对于差分式机器人的slam问题，我们可以按步骤分开讲。为了去实现这个问题，我们首先需要知道我们在环境中的位置，即机器人实现定位；其次，我们还需要知道我们周围的环境，是否有障碍物在我们周围，哪条道路可以行走。对于这个的研究，可以总结归纳为三个点：地图的精确建模，机器人的准确定位，路径实时规划。
在turtlebot上使用相机进行定位建图，我使用的是华硕的相机，xtion相机是深度相机，携带多个摄像头，能读出每个像素离相机的距离，是比较好的选择之一。具体的流程按照创客网上的配置是没有任何的问题的，根据Turtlebot入门-目录 - 创客智造。但是相机局限性有时会比较大，我们也可以采用激光雷达进行turtlebot的slam操作。我采用的是hokuyo的北洋激光雷达，雷达的基本配置启动文件和地图建立gmapping文件的配置在上面链接的教程里是有提到的，但是对于定位的amcl.launch文件我们需要自己去写。
对于操作的基本流程，我们首先要启动turtlebot的基本驱动（因为我们需要待会用到turtlebot的里程计数据，在rviz上显示实时位置。），再启动gmapping的定位建图，将周围环境的障碍物以地图形式建立并保存。这是重要的步骤，只有有了正确的地图，在接下来定位导航时机器人才能准确的进行实时的路径规划，成功避开障碍物。最后，我们就可以采用先前建立的地图，使用amcl.launch来进行定位导航了，amcl还调用了move_base.yaml文件，他能够为机器人计算发送速度。local_planning.yaml文件可以为机器人实时规划出路径。
这是turtlebot采用gmapping slam的基本步骤。
对于navigation的配置，我们需要使用到tf。因为我们需要自己去放置相机或者激光雷达，所以在不同地方我们的设备和机器人的中心之间的坐标是不同的。我们将机器人的坐标设为base_laser，将机器人的移动基座标设为base_link，
假设我们知道激光器在移动基座的中心点之上10厘米和向前20厘米处安装。这给了我们一个将“base_link”坐标系与“base_laser”坐标系相关联的平移值和偏移值。我们可以实现转换，从“base_link”坐标系到“base_laser”坐标系的数据，我们必须应用（x：0.1m，y：0.0m，z：0.2m）的转换，并从“ base_laser“坐标系到”base_link“坐标系，我们必须应用相反的变换（x：-0.1m，y：0.0m，z：-0.20m）。在转换好坐标后，对于后面的机器人判断障碍物信息是必须的。
navigation中 move_base 的配置，将全局路径和局部路径规划程序连接在一起，以完成全局导航任务。还维护两个costmap，一个用于全局路径规划，一个用于局部路径规划。
对于机器人的运动，我们将要配置base_local_planner（本地规划配置），它将根据规划的全局路径计算发布给机器人的速度控制指令。我们有三个通用配置文件：
1 costmap_commn_params.yaml（代价地图）：用来存储周围环境的障碍物信息。里面有几个参数我们将能在运行终端看到。如obstacle_range(检测到的最大范围值)，raytace_range(检测到的自由空间的最大范围)。
2 global_costmap_params.yanl(全局规划配置文件)：用来存储配置全局代价地图的参数。
3 local_costmap_params.yaml(本地规划配置文件):存储本地代价地图的配置参数。
在turtlebot中，还有dwa_local_planner的文件，也用来局部规划，这个路径规划文件对于具有合理加速度机器人是较好的。总体的流程图我们可认为是：
导航包使用TF来确定机器人在地图中的位置，并将传感器数据与静态地图相关联。然而，TF不提供关于机器人的速度的任何信息。因此，导航包要求任何里程源都通过ROS发布TF变换和nav_msgs/Odometry消息。
关于global_planner和local_planner的关系图，如下：
