首先说下导航要达到什么目标。机器人会用两种方法控制设备，一是无线，二是机械臂。
- 无线。包括蓝牙、wifi等。如果机器人能走到距离设备小于半米，应该就可以了。至于角度，无所谓。
- 机械臂。这时机器人须要接触设备。但是，机器人在靠近设备后和操作设备之间会有个过程，这过程主要工作是打开摄像头，通过图像识别进行定位。也就是说，导航其实分两个阶段，先是粗略导航移到设备附近，然后通过摄像头进行精准定位。本文不讨论第二阶段精准定位，而对第一阶段，能移到设备半米内，应该可以了。对这一阶段要达到角度，希望是设备在机器人正前方，但即使180度，理论上应该也没问题。
综上所述，可以这么设定导航目标：移动到设备25厘米内，角度可以和要求的相差10度。
确定目标后，看技术上如何实现。不同使用场景须使用不同技术，这里只讨论室内场景，因而无法使用卫星信号，像北斗。
一、室内，2D，障碍物变化大
- 不须要路标
- 须要预先生成地图。
- SLAM传感器是激光雷达，不建议深度摄像头。
- 须要电子罗盘，实时告知机器人角度。
它对应着普通家庭，是Ros中MoveBase包重点解决的场景。和其它场景主要区别是，它可以不须要路标。以下是总逻辑。
- 预先生成一张栅格地图，称之为参考地图。
- 使用MoveBase+costmap_2d。先在全局代价地图算出起点到目标的全局路径，然后在局部代价地图规划出实时路径，并生成速度发向机器人。
在MoveBase+costmap_2d，全局代价地图依次包括静态层StaticLayer、障碍层ObstacleLayer和膨胀层InflationLayer，局部代价地图则只有障碍层和膨胀层。因为局部代价地图全都在雷达可覆盖范围，要考虑的障碍物已全在实时得到的雷达点云，不再须要参考地图。
障碍物变化大
计算位姿有两种方法。一是通过硬件，具体是里程计算平移，IMU算角度。二是通过一次次移动前后、雷达得到的点云分布，由这些分布估算出位姿。对第一种，个人认为里程计是不可靠的，尤其当地面会打滑时，这会引入电机空转。默认使用第二种，这就要求障碍物变化大，让各次点云间有更明显的区别。
机器人绑架
- 机器人被强行从A点挪到B点，这当中偏移可能很大。
- 多次导航机器人。第一次导航，从A点到B点，这个B和参考地图预期目标“B”，会存在些许偏差。一次导航时，这偏差可能不大，一旦导航多了，偏差会不断累积。因为要消除这个偏差，认为导航前，须认为机器人被绑架过了，只是这绑架偏移很小。
- 导航时有人无意碰了下，导致机器人引入了未知偏移。
解决机器人绑架核心是要使用参考地图，基本思路是拿着实时雷达点云，转过适当角度后，在参考地图暴力匹配，障碍物重合度最高的位姿就认为是机器人真实位姿。位姿包括平移和角度，候选位姿数等于“平移候选数*角度候选数”，为实现这暴力匹配可实用，必须减少角度候选数。这意味要求机器人有个电子罗盘，实时告知机器人角度，这个角度可以有些许误差，像2度。因为角度有误差，“角度候选数”不是1。
在解决机器人绑架时，为提高障碍物匹配精度，最好是360度都有障碍物，但深度摄像头视角一般不会超过180度，要求用激光雷达。
大地图
让考虑resolution是0.05mx0.05m，面积25mx25m，存储一张栅格图须要的内存大小。
(25 / 0.05) * (25 / 0.05) = 500 * 500 = 250000 = 244.140625K字节
栅格图中，一个字节表示一个栅格，以最节省的内存块方式，也须要244.140625K字节。而在OccupancyGrid，存储栅格用的是std::vector<uint8_t>，这会加大些内存用量，可能比这更严重，生成std::vector时若用push_back，像cartographer中node节点，光250000次push_back就会消耗不少cpu。
发布、订阅OccupancyGrid，每秒都会执行数次，为降低内存、cpu消耗，一旦地图过大时，须进行拆分。
二、室内，障碍物变化小，能在楼层间往返
- 须要路标
- 不须要预先生成地图
- SLAM传感器可以是激光雷达、深度摄像头。
- 可以不须要电子罗盘。
典型场景：羽毛球馆，商场，候车大厅，宾馆。
此时机器人确定自个在哪位置离不开路标。要导航了，先用路标确定起点真实坐标，由于目标点坐标是已知的，按着起点到目标方向，径直走，中间要做的是实时避障。
只要路标表示的信息够多，这种场景可实现楼层间往返，像电梯放路标，就可让机器人在一楼拿东西，然后乘电梯，送到三楼。
相比于第一种，这种算法要简单很多，还可以不受2D限制。但为什么要存在第一种呢？——因为不希望使用路标。