基于ROS的智能服务机器人从零搭建指南：导航、避障与人机交互实战

1次阅读

没有评论

共计 2129 个字符，预计需要花费 6 分钟才能阅读完成。

刚接触 ROS 机器人开发时，最让我头疼的是这三个问题：

传感器选型混乱：激光雷达精度高但价格贵，摄像头便宜可获取色彩信息但计算量大，不知道如何平衡成本和性能
SLAM 建图漂移：建好的地图总会出现重影或错位，明明机器人没动，地图上的障碍物位置却飘了
模块协同困难：导航、避障、语音各功能单独测试都正常，一集成运行就相互冲突卡死

经过多次踩坑测试，最终确定的方案组合：

感知层
RPLIDAR A1（8 米测距 /5.5Hz 扫描）：负责基础导航避障
Realsense D435i（深度 +RGB）：用于人脸识别和立体避障

算法栈

[激光数据] -> [Gmapping] -> [地图服务] -> [Navigation Stack]
                   ↑              ↓
[深度数据] -> [RTAB-MAP]       [AMCL]

选型依据
ROS Navigation Stack 成熟稳定，自带代价地图和动态窗口算法
激光 + 视觉融合比单传感器建图精度提升约 37%（实验室实测数据）

在 gmapping.launch.py 中需要特别注意：

from launch_ros.actions import Node

def generate_launch_description():
    return LaunchDescription([
        Node(
            package='slam_gmapping',
            executable='slam_gmapping',
            parameters=[{
                'delta': 0.05,  # 地图分辨率
                'maxUrange': 7.0,  # 有效测距
                'linearUpdate': 0.25  # 移动阈值触发更新
            }]
        )
    ])

amcl_config.yaml参数模板：

amcl:
  ros__parameters:
    min_particles: 500
    max_particles: 3000
    kld_err: 0.02
    laser_model_type: "likelihood_field"
    odom_model_type: "diff"
    transform_tolerance: 0.5  # TF 容忍时间(s)

调整规律：

环境越复杂，粒子数需要越多
雷达噪声大时增大 laser_z_hit 值

简易语音控制节点示例：

#!/usr/bin/env python3
import rclpy
from std_msgs.msg import String

class VoiceControl(rclpy.node.Node):
    def __init__(self):
        super().__init__('voice_control')
        self.sub = self.create_subscription(String, '/voice_cmd', self.callback, 10)
        self.pub = self.create_publisher(String, '/nav_cmd', 10)

    def callback(self, msg):
        cmd = String()
        if "去厨房" in msg.data:
            cmd.data = "goal_kitchen"
        elif "停止" in msg.data:
            cmd.data = "cancel"
        self.pub.publish(cmd)

if __name__ == '__main__':
    rclpy.init()
    node = VoiceControl()
    rclpy.spin(node)

常见症状：

[ERROR] [tf2]: Lookup would require extrapolation into the past

解决方法：

使用 tf2_tools view_frames.py 生成 TF 树 PDF
检查是否存在断裂的坐标链
确保所有 static_transform_publisher 时间戳一致

在 Python 节点中务必使用：

from threading import Lock
self._lock = Lock()

with self._lock:
    # 操作共享数据

将深度相机点云转为激光扫描时，添加体素滤波：

from sensor_msgs.msg import PointCloud2
import laser_geometry.laser_geometry as lg

lp = lg.LaserProjection()
filtered_cloud = do_voxel_grid_filter(input_cloud, 0.02)  # 2cm 栅格
laser_scan = lp.projectLaser(filtered_cloud)

在 Gazebo 中搭建的测试环境：