[ROS 系列学习教程] 建模与仿真 - 使用 Arbotix 控制机器人

ROS 系列学习教程(总目录)

本文目录

前面讲了机器人的建模,是静态的,接下来介绍对机器人的仿真控制,让你的机器人动起来。

一、Arbotix 简介

Arbotix 是一款控制电机、舵机的硬件控制板,并提供相应的 ros 功能包,是一款基于 ROS的机器人控制系统,它旨在为小型机器人提供硬件控制和传感器接口,以便于机器人的运动和感知。它不仅可以驱动真实的 arbotix 控制板,还提供一个差速控制器,通过接收速度控制指令更新机器人的 joint 状态,从而帮助我们实现机器人在仿真环境中的运动。

它的源代码可以在这个里得到:https://github.com/vanadiumlabs/arbotix_ros

arbotix_ros 源码包含如下几部分:

其中,

  • arbotix_controllers:控制器,现已合并到 arbotix_python 中。
  • arbotix_firmware:处理与 ArbotiX-ROS 绑定通信的固件源代码。
  • arbotix_msgs:ArbotiX 的消息和服务定义。
  • arbotix_python:驱动程序、用于与驱动程序交互的 GUI 以及用于设置伺服电器的终端工具。
  • arbotix_sensors:包含几个传感器模块,可在 arbotix_python 的基本结构上添加额外的 ROS 接口层。

我们主要使用 arbotix_python 的驱动程序模块 arbotix_driver 中的差速底盘控制器 diff_controller

更多关于 Arbotix 的信息见 https://wiki.ros.org/arbotix

关于 diff_controller 的信息见 http://wiki.ros.org/arbotix_python/diff_controller

二、安装Arbotix

对于 ROS1 ,有两种安装方法,命令行和源码安装。

  1. 命令行安装

    bash 复制代码
    sudo apt install ros-<<VersionName()>>-arbotix*
  2. 源码安装

    首先在你的工作空间的 src 目录下下载源代码:

    bash 复制代码
    git clone https://github.com/vanadiumlabs/arbotix_ros.git

    然后编译即可使用 Arbotix

    复制代码
    catkin_make # 编译

三、配置Arbotix控制器

Arbotix 针对不同的机器人,需要配置不同的控制器,配置文件为 yaml 格式,如下:

yaml 复制代码
# 该文件是控制器配置,一个机器人模型可能有多个控制器,比如: 底盘、机械臂、夹持器(机械手)....
# 因此,根 name 是 controllers
controllers: {
    # 单控制器设置
    base_controller: {
        # 类型: 差速控制器
        type: diff_controller,
        # 参考坐标
        base_frame_id: base_link,
        # 两个轮子之间的间距,单位:m
        base_width: 0.38,
        # 机器人每移动一米,电机编码器所记录的脉冲数
        ticks_meter: 2000,
        # PID控制参数,使机器人车轮快速达到预期速度
        Kp: 12,
        Kd: 12,
        Ki: 0,
        Ko: 50,
        # 加速度限制
        accel_limit: 1.0
    }
}

四、配置launch启动文件

启动时 Arbotix 会作为一个节点加入到 ROS Master 中,我们使用 launch 文件配置快速启动。

xml 复制代码
<node name="arbotix" pkg="arbotix_python" type="arbotix_driver" output="screen">
    <rosparam file="$(find simulation_learning)/config/mbot_arbotix.yaml" command="load" />
    <param name="sim" value="true"/>
</node>

其中,节点名注册为 arbotix,包名为 arbotix_python,节点可执行文件名为 arbotix_driverrosparam 一行是载入上文的 Arbotix 配置文件;Arbotix 不仅可以用于真实控制板,也可以用于仿真环境,如用于仿真,需将参数 sim 设置为 true

五、数据交互接口

该节点订阅一个话题:/cmd_vel,用于接收对机器人的速度控制信息

消息格式为:geometry_msgs/Twist

xml 复制代码
geometry_msgs/Vector3 linear  # 机器人三轴线速度
  float64 x
  float64 y
  float64 z
geometry_msgs/Vector3 angular  # 机器人三轴角速度
  float64 x
  float64 y
  float64 z

发布一个话题:/odom,用于发布机器人里程计信息,包括定位与速度等信息

消息格式为:nav_msgs/Odometry

xml 复制代码
std_msgs/Header header
  uint32 seq  # 消息序列号
  time stamp  # 时间戳
  string frame_id  # 消息帧id
string child_frame_id
geometry_msgs/PoseWithCovariance pose
  geometry_msgs/Pose pose
    geometry_msgs/Point position  # 机器人位置坐标
      float64 x
      float64 y
      float64 z
    geometry_msgs/Quaternion orientation # 机器人方向的四元数表示
      float64 x
      float64 y
      float64 z
      float64 w
  float64[36] covariance  # 6x6协方差矩阵的行主表示
geometry_msgs/TwistWithCovariance twist
  geometry_msgs/Twist twist
    geometry_msgs/Vector3 linear  # 机器人三轴线速度
      float64 x
      float64 y
      float64 z
    geometry_msgs/Vector3 angular  # 机器人三轴角速度
      float64 x
      float64 y
      float64 z
  float64[36] covariance  # 6x6协方差矩阵的行主表示

其中6x6协方差矩阵,用于量化位姿估计不确定性。这个矩阵对角线上的元素分别代表了位置与方向估计值的方差,而矩阵的非对角线元素则表示了位置与方向各估计值之间的协方差。矩阵各向量依次表示 (x,y,z,绕x轴旋转,绕y轴旋转,围绕z轴旋转)的估计不确定性。

有了这两个话题,我们就可以控制并获取机器人的位姿了。

六、在rviz中仿真控制机器人

使用前文 URDF建模实践 创建的机器人模型,在 launch 文件中添加 Arbotix 节点的启动配置,启动后如下图:

6.1 直接发topic控制

发布 /cmd_vel 话题控制机器人移动,并订阅 /odom 显示机器人的实时位置与速度信息:

6.2 使用键盘控制

运行ROS提供的键盘控制包,控制机器人移动:

6.3 编写代码控制机器人移动

写两个节点,一个发布速度,一个订阅里程计,如下:

move.cpp 用于发布速度:

cpp 复制代码
#include "ros/ros.h"
#include "geometry_msgs/Twist.h"

geometry_msgs::Twist moveRobot(const double& linear, const double& angular)
{
    geometry_msgs::Twist msg;
    msg.linear.x = linear;
    msg.linear.y = 0.0;
    msg.linear.z = 0.0;
    msg.angular.x = 0.0;
    msg.angular.y = 0.0;
    msg.angular.z = angular;
    ROS_INFO("moveRobot, linear: %.3lf, angular: %.1lf", linear, angular*180/M_PI);

    return msg;
}

int main(int argc, char **argv)
{
    ros::init(argc, argv, "move_robot");
    ros::NodeHandle nh;
    ros::Publisher velPub = nh.advertise<geometry_msgs::Twist>("/cmd_vel", 10);

    ros::Rate r(1);

    while (ros::ok())
    {
        velPub.publish(moveRobot(0.5, -0.3));
        ros::Duration(3.0).sleep();
        velPub.publish(moveRobot(-0.5, -0.3));
        ros::Duration(3.0).sleep();

        r.sleep();
    }

    return 0;
}

odom.cpp 用于订阅里程计:

cpp 复制代码
#include "ros/ros.h"
#include "nav_msgs/Odometry.h"

void odomCallback(const nav_msgs::Odometry::ConstPtr& msg)
{
    geometry_msgs::Quaternion q = msg->pose.pose.orientation;
    ROS_INFO("pose: [%.2lf, %.2lf, %.1lf], linear: %.2lf, angular: %.2lf", 
        msg->pose.pose.position.x, msg->pose.pose.position.y, 
        std::atan2(2.0 * (q.w * q.z + q.x * q.y), 1.0 - 2.0 * (q.y * q.y + q.z * q.z))*180/M_PI, 
        msg->twist.twist.linear.x, msg->twist.twist.angular.z*180/M_PI);
}

int main(int argc, char **argv)
{
    ros::init(argc, argv, "robot_odom");
    ros::NodeHandle nh;
    ros::Subscriber odomSub = nh.subscribe<nav_msgs::Odometry>("/odom", 10, odomCallback);
    ros::spin();

    return 0;
}

CMakeList.txt 中添加内容:

clike 复制代码
add_executable(move_robot_node src/move.cpp)
add_executable(robot_odom_node src/odom.cpp)

target_link_libraries(move_robot_node
  ${catkin_LIBRARIES}
)

target_link_libraries(robot_odom_node
  ${catkin_LIBRARIES}
)

启动 rviz 后,运行 move_robot_noderobot_odom_node ,如下:

相关推荐
nenchoumi31191 小时前
LLM 论文精读(四)LLM Post-Training: A Deep Dive into Reasoning Large Language Models
人工智能·语言模型·自然语言处理
Qdgr_1 小时前
电厂数据库未来趋势:时序数据库 + AI 驱动的自优化系统
数据库·人工智能·时序数据库
知舟不叙2 小时前
基于OpenCV的人脸识别:LBPH算法
人工智能·opencv·人脸检测·lbph算法
乌恩大侠2 小时前
【东枫科技】使用LabVIEW进行NVIDIA CUDA GPU 开发
人工智能·科技·labview·nvidia·usrp
Silence4Allen3 小时前
RagFlow 完全指南(一):从零搭建开源大模型应用平台(Ollama、VLLM本地模型接入实战)
人工智能·大模型·rag·ragflow
music&movie3 小时前
手写系列——transformer网络完成加法和字符转译任务
网络·人工智能·transformer
OpenLoong 开源社区3 小时前
技术视界 | 青龙机器人训练地形详解(三):复杂地形精讲之台阶
机器人
白熊1884 小时前
【计算机视觉】OpenCV实战项目:FunnyMirrors:基于OpenCV的实时哈哈镜效果实现技术解析
人工智能·opencv·计算机视觉
Joern-Lee4 小时前
机器学习极简入门:从基础概念到行业应用
人工智能·机器学习
china10004 小时前
大模型系列(四)--- GPT2: Language Models are Unsupervised Multitask Learners
人工智能·深度学习