1.ROS 2中发布和可视化传感器数据实战系列之四：kitti公开数据集IMU数据的源导发布及在RViz2中的显示
2.ROS2的学习经验
3.ROS开源项目：（一）中文语音交互系统ROSECHO （二）教学级别无人车Tianracer
4.ubuntu18.04 OAK-D kalibr 双目+imu联合标定
5.坐标转换&点云变换&姿态互转| TransForms3d
6.1.5 ROS2体系框架万字干货来啦，快来码住

ROS 2中发布和可视化传感器数据实战系列之四：kitti公开数据集IMU数据的航源发布及在RViz2中的显示

       在ROS 2中发布和可视化传感器数据实战系列之四：kitti公开数据集IMU数据的发布及在RViz2中的显示

       本文将指导您如何在ROS 2中发布kitti公开数据集的IMU数据，并在RViz2中进行可视化显示。码r码在ROS 2中，导航RViz2默认不支持IMU数据的包完可视化。因此，整代双轨系统 源码我们将通过添加Github网站上的源导imu_tools开源存储库中的rviz_imu_plugin插件软件包，将IMU数据中的航源线性加速度、角速度、码r码方位等数据在RViz2中进行可视化显示。导航以下是包完详细步骤：

       1. **发布IMU数据**：使用Python编写一个ROS 2发布者节点，读取kitti数据集中oxts/data子目录中的整代.txt文件，从中提取方位、源导角速度和线性加速度数据，航源转换为sensor_msgs/Imu消息类型进行发布。码r码确保在发布消息时仅包含方位、角速度和线性加速度数据及其协方差矩阵。

       2. **安装rviz_imu_plugin插件**：从imu_tools存储库中获取rviz_imu_plugin插件，按照自述文档中的指示进行二进制包安装或源代码编译安装，并设置环境变量。

       3. **在RViz2中显示IMU数据**：在RViz2中添加(rviz_imu_plugin)插件后，可以将发布到话题上的IMU消息数据进行可视化显示。

       注意，RViz2在ROS 2中对于IMU消息的直接支持不足，因此需要通过上述步骤进行自定义配置。通过这些步骤，您可以有效地在RViz2中展示kitti数据集中的IMU数据。

       **IMU简介**：

       - IMU（Inertial Measurement Unit）是测量物体三轴角速度和加速度的设备，内部包含三轴陀螺仪和三轴加速度计。

       - IMU数据包含线性加速度、角速度、方位等信息，可用于自动驾驶、机器人和工业自动化等领域。

       - IMU传感器在定位领域的地位不容忽视，尤其与全球导航卫星系统（GNSS）结合使用时，能提供高度准确的定位信息。

       **IMU在ROS 2中的应用**：

       - ROS 2中发布IMU数据并利用rviz_imu_plugin插件进行可视化显示，是实现自动驾驶、机器人应用中定位与姿态控制的关键步骤。

       - 本文通过具体示例和代码指导，帮助开发者在ROS 2环境中实现IMU数据的发布与可视化，为相关应用提供技术支持。

       **总结**：

       - 通过本实战系列之四，您将掌握如何在ROS 2中发布kitti公开数据集的IMU数据，并在RViz2中进行可视化显示。

       - 了解IMU及其在ROS 2中的应用，对于自动驾驶、机器人和工业自动化领域的开发人员而言，是一次宝贵的学习经验。

ROS2的学习经验

       ROS2广泛应用于工业自动化、服务机器人、智能交通、医疗保健和农业机器人等领域。相较于ROS，ROS2去除了部分缺点，并被认为是未来的趋势。尽管ROS2发展时间不长，生态系统尚未完善，学习资源较少，但学习它并推动生态发展是明智之举。个人学习经验表明，应具备编程语言（C++和Python）、Ubuntu系统命令使用、抢红包js 源码C++智能指针（如make_ptr和共享指针）、命名空间、VSCode使用、多线程编程、数学知识（坐标转换、pnp解算、旋转度RPY、四元素等）、CmakeLists.txt语法等基础。

       初学者应从视频资源入手学习ROS2基础，推荐赵虚左老师的视频课程，使用鱼香ROS工具进行实践。首先，通过赵虚左老师的视频学习ROS2基础，然后进一步使用鱼香ROS文档深入学习导航2（Navigation2）部分。面对导航2框架资料较少、难以理解的挑战，建议仔细积累并参考官方文档的英文版本与鱼香ROS的翻译文档。遇到文档中错误的代码时，不要怀疑，可以尝试使用AI解决问题。

       进阶阶段，学习导航2（Navigation2）框架，特别关注官方文档与鱼香ROS翻译文档的结合使用。理解框架原理后，通过实际项目实践，如使用鱼香ROS的开源项目，让机器人在仿真环境中运行起来。在实践过程中，会遇到手动初始化位姿与标点导航的问题，通过代码自动导航可简化流程。使用nav2框架提供的Python API，可以方便地实现决策功能，如使用c++编写可能较为复杂。理解nav2源码，如复制和修改src avigation av2_simple_commander中的代码，或使用nav2_simple_commander\launch文件启动特定节点。

       为了构建和导航，需准备机器人模型（urdf）、仿真环境（world）等，放入description功能包中。启动仿真环境后，建图并获取地图信息。在实车或仿真导航中，确保定位准确，避免机器人在接近目标时徘徊。当到达目标距离0.5米时开始计时，若5秒内未到达目标，则取消当前导航并转向下一个目标。理解nav2框架参数的含义，根据项目需求进行调整。

       构建ROS2项目时，需要新建navigation2功能包，管理nav2框架的启动与配置。地图、参数文件（如av2_params.yaml）应放入相应文件夹中，根据需要调整参数，例如使用仿真时间、定位方法和控制器。启动nav2框架后，通过手动初始化位姿进行仿真导航，或结合雷达、IMU等设备数据构建完整tf图，妖火网论坛源码实现机器人导航。精准导航需要长时间的学习和实践，确保定位准确，避免机器人到达目标时的徘徊问题。

ROS开源项目：（一）中文语音交互系统ROSECHO （二）教学级别无人车Tianracer

       开发之路永无止境，往往在最后期限的白板上写着的计划，往往只是一份空想。年初时，我定下了两个目标，计划在年末完成，然而时间在拖延中流逝，直到如今，我才发现，真正的开源精神并非一个人的单打独斗，而是众人协作的火焰。

       记得一年前，我四处奔波，从开源社区汲取养分，同时也渴望贡献出自己的力量。然而，回顾过去，我却发现并没有做出任何贡献。这次，我希望能够集结各路伙伴，如果有志于参与开源项目，我们能共同打造一个GitHub上的百星、千星项目。几位资深程序员已经搭建好了基础，硬件改进较多，但程序完善程度未达预期。我们期望有更多的年轻朋友加入我们，与我们一起学习软件的版本控制、代码规范和团队协作，共同完成复杂的机器人项目，实现成长与蜕变。

       （一）中文语音交互系统ROSECHO

       ROSECHO的GitHub源码库已准备好，欢迎先star再深入阅读。此代码遵循BSD开源协议。

       详细中文介绍文档

       面对智能音箱市场，许多人或许会质疑我们的团队为何要涉足这个领域。然而，故事并非如此简单。在年，我们计划为一个大型展厅打造讲解机器人，采用流行于Android系统的接待引导机器人，其语音交互功能本无问题，但当时的挑战在于，尚未有集成cartographer在数千平米展厅中进行建图导航的方案。因此，我们决定打造一款完全基于ROS的讲解机器人。市场上虽然有众多智能音箱，但缺乏适用于ROS二次开发的产品。在科大讯飞一位大佬的介绍下，我们选择了AIUI方案，虽然开发难度大，但高度定制化，非常适合我们这样的开发团队。于是，我们主要任务转变为开发一款能够在ROS下驱动的智能音箱，ROSECHO便由此诞生。

       第一版智能音箱在年4月问世，包含W的大喇叭、6环麦克风，益盟cpx源码以及ROS主控制器，下方控制了一个云迹科技的水滴底盘。了解过ROS星火计划进阶课程的朋友大概知道，课程中的大作业之一是语音命令移动机器人端茶倒水，而我们的任务相当于完成了一个加强版的大作业。

       整个机器人在年7月完成，音箱分散到身体各个部分，环麦位于头顶，喇叭置于身体两侧。其他传感器、执行机构、决策、定位导航均基于ROS，定制了条特定问答，调试的机器人在场馆中行走上下坡不抖动，定位准确，7*小时工作稳定。音箱在大机器人上使用效果出色，主要得益于讯飞的降噪和回声消除技术，使得远场对话和全双工对话得以实现。社区中许多小伙伴也尝试了软核解决方案，但由于环境限制较大。于是，我们决定将音箱从大家伙改为普通智能音箱大小，通电即为智能音箱，USB接入ROS后，只需启动launch，即可接收语音识别结果，发送TTS语料，配置网络、接收唤醒角度等。

       这次体验深刻地让我认识到，做大容易做小难。过完春节后，年8月ROS暑期夏令营期间，我们做了N款外壳，测试了M种喇叭，贴了P版外围电路，程序则改动不大。主要是由于时间有限，无法进行更多改进。样品均为手工制作，音质上，7w的喇叭配有一个无源辐射板，对于从森海HD入门的人来说，音质虽有瑕疵，但足以满足日常使用。

       之前在想法中发布了一个使用视频，大家可参考运行效果。

       ROSECHO基本情况介绍完毕，如何开始呢？

       从零开始：推荐给手中已有讯飞AIUI评估板的小伙伴，记住，评估板而非麦克风降噪板（外观相似，简单区分是评估板售价元，降噪板元）。手头的评估板可通过3.5mm接口连接普通电脑音箱，再准备一根USB转转换头连接评估板DB9接口。后面需要根据实际串口修改udev规则，理论上可配合ROSECHO软件使用。硬件工作量较大，还需包含移动机器人所需机械设计、电气改造等。好处是上传源码到空间拥有AIUI后台，可以定制云端语料和技能，但这又是另一个领域的能力，也不是三下五除二能完成的。

       从ROSECHO开始：直接购买ROSECHO，首发的十台会附赠ROS2GO，只需连接自带电源并用USB线连接电脑，配置无线SSID和密码即可。连接方便，我们维护云端语料，人设为智能机器人管家，大家只需关注如何利用识别后的词句控制机器人和进行应答。云端问答AIUI处理，一些自定义问答可在本地程序中处理，务必联网，因为语音识别本身需要网络。具体软件启动和简单demo请查看GitHub软件库的说明。

       然后做什么：要实现智能语音交互功能的移动机器人，需要对ROS中的actionlib非常熟悉。我们提供了简单的demo，可以控制机器人在turtlebot stage仿真环境中根据语音指令在两点之间移动，也可以根据唤醒方位进行旋转。之后还需增加音箱的TF变换。

       大机器人中的状态机采用层次状态机（Hierarchical state machines），适用于移动机器人的编程，框架准备开源，方便大家开发自己的智能移动机器人策略。参考下面链接，希望深入了解也可以购买译本，肯定是比ROS By Example中的Smach状态机更适合商用级产品开发。

       还计划做一套简单的语音遥控指令集，机器人问答库，在iflyos中构建适合机器人的技能库。何时能完成尚不确定，大家一起加油！

       （二）教学级别无人车Tianracer

       GitHub源码库已准备就绪，欢迎先star再深入阅读。遵循Hypha Racecar的GPLv3协议。

       这是最近更新的详细使用手册。相比ROSECHO，Tianracer的基本功能均已完成，至少可以拿来学习建图导航，了解SLAM。

       Tianracer是一个经过长时间准备的开源项目，年从林浩鋕手中接过Hypha Racecar后，希望将项目发扬光大。这两年改进了软件框架、周边硬件、机械结构，并增加了新的建图算法，但仍有大量工作待完成。这两个月在知乎想法和微信朋友圈分享了项目的进展，经历了多次迭代，现在大致分为入门、标准、高配三个版本。三个版本的软件统一，可通过环境变量更改设置。

       最近整个项目从Tianbot Racecar更名为TianRacer，经过长时间探索，终于实现了合理的传感器与处理器配置。相比Hypha Racecar，处理器从Odroid XU4更改为NVIDIA在上半年推出的Jetson Nano，车前方增加了广角摄像头，利用Nano的深度学习加速，可以接近实时处理图像数据。相比之前的单线激光，广角摄像头大大扩展了后续可实现的功能。

       TianRacer基本使用Python编写，从底层驱动到遥控等，目的是方便大家学习和二次开发。同时集成了cartographer和vins-fusion启动文件，可以尝试新的激光与视觉SLAM，基于Nano的深度学习物体识别等也是可以直接运行的。但目前功能尚未有机整合。

       从零开始搭建：TianRacer搭建可能难度较大，不仅需要RC竞速车的老玩家进行机械电子改装，还需要对ROS熟悉并修改软件以进行适配，同时可能需要嵌入式程序员的帮助。对于主要关心搭建的朋友，可以参考小林的Hypha Racecar和JetRacer Tamiya版本的搭建指南。

       从TianRacer开始：这批开发版本的无人竞速车附赠搭好环境的ROS2GO，TianRacer本身有开机自启功能，利用ROS2GO加上USB线对车体进行网络配置，就可以远程编程和调试。仔细参考提供的TianRacer看云文档（文档积极更新），大部分车体自带的功能都可以实现，包括但不限于建图、定位、导航、识别等。

       然后做什么：利用TianRacer学习无人车的基础框架，还可以通过JupyterLab学习Jetson Nano的深度学习算法。未来计划将交通标识识别、行人和车辆检测、车道线检测等无人车基础功能融合，但不确定Jetson Nano的算力是否足够。目标是在校园内进行低成本的无人车竞速比赛，希望像CMU的Mobot室外巡线比赛一样持续发展，至今已举办届。

       这个视频是搬运自YouTube。大家可深入了解非结构环境下的导航。对于不清楚结构化环境与非结构化环境的朋友，CMU和恩智浦的比赛完美诠释了两者之间的区别。

       一起来玩耍吧！

       在开源社区协作方面，我们也是第一次尝试，对于松散的协同开发经验不足，希望参与或组织过大型开源项目的朋友们加入我们，一起努力。有兴趣的朋友可以留言或私信。

       前几日与朋友们闲聊时，想起几年前高翔博士赞助一锅粥（orb-ygz-slam）1万元时，我也只能提供支持。这次真心希望可以贡献出代码，实现实实在在的贡献。

       年年底发布了开发者申请价格，但数量有限，早已连送带卖售罄。年又有几十位爱好者填写了问卷，忘记查阅。每年的双十一双十二我们都会有优惠活动，感谢大家的关注。

ubuntu. OAK-D kalibr 双目+imu联合标定

       将OAK相机接入ROS系统，进行SLAM定位建图导航等算法时，确保双目相机与IMU的标定参数准确，对于提升定位建图的精度和算法的鲁棒性至关重要。原厂提供的OAK相机仅包含双目的标定数据，因此，本教程使用第三方标定工具Kalibr，在ROS系统中完成双目标定、IMU标定以及IMU+双目的联合标定，以满足算法需求。

       在执行标定过程前，首先确保已安装ROS melodic和depthai_ros环境，参考教程链接进行安装配置。接着，利用源码地址克隆Kalibr，使用catkin_make命令编译相关依赖，如Ceres Solver和code_utils，并根据教程调整code_utils文件中的代码引用。

       标定过程中，需采集数据，具体分为双目、IMU以及双目+IMU三个部分。双目数据需在白色背景下录制，确保场景清晰。IMU数据录制时，保持相机静止状态，并确保时间超过2个小时。双目+IMU数据采集时，使用特定的配置文件路径进行标定，输出cam_chain.yaml、imu_param.yaml文件，以及生成camchain-imucam.yaml结果文件。

       通过Kalibr工具，完成双目和IMU的单独标定及联合标定，输出关键参数文件。完成整个标定流程后，可参阅OAK中国官网获取最新教程和更新信息。如有技术咨询或项目合作需求，请通过指定链接与OAK官方联系，加入OAK官方微信群，获取最新资讯和社区支持。

       感谢您对OAK中国和Kalibr标定工具的关注与支持，如您喜欢本教程，欢迎分享或点赞，您的鼓励是我们持续改进的动力。

坐标转换&点云变换&姿态互转| TransForms3d

       本文分享的开源库TransForms3d，专为坐标转换和点云变换提供解决方案，基于Eigen库构建，无需额外依赖，适用于机器人开发和导航系统构建。

       开源地址：gitee.com/ohhuo/transfo... 或 github.com/fishros/tran...

       该库提供丰富的函数，覆盖角度、欧拉角、四元数和齐次矩阵等基础转换，以及坐标变换组操作。

       安装与使用

       1. **源码引入**：将trans_forms_group.cpp,trans_forms.cpp,transforms3d.h文件复制至项目中。

       2. **编译安装**：根据项目需求进行编译。

       3. **使用样例**：

        - **手眼矩阵估算**：通过TransformsGroup实现。

        - **点云坐标转换**：利用TransformsGroup完成。

        - **欧拉角转换**：支持多种格式转换。

       函数列表

       基础部分：角度、弧度、欧拉角、四元数、齐次矩阵等转换。

       坐标变换组：添加、打印、查找坐标转换关系。

       鸣谢与反馈

       欢迎贡献代码、提供反馈，共同提升TransForms3d库的性能与功能。

1.5 ROS2体系框架万字干货来啦，快来码住

       1.5 ROS2体系框架详解

       深入理解ROS2框架，对于学习和开发至关重要。ROS2不仅涉及文件系统与核心模块，还有强大的技术支持和广泛应用领域。让我们从微观和宏观视角探讨。

       微观视角

       ROS2的文件系统由三层结构组成，主要针对开发者，主要关注的是功能包为核心的硬盘目录和文件组织，特别是应用层，开发者通过编写特定功能包构建机器人应用。

       宏观视角

       技术支撑：得益于ROS2社区，涵盖了包文档、问答、论坛、包索引和问题跟踪等多种支持机制。

       应用方向：ROS2在导航、机械臂、自动驾驶等领域展现出广泛的应用，如Nav2项目、OpenCV、MoveIt等。

       具体操作

       创建和编译功能包：使用colcon指令进行操作，如`colcon build`和`colcon build --cmake-args`。

       通信模块：涉及机器人控制、传感器数据传输和人机交互等，是开发核心。

       功能包应用：包括二进制安装、源码安装和自定义实现。

       工具与资源

       命令行工具和rqt图形化界面：方便调试和开发效率提升。

       launch文件：批量启动节点的常用方式。

       TF坐标变换和rviz2可视化：辅助定位和数据展示。

ROS中MPC局部路径规划器使用方法及源码流程解读

       本文将详细介绍ROS导航框架中MPC局部路径规划器mpc_local_planner的使用方法，并对其源码进行解读，梳理其规划流程。内容分为MPC模型预测控制算法简介、mpc_local_planner使用方法、mpc_local_planner源码解读与规划流程梳理三个部分。

       一、MPC模型预测控制算法简介

       MPC的设计和实施包含三个步骤。首先在k时刻，需要估计/测量出系统当前状态。MPC的优点在于处理多变量、多约束系统，适应动态环境，并提供优化性能。但它的计算复杂度较高，适用于需要高精度控制的应用。

       二、mpc_local_planner使用方法

       在ROS现有开源MPC模型预测控制算法的局部路径规划器插件中，mpc_local_planner功能包广受欢迎。它与teb_local_planner出自同一研究机构，因此在流程及上有许多相似之处。以下是mpc_local_planner的使用步骤：

       1. 下载mpc_local_planner功能包并将其放置在ROS工作空间的src文件夹下。

       2. 配置环境，执行以下指令安装所需依赖和环境。

       3. 使用catkin_make对mpc_local_planner功能包进行编译。

       4. 可根据需要执行以下语句中的一个或多个，来使用功能包自带的示例，对功能包是否能够正常工作，并可对其性能进行测试。

       5. 在启动move_base的launch文件中，配置局部路径规划器插件为mpc_local_planner/MpcLocalPlannerROS，并根据机器人的实际情况，设定参数clearing_rotation_allowed的值来设定在规划时是否允许机器人旋转。

       6. 在上述move_base节点配置中调用mpc_local_planner的参数配置文件mpc_local_planner_params.yaml。

       7. 进行效果测试，并根据测试效果对参数进行调节。

ROS2 Nav2 [Navigation 2 Stack] –SLAM导航教程

       ROS2 Nav2 [Navigation 2 Stack] –SLAM导航教程

       在本课程中，您将踏上一段学习旅程，从实验开始，构建直观的导航理解。首先，通过实践操作，您将获得初步体验。接下来，理论与实践相结合，解释和理论将增强您的学习体验，随后是更多实践环节。

       课程内容包括：

       每个章节紧密相连，知识递进式学习。您将通过附加挑战巩固所学，并获得更多实践机会。

       立即注册课程，开始您的导航堆栈学习之旅，节省大量宝贵时间。课程承诺，不满意可享受天全额退款，无需任何问题。

       注意：本课程不适用于以下情况：

       面向所有计算机科学爱好者，本教程涵盖计算机学科的多个领域，如人工智能、机器学习、编程语言、游戏开发、网络安全、云计算、Linux运维、面试技巧等。所有教程均配备中英双语字幕、练习源码及补充资料。

TurtleBot 3 & 2i ROS开源实验平台

       TurtleBot 3 & 2i ROS开源实验平台是全球最受欢迎的ROS平台，以小型、低成本、可编程的移动机器人形式出现，广泛应用于教育、研究和业余爱好。

       TurtleBot3系列，如TurtleBot3 Burger和TurtleBot3 Waffle Pi，提供移动跟随功能，集成开放式机械手，能够实现°激光距离传感器LDS-，模块化执行器，以及可扩展性，支持多种自定义选项，如控制板、计算机和传感器等，具有强大的传感器阵容和尺寸小的特性。

       TurtleBot3 Burger和Waffle Pi提供了强大的功能，如使用增强的°LiDAR、9轴惯性测量单元和精确编码器，以及Intel®RealSense™和识别SDK等，支持自主定位与导航、SLAM地图构建、物体识别与抓取等功能，适合ROS教学、科学研究、多机器人协作，以及机器人爱好者的产品原型设计。

       此外，TurtleBot3还具备强大的传感器阵容，包括增强的°LiDAR、9轴惯性测量单元和精确编码器等，配合功能强大的Intel®RealSense™和识别SDK，以及高效率的Raspberry Pi相机，是制造移动机器人的最佳硬件解决方案。

       TurtleBot3的硬件、固件和软件是开源的，方便用户下载、修改和共享源代码，所有组件均采用注模塑料制造，成本低廉，也提供3D CAD数据用于3D打印。对于想要自己制作OpenCR1.0板的用户，详细信息包括原理图、PCB gerber文件、BOM和固件源代码均已开放。

       TurtleBot3的视觉PRO版-TB3汉堡视觉PRO版，结合度SLAM导航和规划、3D点云探测、二维码识别和WIFI通讯模块，实现多智能体组网。旨在成为学生“软件开发”、“动手实践”、“多机器人协作”、“创意展示”、“竞赛”等综合平台，最大程度激发学生们对机器人学习兴趣。

       TurtleBot 2i移动研究机器人基于ROS的模块化机器人平台，对TurtleBot的先前迭代进行了改进，具有全新设计的模块化底盘，并实现了对机械臂的本地支持，提供Pincher MK3 4 DOF机械臂，允许机器人与现实世界中的小物体交互，适合个人自主搭建、机器人研发与教育、多功能机器人研究以及开源社区软件培训。

       TurtleBot 2i配备有ROS开放源码的SDK及示例源代码，帮助使用者开发和测试自己的机器人算法程序，价格便宜，非常适合做机器人研究以及提供个人或家庭的机器人开发平台，广泛被院校、研究所以及个人采用。智能佳提供专业的技术服务支持团队，确保购买后无忧使用。