1. 项目概述打造一个会巡逻和取物的家庭机器人最近在捣鼓一个挺有意思的项目想用PuppyPi这个平台结合ROS机器人操作系统做一个能在家里自主巡逻还能根据指令去取个小物件的机器人。这听起来有点像科幻电影里的场景但其实用现有的开源硬件和软件自己动手完全能实现。PuppyPi本身是一个基于树莓派CM4的机器人开发平台集成了电机驱动、传感器接口甚至还有机械臂扩展能力非常适合用来做这种移动式服务机器人的原型开发。这个项目的核心目标很明确让机器人能自主巡逻和执行取物任务。自主巡逻意味着它能在设定的家庭环境里比如客厅、走廊按照规划好的路径或者随机路线移动同时用摄像头或者激光雷达“看”着周围避免撞到家具或者人。而取物功能就更进一步了需要机器人能听懂指令比如语音或者手机App控制识别目标物体然后移动到物体旁边用机械臂或者某种夹持机构把它抓起来再送到指定的位置。这背后涉及到机器人学里的几个关键模块建图与定位SLAM、路径规划、物体识别、运动控制以及机械臂抓取。这个项目适合谁呢如果你对ROS机器人开发感兴趣有一定Linux和Python基础想通过一个综合性项目把移动底盘控制、视觉感知、任务规划这些知识点串起来那这个项目会是一个绝佳的练手机会。它不像单纯的循迹小车那么简单也不像工业机械臂那样复杂正好处于一个“跳一跳能够得着”的难度做完之后对机器人系统的整体理解会有质的提升。我自己也是从一个个小模块开始踩了不少坑才慢慢把整个系统跑通接下来就把我的实现思路、具体步骤和那些“教科书上不会写”的经验教训分享出来。2. 核心思路与方案选型要完成“巡逻取物”这两个核心功能我们需要一个清晰的系统架构。整个机器人可以看作一个由“大脑”、“眼睛”、“腿”和“手”组成的系统。2.1 整体系统架构设计“大脑”自然是运行在PuppyPi主板树莓派CM4上的ROS 2系统。我选择ROS 2而不是ROS 1主要是因为ROS 2在实时性、跨平台和网络通信上更有优势更适合未来可能的多机器人协作场景。ROS 2充当了消息总线和任务调度中心各个功能模块以节点Node的形式存在通过话题Topic、服务Service和动作Action进行通信。“眼睛”部分我选择了英特尔的RealSense D435i深度相机。它不仅能提供彩色图像RGB用于物体识别还能提供深度信息Depth和惯性测量单元IMU数据这对于SLAM建图、避障以及判断物体距离至关重要。相比单目摄像头深度相机能直接获得三维信息省去了复杂的立体视觉计算对新手更友好。“腿”是PuppyPi自带的四轮麦轮底盘。麦轮的优势是可以实现全向移动前后、左右、原地旋转在家庭相对狭窄的空间里转向和调整姿态非常灵活。底盘通过PuppyPi板载的电机驱动芯片控制我们需要为其编写ROS 2下的控制节点。“手”的部分我选用了一款轻量级的6自由度机械臂通过UART或USB连接到PuppyPi。对于家庭取物不需要太大的负载关键是精度和易控制。机械臂的抓取器可以是二指夹爪也可以是吸盘取决于你想抓取的物体类型比如吸盘对光滑表面的盒子很有效。整个软件的工作流程可以这样概括启动后机器人先通过SLAM比如使用cartographer或slam_toolbox构建一张家庭地图。巡逻时导航栈nav2根据这张地图进行全局路径规划和局部避障。当收到取物指令例如通过一个ROS服务触发机器人会先通过视觉识别定位目标物体规划移动路径到达物体附近然后控制机械臂执行抓取动作最后再规划路径将物体运送到目的地。2.2 为什么选择PuppyPi与ROS 2 Jazzy市面上机器人开发板很多为什么选PuppyPi首先它专为机器人设计接口丰富电机驱动、传感器、舵机接口都做好了省去了自己焊接驱动板的麻烦让开发者能更专注于上层算法。其次它的核心是树莓派CM4兼容庞大的树莓派生态软件资源和社区支持都很好。最后它预留了机械臂和AI计算卡如Jetson Nano的接口扩展性很强。至于ROS 2的发行版我强烈推荐使用最新的ROS 2 Jazzy Jalisco对应Ubuntu 24.04。虽然网络上关于ROS 2 HumbleUbuntu 22.04的教程更多但Jazzy作为长期支持版本修复了之前版本的许多问题并且对硬件和Python的支持更新。直接在新版本上开发可以避免未来升级的麻烦。安装ROS 2 Jazzy官方文档是最可靠的不建议使用某些第三方“一键安装脚本”。这些脚本虽然方便但一旦出错排查起来极其困难而且可能修改了系统关键配置带来未知隐患。我最初就图省事用了某个“鱼香ROS”脚本结果在编译导航包时遇到了诡异的依赖冲突浪费了一整天时间最后还是老老实实走官方apt安装流程才解决。注意对于ROS这类核心系统软件除非你非常清楚脚本的每一步在做什么否则优先采用官方推荐的安装方式。这能确保你的开发环境是干净、可复现的。2.3 核心软件栈选型SLAM与导航采用Nav2框架。它集成了SLAM Toolbox用于建图和Navigation2用于导航是ROS 2下导航的事实标准。配置虽然稍复杂但功能完整社区活跃。视觉感知物体识别使用YOLOv8通过ROS 2的vision_msgs接口发布检测结果。YOLOv8在精度和速度上取得了很好的平衡并且有完善的PyTorch和ONNX模型便于在树莓派上部署可以考虑使用TensorRT加速。深度相机的驱动使用librealsense2和对应的ROS 2包realsense2_camera。机械臂控制如果使用现成的ROS兼容机械臂如UFactory xArm通常有官方提供的ROS 2驱动包。如果是DIY机械臂则需要用MoveIt 2来配置运动学、规划和控制。MoveIt 2学习曲线较陡但它是ROS中机械臂控制的标杆框架。任务管理使用Behavior Trees行为树来编排“巡逻”、“前往目标”、“抓取”、“返回”等复杂任务序列。Nav2本身就集成了行为树导航器我们可以在此基础上扩展自定义的动作节点。这个选型方案可能不是最简单的但它是构建一个健壮、可扩展的家庭服务机器人原型的最佳路径。接下来我们就进入具体的环境搭建和实现环节。3. 开发环境搭建与基础配置工欲善其事必先利其器。一个稳定、高效的开发环境能让你在后续开发中事半功倍。我的策略是在PuppyPi机器人本体上运行ROS 2核心和传感器驱动在性能更强的开发机通常是x86的Ubuntu电脑上进行代码编写、调试和仿真两者通过ROS 2的分布式通信连接。3.1 PuppyPi系统准备与ROS 2安装首先为PuppyPi的树莓派CM4安装操作系统。推荐使用Ubuntu Server 24.04 LTS的镜像因为它对树莓派硬件支持好且是ROS 2 Jazzy的官方支持平台。下载镜像后用Raspberry Pi Imager工具烧录到MicroSD卡或eMMC模块中。首次启动后通过SSH连接进行配置。实操心得务必在烧录系统后、首次启动前在boot分区下创建一个名为ssh的空文件并创建一个包含你的Wi-Fi密码的wpa_supplicant.conf文件具体格式查树莓派官网。这样PuppyPi开机就能自动连接网络并开启SSH实现无头无显示器启动方便后续远程操作。接下来安装ROS 2 Jazzy。请严格遵循ROS官方wiki的安装指南。步骤如下设置语言环境并添加ROS 2 apt仓库。sudo apt update sudo apt install locales sudo locale-gen en_US en_US.UTF-8 sudo update-locale LC_ALLen_US.UTF-8 LANGen_US.UTF-8 export LANGen_US.UTF-8 sudo apt install software-properties-common sudo add-apt-repository universe sudo apt update sudo apt install curl -y sudo curl -sSL https://raw.githubusercontent.com/ros/rosdistro/master/ros.key -o /usr/share/keyrings/ros-archive-keyring.gpg echo deb [arch$(dpkg --print-architecture) signed-by/usr/share/keyrings/ros-archive-keyring.gpg] http://packages.ros.org/ros2/ubuntu $(. /etc/os-release echo $UBUNTU_CODENAME) main | sudo tee /etc/apt/sources.list.d/ros2.list /dev/null安装ROS 2桌面版推荐包含GUI工具。sudo apt update sudo apt upgrade sudo apt install ros-jazzy-desktop配置环境变量。将以下命令添加到~/.bashrc文件中。source /opt/ros/jazzy/setup.bash3.2 开发机环境配置与远程调试在开发机上同样安装ROS 2 Jazzy桌面版。然后需要配置ROS 2的多机通信。ROS 2默认使用DDS作为中间件我们需要设置一个所有机器都能访问的“域名”。在PuppyPi和开发机上编辑~/.bashrc设置ROS_DOMAIN_ID为一个相同的数字例如 0-232之间。export ROS_DOMAIN_ID你的ID比如30 export RMW_IMPLEMENTATIONrmw_fastrtps_cpp # 指定DDS实现Fast DDS较稳定确保两台机器在同一个局域网内并且能互相ping通主机名或IP地址。在开发机上你可以安装ros-dev-tools方便创建功能包。同时强烈推荐使用VSCode进行开发并安装ROS和Msg Language Support插件它们能提供话题、服务消息的语法高亮和自动补全极大提升效率。踩坑记录我曾遇到开发机无法发现PuppyPi上节点的问题排查后发现是防火墙ufw阻止了DDS使用的端口默认7400左右。要么关闭防火墙不推荐要么开放相关端口。更简单的办法是确保两台机器在同一个子网且网络设置允许组播Multicast通信这是DDS发现机制的关键。3.3 核心功能包安装与依赖管理在PuppyPi上我们需要安装项目依赖的核心ROS 2包。建议创建一个专门的工作空间workspace。mkdir -p ~/robot_ws/src cd ~/robot_ws/src然后从GitHub上克隆或下载必要的功能包源码。对于这个项目至少需要realsense2_camera深度相机驱动。slam_toolbox和nav2_bringupSLAM与导航。你的机械臂对应的ROS 2驱动包例如xarm_ros2。自定义的功能包用于视觉识别、任务控制等。使用vcs工具可以方便地批量导入多个仓库。首先安装vcssudo apt install python3-vcstool创建一个.repos文件列出所有仓库然后执行vcs import src my_robot.repos。之后回到工作空间根目录使用rosdep安装系统依赖cd ~/robot_ws sudo apt update sudo rosdep init # 如果之前没做过 rosdep update rosdep install -i --from-path src --rosdistro jazzy -y最后编译工作空间colcon build --symlink-install--symlink-install参数创建符号链接这样你修改Python脚本后无需重新编译就能生效对于快速迭代开发非常有用。至此基础的软硬件环境就搭建好了。这个过程可能会遇到网络问题如rosdep update失败或编译错误耐心查看错误日志大部分问题都能在ROS社区或GitHub的Issues里找到答案。4. 移动底盘控制与SLAM建图让机器人动起来并且知道自己在哪、环境是什么样这是所有自主功能的基础。PuppyPi的底盘控制需要我们自己编写节点而SLAM则可以利用成熟的开源方案。4.1 PuppyPi底盘ROS驱动编写PuppyPi的电机通常通过I2C或PWM与主控通信。我们需要编写一个ROS 2节点订阅/cmd_vel话题类型为geometry_msgs/msg/Twist接收来自导航系统或其他控制节点发送的速度指令线速度和角速度然后将这些指令转换为具体的电机控制信号。这个节点的核心逻辑是运动学解算。对于麦轮底盘需要根据目标线速度(Vx, Vy)和角速度(Wz)计算出四个轮子各自的目标转速。这涉及到一个3x4的变换矩阵。网上有现成的麦轮运动学公式我们可以用Python的numpy库来实现。# 伪代码示例cmd_vel回调函数中的运动学解算 import numpy as np def cmd_vel_callback(self, msg: Twist): vx msg.linear.x vy msg.linear.y wz msg.angular.z # 假设轮子到机器人中心的距离为L轮子半径为R # 这是一个典型的X布局麦轮运动学模型 wheel_matrix np.array([ [1, 1, -(self.L self.W)], [1, -1, (self.L self.W)], [1, -1, -(self.L self.W)], [1, 1, (self.L self.W)] ]) / self.R target_vel np.array([vx, vy, wz]) wheel_speeds wheel_matrix.dot(target_vel) # 将计算出的轮速通过I2C或PWM发送给电机驱动板 self.send_motor_command(wheel_speeds)同时这个节点还应该发布里程计信息/odom话题类型为nav_msgs/msg/Odometry。里程计数据可以通过编码器反馈计算如果PuppyPi没有编码器也可以根据发送给电机的指令进行积分估算精度较差但可用于初步测试。发布正确的里程计信息对于SLAM和导航至关重要。4.2 使用RealSense D435i与SLAM Toolbox构建地图连接好RealSense相机后启动驱动ros2 launch realsense2_camera rs_launch.py使用rqt_image_view或ros2 topic echo检查/camera/color/image_raw和/camera/depth/image_rect_raw等话题是否正常发布。接下来是建图。我们使用SLAM Toolbox它支持2D激光扫描和3D点云输入。对于深度相机我们可以将其深度图转换成模拟的激光扫描数据/scan话题这是2D SLAM的常用做法。depthimage_to_laserscan这个ROS包可以完成这个转换。安装并启动深度图转激光扫描节点。启动SLAM Toolbox的建图模式。ros2 launch slam_toolbox online_async_launch.py params_file:/path/to/your_mapper_params.yaml关键的参数配置文件your_mapper_params.yaml需要仔细调整比如地图分辨率resolution、激光扫描范围max_laser_range等。对于家庭环境分辨率0.05米扫描范围5-8米是比较合适的起点。使用teleop_twist_keyboard节点遥控机器人在需要建图的区域缓慢、平稳地移动。移动时尽量让相机对着墙壁和障碍物避免快速旋转这会导致点云匹配失败。当机器人走遍所有区域后地图会逐渐完善。通过rviz2可视化工具查看/map话题确认地图质量。满意后使用SLAM Toolbox提供的服务来保存地图ros2 service call /slam_toolbox/save_map slam_toolbox/srv/SaveMap {name: /home/pi/my_home_map}地图会保存为.pgm图像和.yaml元数据两个文件。注意事项在建图过程中如果机器人发生打滑或里程计严重不准会导致地图出现重影或错位。此时可以停下来使用SLAM Toolbox的“手动闭环校正”功能在rviz2里调整。良好的建图是后续导航成功的一半务必花时间把地图建得准确、完整。室内光线变化如从亮到暗也可能影响深度相机尽量在光线稳定的环境下建图。5. 基于Nav2的自主导航与巡逻实现有了地图机器人就可以“看地图走路”了。Nav2是ROS 2的导航框架它负责接收一个目标点然后结合地图、传感器数据和当前位置规划出一条安全路径并控制机器人沿着路径移动。5.1 Nav2导航栈的配置与启动Nav2的配置相对复杂涉及多个插件和参数文件。一个最小化的启动流程通常包括地图服务器加载我们之前保存的地图。AMCL自适应蒙特卡洛定位根据激光扫描或深度转的扫描和里程计实时估计机器人在地图中的精确位置。这是导航的“眼睛”告诉机器人“我现在在地图的哪个点”。行为树导航器协调整个导航过程的任务调度器。规划器Planner和控制器Controller规划器如NavFnPlanner负责计算从当前位置到目标点的全局路径控制器如DWB Controller负责生成电机速度指令让机器人沿着全局路径走同时进行局部避障。启动Nav2通常用一个整合的launch文件ros2 launch nav2_bringup bringup_launch.py \ map:/home/pi/my_home_map.yaml \ params_file:/home/pi/robot_ws/src/your_robot_nav/config/nav2_params.yaml \ use_sim_time:false这里的nav2_params.yaml是你需要根据机器人实际情况尺寸、最大速度、传感器特性精心调参的配置文件。例如你需要设置机器人的轮廓footprint用于碰撞检测、代价地图的膨胀半径inflation_radius决定路径离障碍物多远、控制器的速度限制等。5.2 实现定点巡逻与随机巡逻逻辑巡逻功能可以通过编写一个简单的ROS 2节点来实现它按照预设的逻辑发布导航目标点。定点巡逻节点内部维护一个目标点列表[x1, y1, theta1], [x2, y2, theta2], ...这些坐标是预先在地图上选取好的。节点顺序或循环地向/navigate_to_pose动作服务器发送目标。可以使用FollowWaypoints这个现成的Action也可以自己用NavigateToPose动作客户端封装。随机巡逻在地图边界内随机生成目标点。生成点后需要调用/is_pose_valid这类服务如果Nav2配置了world_model来检查该点是否在可通行区域避免把目标点设在了墙上。一个更高级的做法是使用**行为树Behavior Tree**来编排巡逻逻辑。Nav2本身就使用行为树来管理导航任务。我们可以创建一个自定义的行为树XML文件定义如“巡逻”这样的复杂行为序列Sequence-计算下一个航点-导航到该航点-等待N秒-重复Repeat。然后通过nav2_bt_navigator来执行这棵树。这种方式更模块化也更容易扩展比如在巡逻中加入“检测到异常则中断巡逻”的逻辑。5.3 导航调参实战经验让机器人平滑、稳定地导航调参是关键。以下是一些核心参数和调试经验参数模块关键参数调参建议与影响代价地图 (Costmap)inflation_radius膨胀半径。设置机器人轮廓向外膨胀多少用于路径规划避障。太小会擦碰太大会导致狭窄处无法通过。从机器人半径的1.5倍开始调。obstacle_layer.enabled是否启用障碍物层。必须为true传感器数据如/scan才能更新障碍物。static_layer.map_topic静态地图话题指向你的/map。全局规划器 (Global Planner)use_astar/use_dijkstra选择全局路径搜索算法。A通常更快Dijkstra保证最优。家庭环境简单用A即可。allow_unknown是否允许路径穿过未知区域。建图完整的环境设为false更安全。局部规划器/控制器 (DWB Controller)max_vel_x,max_rot_vel最大线速度和角速度。根据机器人物理性能和安全考虑设置。室内建议线速度0.3-0.5 m/s角速度0.5-1.0 rad/s。path_distance_bias,goal_distance_bias路径跟随与目标朝向的权重。前者大则严格贴路径后者大则直奔目标。需要平衡否则会出现“画龙”或卡在终点附近旋转。sim_time前向模拟时间。控制器会模拟未来一段时间内的轨迹并评分。太短预见性不足太长计算量大。1.0-2.0秒是常用范围。恢复行为 (Recovery)spin/wait机器人卡住时的恢复行为。建议启用spin原地旋转和wait等待并设置合理的尝试次数。调试时务必打开rviz2添加RobotModel、Map、Path全局和局部、LaserScan、Costmap等显示。观察机器人的规划路径是否合理局部避障是否及时遇到死胡同时恢复行为是否生效。通过ros2 param set命令可以动态调整参数并立即看到效果。6. 视觉识别与机械臂抓取集成导航让机器人能走到物体附近而抓取则需要“眼睛”找到物体并控制“手”完成动作。这是项目中最具挑战性也最有成就感的部分。6.1 基于YOLOv8的实时物体识别在ROS 2中集成YOLOv8进行物体识别核心是创建一个节点订阅相机图像话题/camera/color/image_raw运行推理模型然后将检测到的物体边框和类别信息发布出去。模型准备在开发机上使用Ultralytics的YOLOv8训练或导出一个针对你目标物体比如“水杯”、“遥控器”、“零食”的模型。可以导出为ONNX格式便于在不同平台上部署。ROS节点编写节点使用rclpy创建。在回调函数中将ROS的sensor_msgs/msg/Image消息转换为OpenCV格式cv_bridge库然后送入YOLOv8模型进行推理。结果发布将检测结果边界框、置信度、类别封装成vision_msgs/msg/Detection2DArray等标准消息类型发布。同时为了可视化可以发布一个带检测框的渲染后的图像到新话题如/detections_image。为了提高在树莓派上的推理速度可以考虑使用TensorRT加速需要将ONNX模型转换为TensorRT引擎。降低输入图像的分辨率如从640x480降到320x240。使用FP16精度进行推理。只对图像中心区域进行推理假设物体通常出现在视野中央。6.2 物体三维定位与抓取点计算仅仅在图像中框出物体还不够机械臂需要知道物体在三维空间中的位置。深度相机D435i派上了用场。当我们从YOLO得到物体的2D像素坐标通常是边界框的中心点后可以查询同一时刻的深度图像读取该像素点的深度值单位米。结合相机的内参矩阵通过camera_info话题获得可以将像素坐标(u, v)和深度值d转换到相机坐标系下的三维坐标(Xc, Yc, Zc)。公式大致是Xc (u - cx) * d / fx Yc (v - cy) * d / fy Zc d其中fx, fy是焦距cx, cy是光心坐标。但这只是物体相对于相机的位置。我们还需要通过手眼标定知道相机坐标系与机械臂基座坐标系的变换关系。这是一个固定的变换矩阵。将物体在相机坐标系下的坐标乘以这个变换矩阵就得到了物体在机械臂基座坐标系下的坐标这才是机械臂运动规划所需要的目标位置。对于抓取除了位置还需要姿态。一个简单的策略是假设物体平放在桌面上那么抓取姿态可以是垂直向下的。更复杂的可以训练一个网络来预测抓取姿态如从单张RGB-D图像中预测抓取矩形的角度。6.3 使用MoveIt 2控制机械臂执行抓取MoveIt 2是ROS 2中用于机械臂运动规划、控制和操作的框架。配置MoveIt 2需要为你的机械臂创建URDF描述文件定义连杆、关节、碰撞模型等。然后使用MoveIt Setup Assistant生成配置包这个过程几乎是图形化操作但需要仔细核对模型尺寸。对于抓取任务我们可以这样设计一个ROS 2 Action服务器接收目标Action目标包含物体类别和大致位置来自视觉节点。精细定位控制机器人底盘微调位置使物体处于机械臂工作空间的最佳抓取位置。运动规划调用MoveIt 2的规划接口规划机械臂从当前位置移动到“预抓取位姿”物体上方的轨迹。执行与抓取执行轨迹然后控制夹爪闭合。提起与返回规划并执行提起动作将物体移动到运送目标位置。放置控制夹爪张开放置物体。整个过程需要处理大量的坐标变换TF和异常情况如规划失败、抓取失败。务必使用tf2_ros库来正确监听和广播坐标变换树。实操心得机械臂抓取的成功率非常依赖视觉定位的精度和手眼标定的准确性。在实际测试中我发现在抓取前让机械臂末端执行一个小的“搜索”动作比如在目标点上方小范围画圆同时持续检测物体位置进行动态调整能显著提高抓取成功率。此外在MoveIt规划时适当放宽目标姿态的容差tolerance并设置好“允许重规划”和“回退”策略能让整个流程更鲁棒。7. 系统集成、任务调度与实测优化当各个模块底盘驱动、SLAM、导航、视觉、机械臂都能独立工作后最后一步就是将它们整合成一个协调的、能完成完整“巡逻-取物”任务的系统。7.1 基于行为树的任务编排对于“去A点巡逻 - 发现目标物体 - 前往抓取 - 送到B点”这样的复杂任务流用简单的顺序代码会很快变得难以维护。行为树是更好的选择。我们可以使用BehaviorTree.CPP库或py_trees库Python来定义任务逻辑。一个简化的取物行为树可能长这样序列取物任务: - 条件是否有取物请求 - 动作导航至目标物体附近通过视觉获取粗略位置 - 序列精细操作: - 动作视觉伺服精确定位物体 - 动作规划并执行机械臂抓取轨迹 - 条件抓取是否成功可通过夹爪传感器或视觉反馈判断 - 动作导航至放置点 - 动作规划并执行机械臂放置轨迹 - 动作发布任务完成状态在ROS 2中我们可以创建一个行为树节点树中的每个“动作”叶子节点都是一个ROS 2 Action客户端与底层的导航、视觉、机械臂Action服务器通信。行为树引擎负责根据节点的执行结果成功、失败、运行中来决定下一步是继续、回退还是执行备用分支。7.2 系统集成启动与监控我们需要编写一个顶层的launch文件一次性启动所有必要的节点。这个launch文件会非常长但结构清晰launch !-- 1. 传感器驱动 -- include file$(find realsense2_camera)/launch/rs_launch.py/ !-- 2. 底盘驱动 -- node pkgpuppypi_base execmotor_driver_node/ !-- 3. 坐标变换 (robot_state_publisher) -- !-- 4. SLAM (如果不需要重新建图则改为加载静态地图) -- include file$(find slam_toolbox)/launch/online_async_launch.py/ !-- 5. 导航 -- include file$(find nav2_bringup)/launch/bringup_launch.py/ !-- 6. 视觉识别节点 -- node pkgobject_detection execyolo_node/ !-- 7. 机械臂驱动与MoveIt -- include file$(find your_arm_moveit_config)/launch/moveit_planning_execution.launch.py/ !-- 8. 任务管理行为树节点 -- node pkgtask_manager execbt_task_manager/ !-- 9. 用户界面节点如Web或语音 -- /launch使用ros2 launch命令启动这个文件整个机器人系统就开始运行了。通过rqt_graph可以查看所有节点和话题的连接图确保通信正常。7.3 实测中的典型问题与优化策略在真实家庭环境中测试时会遇到很多仿真中遇不到的问题导航漂移与定位丢失地毯、光滑地砖可能导致轮子打滑里程计不准AMCL定位逐渐漂移甚至丢失。优化提高激光扫描数据的权重在关键位置如门口、墙角添加ArUco二维码作为视觉地标辅助定位考虑融合IMU数据。动态障碍物家人、宠物突然出现。优化确保/scan话题持续更新并且Nav2的代价地图更新频率足够高update_frequency参数。可以调大inflation_radius给动态障碍物留出更多反应空间。视觉识别误检或漏检光线变化、物体被部分遮挡。优化收集更多样化的数据重新训练YOLO模型在推理后加入简单的跟踪算法如sort对同一物体进行帧间关联避免抖动对于关键任务物体可以要求机器人移动到多个角度进行确认。机械臂抓取失败定位误差、物体形状不规则。优化采用“视觉伺服”策略在抓取前让机械臂末端带着相机靠近物体进行最后一次精确定位对于易变形物体如毛绒玩具使用基于力的控制如果机械臂支持或自适应夹爪。系统资源与延迟树莓派算力有限同时运行SLAM、视觉、导航、机械臂规划可能导致卡顿。优化将视觉识别等重计算任务放到带GPU的开发机上运行通过ROS 2网络通信降低算法频率如视觉识别从30Hz降到5Hz使用systemd服务管理进程设置进程优先级。这个项目没有绝对的“完成”状态总会有可以优化的地方。从能让机器人颤颤巍巍地动起来到它能稳定地巡逻一圈再到能成功抓取一次物体每一个小里程碑都充满挑战和乐趣。最重要的是通过这个项目你获得的不只是一个玩具而是一套完整的、可扩展的机器人开发方法论和问题解决能力。