在 navigation2（ROS 2 Nav2）中，涉及多个常用的算法来支持机器人导航、路径规划和运动控制。以下是一些主要的算法：
1. 路径规划算法 (Path Planning)
A 算法 (A-star)*：用于全局路径规划，计算从起点到目标点的最短路径，适用于静态环境。
Dijkstra 算法：类似于 A*，但不依赖于启发式估计函数，适用于计算最短路径，但效率较低。
RRT (Rapidly-exploring Random Tree) 和 RRT*：用于动态环境中的路径规划，能够处理复杂障碍物和非线性约束。
Theta 算法*：是 A* 的一个变种，能够生成更平滑的路径，避免不必要的转弯。
2. 局部路径规划 (Local Path Planning)
DWA (Dynamic Window Approach)：用于局部路径规划，基于机器人当前的速度和加速度限制，动态地生成可行的运动窗口。
TEB (Timed Elastic Band)：基于优化的方法，通过考虑机器人的运动学约束、目标路径和障碍物位置来生成平滑的轨迹。
3. 行为树 (Behavior Trees)
BT (Behavior Tree)：在 Nav2 中，行为树用于多种任务和状态的管理，例如导航、避障、目标选择等。它通过优先级、条件判断和并行任务管理来实现复杂的机器人行为。
4. 地图构建与定位 (Mapping and Localization)
AMCL (Adaptive Monte Carlo Localization)：基于粒子滤波的定位算法，用于在已知地图中进行精确的定位。
EKF (Extended Kalman Filter) 和 UKF (Unscented Kalman Filter)：用于融合不同传感器数据（如 IMU、里程计、激光雷达等）进行定位估计。
5. 避障算法 (Obstacle Avoidance)
占用栅格地图 (Occupancy Grid Map)：基于栅格地图的环境模型，通过计算每个栅格的占用概率来评估障碍物位置。
潜在场方法 (Potential Field Method)：用于避开障碍物的简单算法，基于目标的吸引力和障碍物的排斥力生成导航路径。
6. 路径平滑与优化 (Path Smoothing and Optimization)
曲线平滑 (Spline Smoothing)：用于通过样条曲线或贝塞尔曲线将路径平滑化，减少路径中的尖锐转弯。
优化器 (Optimizers)：常见的优化算法如梯度下降、非线性优化等，用于平滑路径和调整路径，使其更适合于实际的移动。
7. 目标追踪与跟踪控制 (Target Tracking and Motion Control)
纯追踪算法 (Pure Pursuit)：一种基于几何的方法，用于控制机器人沿着参考路径前进，适合于移动机器人和自动驾驶。
PID 控制器 (PID Controller)：用于控制机器人沿着路径前进的速度和方向，基于当前误差调整速度。
这些算法在 navigation2 中通常是通过多个节点和插件进行集成和协调工作的，例如路径规划、局部规划、定位和控制等模块。根据应用的需求，可以调整和组合这些算法，以实现更高效、更灵活的导航系统。