ROS与机器人控制

rostopic

<ros.h>

URDF

标准标记语言文件，与xml语言类似

stl

SLAM

MoveIt

https://moveit.ai/

Gazebo

使用docker安装Gazebo

# 使用官方的ROS镜像作为基础镜像
FROM ros:noetic-ros-base

# 添加ROS源
RUN echo "deb http://packages.ros.org/ros/ubuntu focal main" > /etc/apt/sources.list.d/ros1-latest.list

# 导入ROS的公钥
RUN apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654

# 更新apt包列表
RUN apt-get update

# 安装 RViz 和其他 ROS 工具
RUN apt-get install -y \
    ros-noetic-rviz \
    ros-noetic-xacro \
    ros-noetic-joint-state-publisher-gui \
    ros-noetic-robot-state-publisher

# 安装 Gazebo 11 和相关的开发包
RUN apt-get install -y \
    gazebo11 \
    libgazebo11-dev

# 安装 Gazebo ROS 包
RUN apt-get install -y \
    ros-noetic-gazebo-ros-pkgs \
    ros-noetic-gazebo-ros-control

# 设置容器的主命令为bash终端
CMD ["/bin/bash"]

使用 Gazebo 时，了解其基本概念非常重要，这有助于你更好地理解和使用这个仿真平台。以下是 Gazebo 的一些基本概念及其简短的解释：

1. 模型（Models）: 模型是 Gazebo 中的基本构建块，它们代表物理对象，如机器人、建筑物或其他任何物体。每个模型都有与之相关的几何、视觉和物理属性。
2. 世界（Worlds）: 世界是模型存在和交互的环境。它包括一系列的模型，以及描述这些模型如何相互作用的物理属性（例如，重力和摩擦）。
3. 插件（Plugins）: 插件允许用户扩展 Gazebo 的功能。通过编写插件，用户可以创建新的物理引擎、传感器模型、控制器等。
4. 传感器（Sensors）: 传感器是模拟真实世界传感器的虚拟设备，例如相机、雷达或激光雷达。它们可以感知仿真世界中的其他模型和环境。
5. 视觉和物理属性: 模型在 Gazebo 中具有视觉和物理属性。视觉属性决定模型看起来如何，而物理属性（例如质量和惯性）决定模型如何在仿真环境中运动。
6. 通信接口（Communication Interfaces）: Gazebo 提供了一些通信接口，如 ROS（机器人操作系统）集成，以便用户可以控制和监视仿真。

开始使用 Gazebo 之前，熟悉其用户界面和基本功能是很重要的。这将帮助你更高效地使用这个工具。下面是 Gazebo 用户界面和基本功能的简要概述：

1. 主界面: Gazebo 的主界面包含了一个视图窗口，显示了你的仿真世界。你可以通过鼠标和键盘控制来旋转、平移和缩放视图。
2. 工具栏: 位于主界面顶部的工具栏提供了许多常用功能的快捷方式，如启动/暂停仿真、重置仿真、保存世界等。
3. 模型库: 通过模型库，你可以浏览和插入预先创建的模型到你的世界中。你也可以保存自己创建的模型到模型库中。
4. 插件和控件: Gazebo 支持多种插件和控件，让你能够自定义用户界面并添加新功能。
5. 属性面板: 属性面板显示了当前选定对象的属性和设置。你可以在这里修改模型、传感器和其他对象的属性。
6. 主题和布局: Gazebo 允许你通过更改主题和布局来自定义界面的外观和布局。
7. 日志和错误输出: 通过日志窗口，你可以查看仿真的日志输出和任何错误或警告。

在 Gazebo 中，模型库提供了一种方便的方式来访问和共享仿真模型。你可以从模型库中加载预先创建的模型，也可以将自己创建的模型保存到模型库中。以下是如何从 Gazebo 的模型库中加载基本模型的步骤：

1. 打开模型库: 在 Gazebo 的主界面中，点击左侧选项卡中的 Insert 来打开模型库。
2. 浏览和选择模型: 在模型库窗口中，你可以看到一个模型列表。这些模型可能是本地保存的，也可能是从在线模型库加载的。点击你想要的模型，例如 ground_plane 或 sun。
3. 加载模型: 选择你想要的模型后，点击“插入”按钮，或者直接拖拽模型到仿真窗口中。模型会被加载到你的仿真世界中。
4. 保存世界 (可选): 如果你想保存包含新模型的世界，可以通过菜单 File -> Save World As... 来保存你的世界到一个新文件。

编写控制程序

#!/usr/bin/env python3

import rospy
from geometry_msgs.msg import Wrench

def apply_force():
    # Initialize the node
    rospy.init_node('force_applier', anonymous=True)
    
    # Create a publisher to send force commands
    pub = rospy.Publisher('/force', Wrench, queue_size=10)
    
    # Create a Wrench message to send force and torque commands
    cmd = Wrench()
    cmd.force.x = 0.0
    cmd.force.y = 0.0
    cmd.force.z = 0.0
    cmd.torque.x = 0.0
    cmd.torque.y = 0.0
    cmd.torque.z = 0.6  # Apply a torque of 0.6 N*m about the z-axis
    
    rate = rospy.Rate(10)  # 10 Hz
    while not rospy.is_shutdown():
        # Publish the command
        pub.publish(cmd)
        rate.sleep()

if __name__ == '__main__':
    try:
        apply_force()
    except rospy.ROSInterruptException:
        pass

Rviz

http://tr-ros-tutorial.readthedocs.io/zh-cn/latest/_source/simulation/gazebo_and_rviz.html

ROS2

命令行精简

实时性

• ROS 1：原生不支持硬实时（Hard Real-Time），其通信机制引入的非确定性延迟，使其不适合对时间敏感的应用（如无人驾驶和手术机器人）。
• ROS 2：通过DDS和对实时操作系统的兼容性，提供了原生实时计算能力。其可配置的QoS策略和执行管理机制，能够实现有界延迟和抖动控制，更好地支持时间敏感型任务

多机器人支持

• ROS 1：处理多机器人系统较为复杂，需要复杂的网络配置，且依赖于ROS主节点。
• ROS 2：得益于DDS的分布式特性，支持无缝的点对点通信，使得多机器人系统（例如机器人集群）的扩展变得更加容易

节点（Nodes）

• ROS 1：一个可执行文件通常对应一个节点。后来引入的nodelet机制允许在同一进程中运行多个节点，但实现更复杂。
• ROS 2：组件（components）的概念被引入核心，允许在同一进程中运行多个节点。这有助于提高进程间通信效率，特别是在资源受限的硬件上。

构建系统和工作空间

ros1使用catkin作为其构建空间

ros2使用colcon作为构建系统

语言支持

• ROS 1：C++和Python有各自独立的后端实现。
• ROS 2：C++和Python使用共享的底层客户端库API（rclcpp和rclpy），确保不同语言下的功能一致性。

rosbag

rosbag 是 ROS（Robot Operating System）中的一种数据记录与回放工具，用来保存和重放机器人运行时产生的各种消息数据。简单来说，它就像“黑匣子”，能把机器人运行时的传感器、话题消息、控制指令等全部记录下来，方便后期调试和复现实验。

## 记录
ros2 bag record /turtle1/cmd_vel

## 回放
ros2 bag play rosbag2_2025_09_18-13_01_53/

RQT

rqt 是 ROS 官方提供的一个基于 Qt 的 GUI 框架，本质上是一个 插件管理和可视化平台。

它的设计理念是：ROS 系统是分布式的，节点、话题、服务、参数等很多，调试和监控光靠命令行不直观，因此需要一个统一的 图形化工具箱 来观察和操作。

sim2real

https://zhuanlan.zhihu.com/p/106216904

sim2real的全称是simulation to reality，是强化学习的一个分支，同时也属于transfer learning的一种。主要解决的问题是机器人领域中，直接让机器人或者机械臂在现实环境中与环境进行交互、采样时，会出现以下两个比较严重的问题：

• 采样效率太低（在用强化学习算法解决机器人相关问题时，所需要的样本量一般会达到上千万，在现实环境中采集如此数量级的样本要耗费几个月的时间）
• 安全问题 （由于强化学习需要通过智能体在环境中进行大范围的随机采样来进行试错，因而在某些时刻其做出的行为可能会损伤机器人自身，例如手臂转动角度过大或者避障任务中由于碰撞造成的不可逆损伤等等；也可能会损害周围的环境甚至生物）

但是如果我们在模拟器中进行强化学习算法的训练，以上两个问题均可迎刃而解。但是，这里同样会存在一个问题，由于模拟器对于物理环境的建模都是存在误差的，因而在模拟环境中学习到的最优策略是否可以直接在现实环境中应用呢？答案往往是否定的，我们把这个问题称为 “reality gap”。而sim2real的工作就是去尝试解决这个问题。

这里值得注意的一点是，虽然这个方向叫做sim2real，其实其中的所有的算法都可以直接应用在sim2sim，real2real等的任务中。

sim2real中的典型工作大致可以分为以下五类：

• Domain Adaption 主要是通过学习一个模拟环境以及现实环境共同的状态到隐变量空间的映射，在模拟环境中，使用映射后的状态空间进行算法的训练；因而在迁移到现实环境中时，同样将状态映射到隐含空间后，就可以直接应用在模拟环境训练好的模型了。
• Progressive Network 利用一类特殊的Progressive Neural Network来进行sim2real。其主要思想类似于cumulative learning，从简单任务逐步过渡到复杂任务（这里可以认为模拟器中的任务总是要比现实任务简单的）。
• Inverse Dynamic Model 通过在现实环境中学习一个逆转移概率矩阵来直接在现实环境中应用模拟环境中训练好的模型。
• Domain Randomization 对模拟环境中的视觉信息或者物理参数进行随机化，例如对于避障任务，智能体在一个墙壁颜色、地板颜色等等或者摩擦力、大气压强会随机变化的模拟环境中进行学习。

Towards Adapting Deep Visuomotor Representations from Simulated to Real Environments[arXiv 2015] Eric Tzeng, Coline Devin, Judy Hoffman, Chelsea Finn, Xingchao Peng, Sergey Levine, Kate Saenko, Trevor DarrellLearning Invariant Feature Spaces to Transfer Skills with Reinforcement Learning [arXiv 2017] Abhishek Gupta, Coline Devin, YuXuan Liu, Pieter Abbeel, Sergey LevineSim-to-Real Robot Learning from Pixels with Progressive Nets [arXiv 2016] Andrei A. Rusu Deepmind.Transfer from Simulation to Real World through Learning Deep Inverse Dynamics Model[arXiv 2016] Paul Christiano, Zain Shah, Igor Mordatch, Jonas Schneider, Trevor Blackwell, Joshua Tobin, Pieter Abbeel, and Wojciech ZarembaSim-to-Real Transfer of Robotic Control with Dynamics Randomization [ICRA 2018] Xue Bin Peng, Marcin Andrychowicz, Wojciech Zaremba, and Pieter AbbeelDomain Randomization for Transferring Deep Neural Networks from Simulation to the Real World [IROS 2017] Josh Tobin, Rachel Fong, Alex Ray, Jonas Schneider, Wojciech Zaremba, Pieter Abbeel

setuptools

setuptools库的前身是distutils（一个python标准库），setuptools本身不是标准库，所以需要自行安装。setuptools提供的主要的功能有：

• python库的打包分发
• 依赖包安装与版本管理
• python环境限制
• 生成脚本
• c/c++ 拓展

python库的打包分发方式有两种：源码包source dist（简称sdist）、二进制包binary dist（简称bdist）。

源码包sdist就是我们熟悉的 .zip 、.tar.gz 等后缀文件。就是一个压缩包，里面包含了所需要的的所有源码文件以及一些静态文件（txt文本、css、图片等）。

setup.py后面会介绍，总之setup.py指定了打包分发的配置信息。--formats 参数用来指定压缩格式，若不指定format格式，那么 sdist 将根据当前平台创建默认格式。在类 Unix 平台上，将创建后缀名为.tar.gz分发包，而在Windows上为 .zip 文件。

执行完该命令，我们可以看到文件夹下多了dist文件夹（包含压缩源码的分发包）和egg-info文件夹（中间临时配置信息）。

安装源码包

安装源码包有两种方法，先解压缩源码包，或者直接安装源码包。

• 先解压缩源码包，再执行setup.py

# 
$ python setup.py install
等价于
$ python setup.py build
$ python setup.py install
'''
python setup.py install包括两步：python setup.py build python setup.py install。
这两步可分开执行， 也可只执行python setup.py install, 因为python setup.py install总是会先build后install.
'''

直接pip安装源码包

pip install  xxx.zip 

python目前主流的二进制包格式是wheel（.whl后缀），它的前身是egg。wheel本质也还是一个压缩包，可以像像zip一样解压缩。与源码包相比，二进制包的特点是不用再编译，也就是安装更快！在使用wheel之前，需要先安装wheel：$ pip install wheel

设置python库的基本信息

from setuptools import setup

def readme():
    with open('README.md', encoding='utf-8') as f:
        content = f.read()
    return content

setup(
    name = 'myapp', # 包名称
    version = '1.0', # 版本
    author = 'lihua', # 作者
    author_email = 'lihua@163.com', # 作者邮箱
    description='a example for pack python', # 描述
    long_description=readme(), # 长文描述
    long_description_content_type='text/markdown', # 长文描述的文本格式
    keywords='pack', # 关键词
    url='https://github.com/lihua/myapp', # 项目主页
    classifiers=[ # 包的分类信息，见https://pypi.org/pypi?%3Aaction=list_classifiers
            'Development Status :: 5 - Production/Stable',
            'License :: OSI Approved :: Apache Software License',
            'Operating System :: OS Independent',
            'Programming Language :: Python :: 3',
            'Programming Language :: Python :: 3.6',
            'Programming Language :: Python :: 3.7',
            'Programming Language :: Python :: 3.8',
            'Programming Language :: Python :: 3.9',
        ],
    license='Apache License 2.0', # 许可证
)

混合编程

python开发成本低，但运行速度堪忧，c/c++速度无人能敌，但内存管理、模板编程等对程序猿来说，开发成本太高。那么python+c的混合编程的解决方案应运而生，博采众长，python就像前端，简单的语言赏心悦目，c就像后端，适合做计算密集型任务。而且c/c++还可以有效规避掉python的GIL锁，速度更上一层楼。

python+c/c++混合编程的技术路径有很多，如：

• 原生的Python.h
• cython
• ctypes、cffi
• SWIG
• Boost.Python：逐渐被pybind11取代
• pybind11：目前比较流行推荐的方法，学习成本低，pytorch也采用了该方法。

本质上setuptools是根据setup.py配置来指导生成gcc命令行，当然你也可以粗暴地直接用gcc命令行来编译c/c++拓展源码，但工程量太大，setuptools支持很多混合编程技术cython、SWIG等等。所以甭管你采用什么混合编程技术，绕不开setuptools。setuptools编译c/c++拓展源码的过程主要是把源代码编译成动态连接库（linux下是.so，windows下是.pyd）。这样就可以在.py中愉快import并使用拓展模块了。

setuptools.Extension类有几个重要的构造参数（详见API文档）

• name：在python中import该拓展的名称
• sources：源代码文件名
• language：默认'c'，如果要用C++，改成'c++'
• include_dirs：其实就是传递给 gcc 的 -I(大写i)指定include的头文件目录
• library_dirs：其实就是传递给 gcc 的 -L 指定连接文件的目录
• libraries：其实就是传给 gcc 的 -l(小写的L)指定连接文件，在L指定的位置找
• extracompileargs：其实传给 gcc 的额外的编译参数，比方'-std=c++11'
• extralinkargs：其实传给 gcc 的额外的链接参数（生成动态链接库）
• define_macros：定义宏
• undef_macros：取消定义宏

机器人资讯

ieee spectrum robotics

https://spectrum.ieee.org/

singularityhub

https://singularityhub.com/topics/#robotics

newaltas

https://newatlas.com/robotics/

techxplore

https://techxplore.com/robotics-news/

sciencedaily

https://www.sciencedaily.com/news/computers_math/robotics/

stanford ai lab

https://ai.stanford.edu/blog/robotics/

mit robotics

https://news.mit.edu/topic/robotics

weekly robotics

https://github.com/msadowski/awesome-weekly-robotics?tab=readme-ov-file

robot report

https://x.com/therobotreport

techcrunch

https://techcrunch.com/category/robotics/

科研

research rabbit

科研神器

Research Rabbit是一款实用的科研工具。 它能依据你输入的文献或关键词智能推荐相关文献，帮你发现更多有用资料。**还可展示文献间的关联，形成网络，让你看清研究间的联系。 有着不错的文献管理功能，方便你整理、标记文献。同时支持团队协作，界面简洁易上手，核心功能免费，能助力科研工作更高效开展。**

资源

1.胡月居：https://www.bilibili.com/video/BV16B4y1Q7jQ?spm_id_from=333.788.videopod.episodes&bvid=BV16B4y1Q7jQ&vd_source=e898668a475e6de0272851f4a5fc6328&p=2 https://www.guyuehome.com/Bubble/index

2.鱼香ros：https://www.bilibili.com/video/BV1GW42197Ck?spm_id_from=333.788.recommend_more_video.1&vd_source=e898668a475e6de0272851f4a5fc6328

公众号：

Depth-Sensing