精通 ROS 2 机器人编程：复杂机器人的设计、构建、仿真与原型开发（第四版）

Nav2 导航栈

• 核心组件：全局规划器（A*/Dijkstra）、局部规划器（DWB）、恢复行为。
• Slam Toolbox 建图：启动激光雷达与里程计数据发布节点，运行 slam_toolbox 节点记录环境数据。
• C++ 开发实践：

auto client = std::make_shared<Nav2GoToPose::Async>();
auto goal = Nav2GoToPose::Goal();
goal.pose = createPose(1.0, 0.0, 0.0);
client->async_send_goal(goal);

MoveIt 2 操作

• 核心功能：运动规划、碰撞检测、逆运动学求解。
• Rviz2 测试：使用 MotionPlanning 面板拖拽末端执行器生成路径。
• C++ 示例：

auto move_group = std::make_shared<moveit::planning_interface::MoveGroupInterface>(plan_context);
move_group->setPoseTarget(createPose(0.5, 0.2, 0.3));
move_group->move();

感知栈开发指南

视觉数据流

• 标准话题：/camera/color/image_raw、/camera/depth/image_rect。
• 点云处理：通过 pcl_conversions 将深度图转换为点云。

from pcl_conversions import pcl2_to_ros, ros_to_pcl
def depth_callback(depth_msg):
    depth_cloud = ros_to_pcl(depth_msg)
    seg = depth_cloud.make_segmenter()

深度传感器实战

• RealSense D455 配置：

sudo apt-get install ros-<distro>-realsense2-camera
ros2 launch realsense2_camera rs_launch.py

• 深度图转 3D 坐标：

Eigen::Vector3d point;
point.x() = (u - cx) * depth / fx;
point.y() = (v - cy) * depth / fy;
point.z() = depth;

NVIDIA ISAAC ROS 加速

• GPU 加速：利用 CUDA 并行计算加速图像预处理。
• 性能对比：GPU 相比 CPU 在立体匹配和目标检测上有显著加速比。

高级应用与机器学习

大语言模型（LLM）接口

• 应用场景：自然语言指令解析、场景理解与决策支持。
• 集成方案：通过 REST API 调用云端 LLM 或本地部署轻量化 LLM。

深度强化学习（DRL）

• 应用：足式机器人平衡控制、机械臂抓取策略学习。
• 环境：Isaac Lab、Isaac Sim。

测试与持续集成

• CI/CD 流水线：GitHub Actions 配置自动构建、测试、发布 ROS 2 包。
• 容器化：Docker 镜像构建与 Kubernetes 编排。

总结

本指南覆盖了机器人控制、任务管理、导航与操作的完整技术栈。结合仿真与真实机器人部署案例，读者可快速构建从简单移动机器人到复杂机械臂系统的完整解决方案。