_path(current)
for neighbor in get_neighbors(current, costmap):
new_cost = cost + costmap[neighbor]
if neighbor not in visited:
visited.add(neighbor)
heappush(priority_queue, (new_cost, neighbor))
# A*: گول کی طرف تلاش کو ہدایت کرنے کے لئے ہیورسٹک استعمال کرتا ہے
def a_star(start, goal, costmap):
visited = set()
priority_queue = [(heuristic(start, goal), 0, start)] # (f, g, node)
while priority_queue:
f, g, current = heappop(priority_queue)
if current == goal:
return reconstruct_path(current)
for neighbor in get_neighbors(current, costmap):
new_g = g + costmap[neighbor]
new_f = new_g + heuristic(neighbor, goal) # f = g + h
if neighbor not in visited:
visited.add(neighbor)
heappush(priority_queue, (new_f, new_g, neighbor))
def heuristic(node, goal):
# ہیورسٹک کے طور پر یوکلڈین فاصلہ
return sqrt((node.x - goal.x)**2 + (node.y - goal.y)**2)
پلینر کنفیگریشن
# planner_server_params.yaml
planner_server:
ros__parameters:
expected_planner_frequency: 2.0 # 0.5s میں منصوبہ بندی کریں
plugins: ["GridBased"]
GridBased:
plugin: "nav2_navfn_planner/NavfnPlanner" # A* امپلیمنٹیشن
tolerance: 0.1 # 10cm گول ٹالرنس
use_astar: True # A* استعمال کریں (False = Dijkstra)
allow_unknown: False # ان ایکسپلور کردہ علاقوں کے ذریعے منصوبہ نہ بنائیں
use_final_approach_orientation: True # گول کی طرف اورینٹ کریں
بائی پیڈل موشن کے لئے کنٹرولر
DWB (ڈائنامک ونڈو ایپروچ) کنٹرولر کنوموڈینامک کنٹرینٹس کا احترام کرتے ہوئے رفتار کمانڈز تیار کرتا ہے۔
بائی پیڈل مخصوص کنٹرینٹس
# controller_params.yaml
controller_server:
ros__parameters:
controller_frequency: 20.0 # 20 Hz کنٹرول لوپ
plugins: ["FollowPath"]
FollowPath:
plugin: "dwb_core::DWBLocalPlanner"
# بائی پیڈل رفتار کی حدیں (وہیلڈ روبوٹس سے سست)
min_vel_x: 0.1 # استحکام کے لئے فارورڈ موشن برقرار رکھیں
max_vel_x: 0.5 # 0.5 m/s زیادہ سے زیادہ چلنے کی رفتار
min_vel_y: -0.2 # محدود لیٹرل موشن
max_vel_y: 0.2
max_vel_theta: 0.3 # 0.3 rad/s گھومنے کی رفتار
# ایکسیلریشن کی حدیں (تولان کے لئے معتدل)
acc_lim_x: 0.3 # 0.3 m/s² (نرم ایکسیلریشن)
acc_lim_y: 0.2
acc_lim_theta: 0.5
decel_lim_x: -0.3 # نرم ڈی سیلریشن
# ٹریجکٹری اسکورنگ
critics: [
"RotateToGoal",
"Oscillation",
"BaseObstacle",
"GoalAlign",
"PathAlign",
"PathDist",
"GoalDist"
]
# کریٹک کے وزن (ہیومنوائڈ برتاؤ کے لئے ٹیون کریں)
PathAlign.scale: 32.0 # گلوبل پاتھ کو فالو کرنے کی تاکید کریں
GoalAlign.scale: 24.0 # گول کی طرف اورینٹ کریں
PathDist.scale: 32.0
GoalDist.scale: 24.0
BaseObstacle.scale: 0.02 # رکاوٹ ایوائڈنس
# سیمولیشن پیرامیٹرز
sim_time: 2.0 # ٹریجکٹریز 2 سیکنڈ آگے سیمولیٹ کریں
vx_samples: 10 # ہر طول و عرض میں 10 رفتاریں نمونہ لیں
vy_samples: 5
vtheta_samples: 10
# ٹریجکٹری کنٹرینٹس
trajectory_generator_name: "dwb_plugins::StandardTrajectoryGenerator"
ریکوری برتاؤ
جب نیوی گیشن ناکام ہو جاتا ہے، ریکوری برتاؤ روبوٹ کو اٹکنے سے نکالنے کی کوشش کرتے ہیں۔
ہیومنوائڈ محفوظ ریکوری ترتیب
# behavior_tree_params.yaml
bt_navigator:
ros__parameters:
plugin_lib_names:
- nav2_compute_path_to_pose_action_bt_node
- nav2_follow_path_action_bt_node
- nav2_back_up_action_bt_node
- nav2_spin_action_bt_node
- nav2_wait_action_bt_node
# ریکوری برتاؤ پیرامیٹرز
global_frame: map
robot_base_frame: base_link
transform_tolerance: 0.1
# ہیومنوائڈ کے لئے ریکوری ترتیب (نرم، مستحکم موشنز)
default_nav_through_poses_bt_xml: ""
default_nav_to_pose_bt_xml: ""
# اسپن ریکوری - سینسرز کو صاف کرنے کے لئے جگہ پر گھومیں
spin:
simulate_ahead_time: 2.0
max_rotational_vel: 0.2 # استحکام کے لئے سست گھومنا
min_rotational_vel: 0.1
rotational_acc_lim: 0.3
# بیک اپ ریکوری - پیچھے کی طرف قدم
backup:
simulate_ahead_time: 2.0
backup_dist: 0.3 # چھوٹا 30cm بیک اپ
backup_speed: 0.1 # سست، کنٹرولڈ
ہیومنوائڈ کے لئے Nav2 لانچ کرنا
# humanoid_nav2_launch.py
from launch import LaunchDescription
from launch_ros.actions import Node
from ament_index_python.packages import get_package_share_directory
import os
def generate_launch_description():
pkg_dir = get_package_share_directory('humanoid_navigation')
return LaunchDescription([
# میپ سرور - پہلے سے تیار میپ لوڈ کریں
Node(
package='nav2_map_server',
executable='map_server',
name='map_server',
parameters=[{
'yaml_filename': os.path.join(pkg_dir, 'maps', 'office.yaml'),
'use_sim_time': False
}]
),
# AMCL لوکلائزیشن
Node(
package='nav2_amcl',
executable='amcl',
name='amcl',
parameters=[os.path.join(pkg_dir, 'config', 'amcl_params.yaml')]
),
# پلینر سرور
Node(
package='nav2_planner',
executable='planner_server',
name='planner_server',
parameters=[os.path.join(pkg_dir, 'config', 'planner_params.yaml')]
),
# کنٹرولر سرور
Node(
package='nav2_controller',
executable='controller_server',
name='controller_server',
parameters=[os.path.join(pkg_dir, 'config', 'controller_params.yaml')]
),
# ریکوری سرور
Node(
package='nav2_recoveries',
executable='recoveries_server',
name='recoveries_server',
parameters=[os.path.join(pkg_dir, 'config', 'recovery_params.yaml')]
),
# بیہیویئر ٹری نیوی گیٹر
Node(
package='nav2_bt_navigator',
executable='bt_navigator',
name='bt_navigator',
parameters=[os.path.join(pkg_dir, 'config', 'bt_navigator_params.yaml')]
),
# لائف سائیکل مینیجر
Node(
package='nav2_lifecycle_manager',
executable='lifecycle_manager',
name='lifecycle_manager_navigation',
parameters=[{
'autostart': True,
'node_names': [
'map_server',
'amcl',
'planner_server',
'controller_server',
'recoveries_server',
'bt_navigator'
]
}]
)
])
ورزشیں
-
کوسٹ میپ ٹیوننگ: اپنے سیمولیٹڈ ہیومنوائڈ کے لئے فُٹ پرینٹ اور انفلیشن ریڈیس ایڈجسٹ کریں۔ پاتھ پلاننگ پر اثرات دیکھیں۔
-
الگوری دھم موازنہ: Dijkstra اور A* پلینرز کے ساتھ نیوی گیشن چلائیں۔ منصوبہ بندی کا وقت اور پاتھ لمبائی کے فرق کا پیمائش کریں۔
-
ریکوری ٹیسٹنگ: روبوٹ کو تنگ کونے میں رکھیں اور ریکوری برتاؤ متحرک کریں۔ دیکھیں کہ کون سی ترتیب کامیابی سے نکل جاتی ہے۔
-
ڈائنامک رکاوٹیں: ماحول میں متحرک رکاوٹیں شامل کریں اور دیکھیں کہ مقامی پلینر کا ایوائڈنس برتاؤ کیسا ہے۔