Nav2负责“导航框架”，AiBrain OS负责“机器人理解 + 场景适配 + 导航决策”

2026-09-23公众号文章

Nav2 作为基础 Navigation Engine

，在其上做针对 AiBrainBox 的 传感器融合、Costmap、动态障碍、运动学约束、任务级重规划和安全层优化。

核心思路可以概括为：

Nav2负责“导航框架”，AiBrain OS负责“机器人理解 + 场景适配 + 导航决策”。

Nav2本身已经提供 Planner、Controller、Costmap、Behavior Tree、Smoother 等插件化接口，非常适合作为 AiBrainBox-UGV 的底层 Navigation Foundation。

“路径规划”拆成三个层次

Global Planning → Local Planning → Safety Layer

层级	解决的问题	AiBrainBox建议
Mission Planning	去哪里、经过哪里	AiBrain Mission / Behavior Tree
Global Planning	地图上怎么走	Nav2 Smac
Local Planning	当前几米怎么走	Nav2 MPPI
Dynamic Avoidance	人、车、突然出现障碍	MPPI + Dynamic Costmap
Safety	即将碰撞怎么办	Collision Monitor + 独立安全层
Control	怎么给底盘速度	FAL / ROS2 Control / FC

机器狗手动避障可以分成三个等级

Level 1：Collision Prevention

≈ Safety Layer

Level 2：Reactive Local Avoidance

这个已经开始接近：

Local Planner

但是仍然可能只是比较简单的 reactive avoidance，而不一定是完整的轨迹优化。

Level 3：Predictive Local Planning

这才是前面说的：

MPPI Local Planning

先做：

Human-in-the-loop Navigation

Human-Machine Collaboration

Nav2主要承担前两个：

Global Planning + Local Planning

AiBrainBox重点增加：

Safety Layer + Semantic/Dynamic/Terrain Costmap

Assisted Manual + Local Planning + Safety Layer + Semantic/Dynamic/Terrain Costmap

Spatial Understanding / 空间理解层

传统 Nav2看到的世界基本是：

而 AiBrainBox希望变成：

把：

Semantic / Dynamic / Terrain Costmap

理解成：

AiBrainBox把“感知结果”转换成“可用于行动决策的空间模型”。

这是非常关键的一层。

传统LiDAR告诉你：

这里有一个障碍物。

视觉可以进一步告诉你：

这是一个人。

再进一步：

这个人在向机器人移动。

甚至：

这个人可能会横穿机器人当前行驶方向。

于是空间信息从：

Obstacle

变成：

Person
Position
Velocity
Direction
Confidence
Predicted Occupancy
Risk

然后才真正进入：

Local Costmap

↓

MPPI

↓

Trajectory

Dynamic Costmap更进一步

Physical World Model

Dynamic Costmap

在 AiBrain OS 中抽象成：

Spatial World Model

Costmap只是这个模型最终提供给Nav2的一种表达方式。

Terrain Costmap也是同样的逻辑

例如LiDAR：

几何上只是一个地形。

但AiBrain可以理解：

坡度 = 18°

然后结合UGV能力：

最大安全坡度 = 25°

于是：

Terrain Risk = Medium

再比如：

碎石
泥地
台阶
沟壑
积水

最终全部转化成：

Traversability / 可通行性

这比单纯的障碍检测高级一个层次。

AiBrain Navigation重新定义成四层

Spatial World Model

回答：

“世界现在是什么样？”

Global Planner

回答：

“我要怎么去？”

Local Planner

回答：

“现在这一刻应该怎么走？”

Safety Layer

回答：

“这个动作能不能执行？”

这四个问题组合起来，其实就是一个非常完整的 Physical AI Navigation闭环。

AiBrainBox：

“操作者控制机器狗穿越复杂环境，AiBrainBox理解环境并在不改变操作者意图的情况下自动选择安全轨迹。”

Semantic Spatial Understanding + Assisted Local Navigation

这套MVP已经能够证明三件最重要的事情：

AiBrainBox能理解物理空间
—— 不再只是LiDAR障碍地图，而是视觉+激光的语义空间理解。
AiBrainBox能进行实时决策
—— 根据动态环境调整局部轨迹。
AiBrainBox能作用于真实物理系统
—— 规划结果最终改变机器狗的运动。

前往微信阅读全文

内容来自公众号，可前往微信查看原文。