简介:本资源是一套面向ROS2初学者与机器人开发爱好者的四轮差速机器人仿真开发实践包,聚焦运动控制与自主导航两大核心能力,适用于高校课程设计、个人项目实践及算法验证场景。资源共109个文件,涵盖33个Python节点脚本(含控制器、导航插件等)、10个XACRO宏定义文件(用于模块化URDF建模)、9个XML配置(含launch与plugin描述)、5个YAML参数文件(Nav2全局/局部规划器、传感器标定等关键配置)以及STL模型、SDF世界文件和RVIZ可视化配置等,压缩包仅144KB,轻量易部署。已有170人学习下载,内容结构清晰:从Gazebo环境搭建、URDF多传感器集成建模,到激光雷达与IMU数据融合处理,再到Nav2全栈导航参数调优与自定义控制器实现,提供可直接运行的完整闭环方案,配套CSV轨迹数据与C++/Python双语言控制器示例,助力读者快速掌握ROS2机器人系统开发全流程。 最近刚把一个四轮差速机器人的完整仿真项目跑通,从URDF建模到Gazebo仿真,再到运动控制、slam_toolbox建图,最后用Nav2做自主导航,整条链路都串起来了。这篇东西我拖了好久,想着反正也是边踩坑边做,不如把过程整理出来,正好给正在搞ROS2、Gazebo和导航的朋友一个能直接照着复现的参考。

这个项目解决的是这样一个问题:不依赖实体机器人,先把四轮差速底盘的运动控制和导航算法在仿真环境里验证一遍。适合刚接触ROS2没多久、想系统做一个小车项目的人,也适合已经在用ROS1、准备整体切到ROS2的开发者。四轮差速和两轮差速看起来差不多,但真正在Gazebo里跑起来,会发现一堆跟模型参数、控制器配置、TF时间戳有关的破事。下面我把整个开发过程里我认为最重要的细节拆开讲。

1. 项目整体设计与方案选型

1.1 为什么选定ROS2 Humble而不是ROS1

做这个项目之前我也纠结过要不要继续用ROS1,毕竟网上ROS1+Gazebo+Navigation的教程存量巨大,随便一搜全是。但考虑到ROS1的通信机制依赖一个中心节点(roscore),只要这个节点挂掉整辆车的通信就瘫痪,这在仿真里问题不大,以后上真车就会非常难受。ROS2改用了DDS作为底层通信,节点之间是点对点发现机制,去中心化,节点的启停、掉线重连都比ROS1自然很多,这对部署在机器人上的多节点系统非常重要。

ROS2还有个好处是多机通信天然支持。以后如果要在开发机上看机器人端的数据,ROS1要配ROS_MASTER_URI,ROS2只需要保证两个设备在同一网络并且DDS发现能通就行。Humble这个版本是目前ROS2里中间件最成熟、Nav2版本最稳定的一个,教程和新工具适配也最全。除非你有非常特殊的需求,否则不用纠结版本,直接Humble。

1.2 仿真器选型:Gazebo Classic、MuJoCo、CoppeliaSim怎么选

四轮差速机器人的仿真,第一选择还是Gazebo Classic(也就是老Gazebo 11)。它跟ROS2的gazebo_ros_pkgs是配套的,激光雷达、RGBD相机、IMU这些传感器插件都是现成的,拉出来改几个参数就能出数据,传感器话题直接就是标准的sensor_msgs消息,不做额外转换就能喂给slam_toolbox和Nav2。

MuJoCo最近两年风头很足,力学仿真精度确实高,跑控制算法很舒服,但它跟ROS2之间没有原生的传感器桥接,要自己写python节点去订阅仿真状态再转成ROS话题,工作量不小。CoppeliaSim的API很强,但URDF导入之后经常要重新整理关节坐标系、层级结构,而且它的ROS2接口在不同版本之间变化比较大,折腾成本高。如果需要严格模拟接触力学的场景,MuJoCo是好选择,但在这个项目里主要验证的是“传感器数据采集→控制指令下发→建图导航”这套完整链路,Gazebo Classic的一体化集成明显省事。等把这套链路跑通了,再考虑要不要迁移到更高级的动力学仿真器也不迟。

1.3 控制器架构:gazebo自带差速插件还是ros2_control

这是我在项目里做了取舍的一个点。Gazebo里运动控制最简单的方式是直接用gazebo_ros_diff_drive插件,在URDF里加一段插件配置,就能直接把cmd_vel转发成轮子转速。这种方式配置最少,半天就能把车开动,缺点也很明显:它跳过了真实机器人的控制链路。

我最后选了ros2_control + diff_drive_controller这套方案。原因是这套架构跟真实硬件控制链是对齐的。ros2_control把“硬件抽象层”和“控制器层”分开,Gazebo里接一个gazebo_ros2_control插件模拟硬件接口,后续要迁到真车时,只需要写一个真实电机的硬件接口类,把电机驱动板的数据填进去,controller_manager那套东西基本不用动。虽然前期配置多了一道,但后边省心得多。你如果只是想快速看看小车在Gazebo里跑起来什么样,用gazebo_ros_diff_drive完全没问题;但想做一套后面能往真车迁移的底盘控制代码,直接上ros2_control更值。

2. 从URDF到Gazebo:底盘与传感器建模细节

2.1 底盘和车轮的关键物理参数

URDF建模看着简单,就是几个link和joint叠起来,但参数乱填后面会非常痛苦。我在项目里用的底盘参数供参考:

  • 整车质量:6kg
  • 车体尺寸:长0.45m,宽0.35m,高0.12m
  • 轮距(左右轮间距):0.35m
  • 轴距(前后轮间距):0.30m
  • 车轮半径:0.09m
  • 车轮宽度:0.04m

这些参数不是拍脑袋定的,直接决定了运动学解算里的轮距L和轮径r。轮距写错,差速控制器算出来的角速度就会偏,车在仿真里会转得比预期快或慢。我之前出现过轮距多写了几厘米,结果小车转弯半径明显不对的情况,排查半天才发现是URDF里link origin写错了。

惯量参数是另一个大坑。Gazebo里所有link都需要给出惯性张量,如果质量或惯量信息缺失,模型加载后往往会“弹飞”或者乱颤。底盘我简化成box,质量6kg,用惯量公式算:Ixx = 1/12 * m * (w² + h²) = 1/12 * 6 * (0.35² + 0.12²) ≈ 0.0686 kg·m²,Iyy = 1/12 * m * (l² + h²) = 1/12 * 6 * (0.45² + 0.12²) ≈ 0.1085 kg·m²,Izz = 1/12 * m * (l² + w²) = 1/12 * 6 * (0.45² + 0.35²) ≈ 0.1625 kg·m²。车轮按圆柱体处理,每个轮子质量0.5kg,绕轮轴(y轴)的惯量是 1/2 * m * r² ≈ 0.002 kg·m²,绕另外两个轴的惯量是 1/12 * m * (3r² + h²) ≈ 0.001 kg·m²。写进URDF时可以适当留一点余量,但数量级别错,错了模型就直接飞。

2.2 车轮joint配置与四轮同步技巧

四轮差速车在URDF里要有四个驱动轮joint,类型都是continuous,旋转轴方向按REP103标准设成y轴(x轴朝前、z轴朝上、y轴朝左,轮子绕y轴滚动)。车轮joint写轴方向时最容易出错的就是axis=[0,0,1],那样车轮会绕竖轴转,一启动就直接横着滚出去了。

四轮差速和两轮差速在控制上的本质区别是:同侧两个轮子必须转速一致,不然前后轮会互相较劲。这里有两种实现路径:一种是在URDF里用mimic关节让后轮跟随前轮,另一种是直接在diff_drive_controller配置里把同侧两个轮子绑成一组。我推荐后者,因为mimic在Gazebo里容易遇到follow关节更新顺序问题,导致速度细微波动。在diff_drive_controller的yaml里把wheel_left和wheel_right写成两组关节名,controller会自动给同侧轮子发相同速度指令,问题直接消解。

四轮差速转向时天然存在前后轮滑移,因为四个轮子都在驱动,转弯时每个轮子跟地面的接触点运动方向并不一致。Gazebo里表现就是比两轮差速车更容易出现侧向滑移。如果发现小车转弯时底盘明显抖,可以把车轮的mu和mu2摩擦系数从1.0适当降到0.8附近,后轮会稍微“放松”一点,转向稳定很多。但别降太多,不然直行时也打滑,里程计就吹了。

2.3 激光雷达、双RGBD相机与IMU的集成

传感器挂在URDF里,核心是TF树。我的底盘用base_footprint作为里程计原点,base_link在它上方0.06m,激光雷达挂在base_link正上方0.12m,双RGBD相机分别装在车头前方和车尾后方,IMU放在底盘几何中心。TF树要保证从odom到base_footprint、再到base_link、再到每个传感器link是连续的,只要断一环,slam和导航都会因为找不到TF而罢工。

激光雷达的Gazebo插件用gpu_ray,因为它能明显降低CPU占用,数据质量在2D建图场景下跟普通ray插件差别不大。我的雷达配置是:水平视场角360度、采样点数720、最小量程0.12m、最大量程30m、更新频率20Hz。如果电脑性能不够,把采样点数降到360、更新频率降到10Hz,跑slam_toolbox影响不大,但CPU会舒服很多。

双RGBD相机的配置注意两点:一是每个相机都要有独立的命名空间,避免话题冲突;二是深度图话题的数据量很大,如果只是为了做三维避障或八叉树地图,建议把点云降采样后再发布,不然一个车头相机一个车尾相机同时开点云话题,Gazebo直接卡成PPT。RGBD相机的Image和CameraInfo要一起发布,Nav2的costmap如果接了深度图做障碍物,就需要相机的内参,没有CameraInfo话题那一路数据就用不了。IMU用gazebo_ros_imu_sensor插件发布imu/data,后续如果要做轮式里程计和IMU融合,直接在EKF里把这两个话题接上就行。

传感器数据收发这块,验证方式很简单。启动仿真后,用ros2 topic list看所有话题是否都出现,再用ros2 topic echo /front_camera/camera_info --once确认相机内参在发,ros2 topic hz /front_camera/color/image_raw确认帧率正常。laser的scan话题同理,hz稳定在20Hz说明雷达数据没问题。只要这些话题数据能正常收发,整个仿真链路就算通了前半段。

3. 运动控制与里程计发布

3.1 四轮差速运动学正反解与计算示例

四轮差速车虽然四个轮子都在转,但运动学上可以等价成“虚拟左右轮”模型,只要同侧轮速一致,前后轮就不需要分开处理。正解(从轮速推机器人速度)是:

  • 线速度 v = (v_R + v_L) / 2
  • 角速度 ω = (v_R - v_L) / L

其中v_L是左侧车轮组线速度,v_R是右侧车轮组线速度,L是左右轮距。反解(从目标速度求轮速)是:

  • v_R = v + ω * L / 2
  • v_L = v - ω * L / 2

举个例子:如果我想让小车以0.5m/s速度直行、同时以0.3rad/s的角速度左转,轮距L=0.35m,那么v_R = 0.5 + 0.3 * 0.175 = 0.5525m/s,v_L = 0.5 - 0.3 * 0.175 = 0.4475m/s。再除以轮子半径0.09m,得到右轮角速度6.14rad/s、左轮角速度4.97rad/s(注意这里按弧度算,1rad/s约等于9.55rpm)。控制器内部就是按这个逻辑把cmd_vel换算成每个轮子的目标角速度。

里程计则是对线速度和角速度做时间积分得到的:位置变化量Δx = v * cos(θ) * Δt,Δy = v * sin(θ) * Δt,航向变化量Δθ = ω * Δt。仿真里Gazebo通过joint_states拿到实际轮速,经过diff_drive_controller内部积分后发布odom话题和odom到base_footprint的TF。如果不用ros2_control,自己也完全可以实现这套解算,逻辑不复杂,但要注意积分误差会随着运行时间不断累积,这就是为什么长时间建图后地图会歪。

3.2 diff_drive_controller配置与话题数据收发

我最终用的配置是ros2_control + diff_drive_controller,配置yaml里最关键的部分如下:

controller_manager:
  ros__parameters:
    update_rate: 50
    diff_drive_controller:
      type: diff_drive_controller/DiffDriveController

diff_drive_controller:
  ros__parameters:
    wheel_left: ['front_left_wheel_joint', 'rear_left_wheel_joint']
    wheel_right: ['front_right_wheel_joint', 'rear_right_wheel_joint']
    wheel_separation: 0.35
    wheels_per_side: 2
    wheel_radius: 0.09
    cmd_vel_timeout: 0.5
    publish_odom: true
    publish_tf: true
    use_stamped_vel: false

wheel_separation和wheel_radius必须跟URDF里的真实参数一致,这是运动学解算的根基。wheels_per_side设2表示每一侧有两个驱动轮。cmd_vel_timeout是0.5s,意思是超过0.5s没收到新的cmd_vel指令就主动停车,这个参数在仿真里好像无所谓,但在真车上是安全保命的关键,因为导航命令中断后不能让车一直冲下去。

启动之后,cmd_vel话题会由diff_drive_controller订阅,odom话题由它发布,joint_states由joint_state_broadcaster广播。完整的数据收发闭环是这样:外部节点给/cmd_vel发Twist消息,controller收到后换算成轮速,通过gazebo_ros2_control插件驱动仿真里的关节,Gazebo物理引擎算完轮子转动后更新joint_states,controller再读取轮速、积分里程计、发布odom。在Gazebo里想确认这个链路通没通,可以用rviz2添加robot model显示,并把fixed frame设成odom,如果能看到小车模型跟随机身移动,说明TF和odom都正确。

建议用ros2 topic echo /odom、ros2 topic echo /joint_states、ros2 topic hz /cmd_vel这几个命令把话题都检查一遍。以前我见过有人弄了半天车不走,最后发现cmd_vel发的是std_msgs/Float64而不是geometry_msgs/Twist,话题类型对不上,控制器的订阅端根本不接收。这类“话题数据能发不能收”的问题基本都是消息类型或命名空间不匹配造成的。

3.3 速度闭环与PID参数整定的个人心得

diff_drive_controller最方便的地方在于它内部自带PID,在仿真里PID的效果通常好调,因为Gazebo的轮子没那么多真实电机延迟。但有几个参数容易踩坑:

轮距的精度直接影响角速度。里程计显示的角速度和实际转角差了,多半不是控制PID问题,而是wheel_separation或者轴距设置和仿真模型不一致。调试的时候可以让小车原地以固定角速度转10圈,用odom里的z轴角度变化来核对,偏差明显就去检查URDF里的轮距。

cmd_vel_timeout别设太大。有人喜欢设5秒甚至10秒,结果建图时按键盘操作卡顿了一下,车继续冲出去,地图直接糊了。0.3到0.5秒是一个比较合理的区间,既能容忍键盘输入偶尔卡顿,又不会让车失去控制后还一直跑。

pid参数如果要用PID做速度环,在仿真里ki可以设很小或者为0,因为Gazebo模型没有真实电机那种稳态误差。kp差不多把误差拉回来就够了,kp太大会导致轮速抖动,表现为小车在地上一顿一顿地往前走。先给kp=0.5、ki=0、kd=0.1,再根据实际效果微调,是稳定起步的组合。

4. 自主导航:slam_toolbox建图与Nav2定位规划

4.1 slam_toolbox在线建图流程

建图我选的slam_toolbox,因为它在机器人领域用得比较成熟,在算力受限的小车上也能跑,而且参数少,容易调。建图前要确认两件事:激光雷达在正确发布scan话题,TF树完整(尤其odom到base_footprint、base_footprint到laser)。这两件事只要有一个不对,slam_toolbox建出来的图就是重影或者断裂的。

启动slam_toolbox时把mapping_mode设成true,用teleop_twist_keyboard控制小车在环境里缓慢绕圈。速度别太快,不然激光帧与帧之间的匹配容易丢。我的经验是线速度控制在0.2m/s到0.3m/s,转弯角速度控制在0.2rad/s到0.3rad/s,等小车把环境完整走一遍之后,打滑和漂移都不会太严重。

跑完一圈后地图基本就成型了,保存地图用service调用:

ros2 service call /slam_toolbox/save_map slam_toolbox/srv/SaveMap "{name: {data: '/path/to/map'}}"

调用之后会生成map.pgm和map.yaml。map.yaml里的resolution、origin参数是导航时map_server加载地图必需的,别手动乱改。建图过程中如果发现地图边缘有很严重的锯齿或者重影,多半是雷达数据的时间戳和传感器TF时间戳没有对齐,检查下use_sim_time参数是不是统一设置了。

这里也顺带提一句,如果你后续要搞3D环境建模,深度相机点云配合octomap_server可以生成八叉树地图,就是很多人说的octomap。不过做2D平面导航,slam_toolbox生成的占据栅格地图配合Nav2的代价地图完全够用,没必要一上来就上3D。

4.2 Nav2导航栈启动配置:差速底盘的要点

Nav2是一整套导航功能包集合,官方建议通过nav2_bringup来启动。对四轮差速底盘来说,关键配置集中在几个地方:

AMCL定位参数里,odom_model_type设成diff-corrected,这是差速模型的典型配置,错误的模型会对里程计噪声估计不准,导致定位飘。AMCL的transform_tolerance要稍微给大一点,比如0.3s,防止在导航过程中TF的小抖动直接造成定位丢失。

costmap参数里,全局代价地图和局部代价地图的robot_radius或者footprint要跟URDF的真实尺寸一致。我用的底盘是矩形,footprint写成[(0.225, 0.175), (0.225, -0.175), (-0.225, -0.175), (-0.225, 0.175)]。如果只填一个radius,会因为底盘不是圆形而出现轮子已经蹭到障碍、路径规划还没报错的情况。inflation_radius放在0.3m左右比较合适,太小路径会贴着墙走,太大在狭窄通道里直接找不到路径。

路径规划里,全局规划器先用NavFn,参数少、稳定、不容易踩坑。等系统跑顺之后想尝试更高级的SmacPlannerHybrid也行,但Smac对计算量要求高,而且参数多,新手阶段容易调不明白。局部规划器用DWB Controller,这是Nav2里和差速车搭配最顺的一个,注意把holonomic参数设成false,告诉它这是个非全向底盘,不能用横向平移的路径。如果不设这个,规划器可能给出横着走的轨迹,差速车执行不了,就会在原地一直打转。

Nav2启动之后,rviz2里先给一个初始位姿估计,然后用2D Nav Goal发送目标点。小车会先规划出一条全局路径,再沿着路径局部避障到达目标。仿真里这个流程只要TF和代价地图配置正确,基本能一次跑通,不像真车上还要反复调里程计噪声。

4.3 导航参数调试时容易被忽略的细节

我跑Nav2时遇到过“代价地图一片空白”的情况,全局地图加载了,但障碍物层识别不到激光数据。最后发现是costmap里的obstacle_layer配置的topic_name和小车实际发布的scan话题不一致。Nav2默认订阅scan,如果slam_toolbox或者激光雷达话题是/scan_filtered这种,代价地图就收不到数据。排查这类问题最快的方法是用rviz2添加LaserScan显示,看雷达数据在nav2启动后是否还正常出现。

还有一个典型问题是“全局路径规划失败”。原因通常是目标点被设置在了障碍物内部,或者inflation_radius设置过大导致周围障碍物膨胀后把唯一通道堵死了。在rviz2里能看到costmap的膨胀区域,如果膨胀半径把道路盖住,说明数值大了,适当调小。

导航时小车转弯姿态不好看,可以调DWB打分器里的转向惩罚权重,让它在远离目标时尽量少做大幅度转向。四轮差速车天然转弯阻力大、末端位置会有滑移,所以到达目标点后如果停止精度差点,不用太纠结,这是在Gazebo里真实存在的动力学现象,不是bug。

5. 常见问题与排查技巧实录

下面这些问题是整个项目交付过程中被问得最多的,基本覆盖了四轮差速仿真车的所有高频坑,整理成速查表方便你遇到问题时直接对照。

现象 可能原因 排查与解决办法
小车启动后原地打转 左右轮配置顺序反了,或joint轴方向错误 检查diff_drive_controller里wheel_left和wheel_right是否对应URDF中实际左右侧;检查轮子joint的axis是否绕y轴
URDF加载到Gazebo后模型乱飞 link质量或惯性张量缺失/错误 给每个link配置合理的mass和inertial,底盘按长方体惯量公式算,轮子按圆柱体算
小车不给油就不动,给油猛地冲 PID参数kp过大或cmd_vel_timeout过小 kp调到0.3~0.5,kd设0.1,cmd_vel_timeout设在0.5s左右,用teleop发送连续指令测试
建图重影或地图错位 use_sim_time没有统一设置,或雷达TF时间戳没对齐 所有节点统一设置use_sim_time为true,在rviz2里检查TF树是否完整,scan的时间戳是否和TF一致
代价地图空白,导航规划不出来 obstacle_layer订阅的topic和实际雷达话题不一致 在costmap的obstacle_layer里把topic_name改成实际scan话题;用ros2 topic list核对
导航时小车不走,原地转 局部规划器holonomic参数没设成false 在DWB的配置里将holonomic设为false,差速车不能横向平移
到达目标点后位置偏 AMCL定位噪声参数太乐观,或里程计积分漂移 调整AMCL的odom noise参数,重新做一次初始位姿估计;笛卡尔里程计漂移大就考虑加入IMU融合
电脑跑仿真卡顿严重 激光雷达采样点过多,RGBD点云数据量大 降低雷达samples到360、频率降到10Hz;关闭不必要的点云话题或降采样深度图

5.1 关于环境安装的几个额外提醒

ROS2和Gazebo的安装网上教程很多,但有几个实际的环境问题值得单独提一下。

如果你用的Ubuntu是24.04,安装Gazebo Classic会遇到不少兼容性问题,因为Ubuntu 24.04官方源里默认用Gazebo Harmonic(也就是Ignition系列),gazebo_ros_pkgs则更匹配Gazebo Classic。我的建议是:想省事就用Ubuntu 22.04 + ROS2 Humble + Gazebo Classic这个组合,它是当前最稳的一个生态环境,绝大多数教程和包都是围绕这个组合验证过的。非要用Ubuntu 24.04的话,建议直接上ROS2 Jazzy,它是和Ubuntu 24.04配套的ROS2发行版,Nav2版本也足够新。

在虚拟机里跑这套环境,特别是WSL2,需要把图形界面和3D加速处理好。WSL2跑Gazebo可以运行,但因为没有GPU直通的情况下软件渲染,复杂场景会明显卡顿。建议把Gazebo的渲染质量参数调低,减少传感器模型数量和点云话题。不依赖GPU的环境里,模型显示效果会差一些,但仿真逻辑不受影响,反正重点是跑通算法链路。

5.2 ros2_control常见错误排查

diff_drive_controller没有启动成功时,现象是cmd_vel话题有数据但小车不动。用ros2 control list_controllers查看controller状态,如果显示inactive,通常是因为hardware接口没有正确配置。检查gazebo_ros2_control插件里的<robot_param>是否指向URDF文件, 和 的名字是否跟controller期望一致。

还有一种情况是controller_manager启动顺序问题。必须先启动joint_state_broadcaster,再启动diff_drive_controller,如果顺序反了会报“controller not found”或者接口不存在的错误。在launch文件里用add_action方式写ControllerManager.spawner就能保证顺序,不要用execute_process方式自己写sleep,那是在赌运气。

5.3 从仿真迁移到真车前要做的准备

我最后想说的是,仿真跑通只是第一步,离真车还差不少,但这个项目的价值在于它把算法链路验证清楚了。真车前首先要替换的就是URDF里的物理参数,换成真实底盘的质量、惯量、轮距和轮径,仿真里那些参数在真车上并不准确。其次里程计部分要接入真实的轮式编码器,激光雷达和RGBD相机需要做外参标定,也就是传感器间的相对位姿要准确。Nav2的AMCL和costmap参数也需要根据真车的传感器安装位置重新调整。

代码层面,因为用了ros2_control,从仿真到真车的迁移路径相对平滑:你只需要为真实底盘写一个hardware_interface实现,把电机的速度指令和编码器反馈接进去,diff_drive_controller以上那部分代码基本不用变。这也是我在这个项目里坚持不用gazebo自带的差速插件的主要原因。

整个项目下来,我的个人体会是:仿真的核心价值不在于百分百还原真实运动,而在于验证“数据流”是完整和正确的。只要在Gazebo里把传感器数据采集、话题收发、运动控制、建图导航这个闭环打通了,到了真车上,剩下的就是传感器标定和参数调优。所以不要纠结于仿真建得太漂亮,先把通道跑通,比什么都强。

本文还有配套的精品资源,点击获取 menu-r.4af5f7ec.gif

Logo

聚焦RDK与具身智能,汇集机器人开发教程、开源案例和技术交流

更多推荐