ROS2系列 (18) : Python服务通信实例——Client端

ROS2系列 (18) : Python服务通信实例------Client端（人脸检测客户端）

在上一篇中，我们实现了人脸检测服务的服务端（Server），本文将基于同一功能包demo_python_service，开发对应的客户端（Client），完成图像发送、服务调用及结果解析的全流程，并详解ROS2异步服务调用中future的两种处理方法。

一、客户端功能与技术要点

客户端功能 ：读取本地测试图像，发送给服务端/face_detect服务，接收并解析人脸检测结果（数量、位置、耗时）。

核心技术点：

客户端创建：通过rclpy的create_client绑定服务端。
图像格式转换：使用cv_bridge将OpenCV图像转为ROS消息格式。
异步服务调用：通过future对象处理服务响应，支持两种结果获取方式。

二、文件组织与前置准备

2.1 功能包目录结构

客户端代码将放入上一篇创建的demo_python_service功能包中，目录结构如下：

复制代码

demo_python_service/
├── demo_python_service/
│   ├── __init__.py
│   ├── face_detection_server.py  # 已有的服务端代码
│   └── face_detection_client.py  # 新增的客户端代码
├── resource/
│       ├── default.jpg           # 服务端默认图像
│       └── test1.jpg             # 客户端测试图像
├── setup.py
├── package.xml
└── LICENSE

2.2 准备测试图像

在resource目录下添加客户端专用测试图像：

bash 复制代码

# 进入资源目录
cd demo_python_service/demo_python_service/resource
# 下载测试图像（或自行放置一张图片命名为test1.jpg）
wget https://img.freepik.com/free-photo/portrait-group-people-standing-together_23-2149111110.jpg -O test1.jpg

三、编写客户端代码

在demo_python_service/demo_python_service/目录下创建face_detection_client.py，删除不必要的参数相关代码：

python 复制代码

import rclpy
from rclpy.node import Node
from chapt4_interfaces.srv import FaceDetector
from sensor_msgs.msg import Image
from ament_index_python.packages import get_package_share_directory
import cv2
from cv_bridge import CvBridge

class FaceDetectorClient(Node):
    def __init__(self):
        super().__init__('face_detect_client')
        # 创建客户端：绑定服务名/face_detect（需与服务端一致）
        self.client = self.create_client(FaceDetector, '/face_detect')
        # 初始化图像格式转换器
        self.bridge = CvBridge()
        # 加载测试图像路径
        self.test1_image_path = get_package_share_directory(
            'demo_python_service') + '/resource/test1.jpg'
        # 读取测试图像（OpenCV格式）
        self.image = cv2.imread(self.test1_image_path)
        self.get_logger().info('人脸检测客户端已启动，准备发送请求')

    def send_request(self):
        """方法1：使用spin_until_future_complete阻塞等待响应"""
        # 1. 等待服务端上线（超时1秒循环检测）
        while not self.client.wait_for_service(timeout_sec=1.0):
            self.get_logger().info('服务端未上线，等待中...')

        # 2. 构造服务请求：将OpenCV图像转为ROS Image消息
        request = FaceDetector.Request()
        request.image = self.bridge.cv2_to_imgmsg(self.image)

        # 3. 异步发送请求，返回future对象（用于获取结果）
        self.future = self.client.call_async(request)

        # 4. 阻塞等待future完成（服务端返回响应）
        rclpy.spin_until_future_complete(self, self.future)

        # 5. 解析响应结果
        response = self.future.result()
        self.get_logger().info(
            f'服务响应：检测到{response.number}张人脸，耗时{response.use_time:.2f}秒')
        self.show_face_locations(response)  # 可视化检测结果
        return response

    def send_request_with_callback(self):
        """方法2：使用add_done_callback异步处理响应"""
        # 1. 等待服务端上线
        if not self.client.wait_for_service(timeout_sec=1.0):
            self.get_logger().error('服务端未上线，无法发送请求')
            return

        # 2. 构造请求（同方法1）
        request = FaceDetector.Request()
        request.image = self.bridge.cv2_to_imgmsg(self.image)

        # 3. 异步发送请求，为future绑定回调函数
        future = self.client.call_async(request)
        future.add_done_callback(self.handle_response)  # 响应到达时自动调用handle_response

    def handle_response(self, future):
        """回调函数：处理服务响应（当future完成时调用）"""
        try:
            response = future.result()
            self.get_logger().info(
                f'回调处理：检测到{response.number}张人脸，耗时{response.use_time:.2f}秒')
            self.show_face_locations(response)
        except Exception as e:
            self.get_logger().error(f'服务调用失败：{str(e)}')

    def show_face_locations(self, response):
        """可视化人脸检测结果（在图像上绘制边界框）"""
        # 复制原图避免修改源数据
        img_with_boxes = self.image.copy()
        for i in range(response.number):
            # 提取人脸边界框坐标
            top = response.top[i]
            right = response.right[i]
            bottom = response.bottom[i]
            left = response.left[i]
            # 绘制矩形框（蓝色，线宽2）
            cv2.rectangle(img_with_boxes, (left, top), (right, bottom), (255, 0, 0), 2)
        # 显示结果图像（按任意键关闭）
        cv2.imshow('Face Detection Result', img_with_boxes)
        cv2.waitKey(0)
        cv2.destroyAllWindows()


def main(args=None):
    rclpy.init(args=args)
    client = FaceDetectorClient()
    
    # 演示两种请求方式（任选其一或都执行）
    client.get_logger().info('===== 使用spin_until_future_complete发送请求 =====')
    client.send_request()
    
    client.get_logger().info('===== 使用add_done_callback发送请求 =====')
    client.send_request_with_callback()
    rclpy.spin(client)  # 需保持节点运行以等待回调执行
    
    rclpy.shutdown()

四、修改setup.py（添加客户端入口）

更新demo_python_service/setup.py的entry_points，添加客户端节点命令：

python 复制代码

entry_points={
    'console_scripts': [
        'face_detection_server = demo_python_service.face_detection_server:main',
        'face_detection_client = demo_python_service.face_detection_client:main',  # 新增客户端入口
    ],
},

五、构建与运行流程

5.1 构建功能包

bash 复制代码

cd ~/chapt4/chapt4_ws
colcon build --packages-select demo_python_service
source install/setup.bash

5.2 运行服务端与客户端（两个终端）

终端1：启动服务端

bash 复制代码

source install/setup.bash
ros2 run demo_python_service face_detection_server

终端2：启动客户端

bash 复制代码

source install/setup.bash
ros2 run demo_python_service face_detection_client

预期效果：

客户端终端输出服务响应日志；
弹出图像窗口，显示带蓝色边界框的人脸检测结果。

六、future处理方法详解

在ROS2异步服务调用中，client.call_async(request)返回future对象，用于追踪服务调用状态，有两种结果处理方式：

6.1 方法1：`rclpy.spin_until_future_complete`（阻塞等待）

python 复制代码

future = self.client.call_async(request)
rclpy.spin_until_future_complete(self, future)  # 阻塞直到响应返回
response = future.result()

原理：

调用spin_until_future_complete后，节点会进入事件循环，专门等待该future完成；
响应返回后，函数退出阻塞，可通过future.result()获取结果；
适用于同步场景，需要等待结果后再执行后续逻辑。

6.2 方法2：`add_done_callback`（异步回调）

python 复制代码

future = self.client.call_async(request)
future.add_done_callback(self.handle_response)  # 绑定回调函数
rclpy.spin(client)  # 保持节点运行以接收回调

原理：

add_done_callback为future注册一个回调函数（如handle_response）；
当服务端返回响应时，future状态变为"完成"，回调函数自动执行；
节点需通过rclpy.spin保持运行，否则可能错过回调；
适用于异步场景，无需阻塞等待，可同时处理其他任务。

七、总结

本文实现了人脸检测服务的客户端，核心要点包括：

客户端创建：通过create_client绑定服务端，确保服务名一致；
图像处理：使用cv_bridge将OpenCV图像转为ROS消息格式；
future处理：两种方式实现服务响应获取（阻塞等待与异步回调），适应不同场景；
结果可视化：通过OpenCV绘制人脸边界框，直观展示检测效果。

至此，我们完成了ROS2 Python服务通信的"服务端-客户端"闭环，掌握了自定义服务接口、异步调用及结果处理的核心流程，可扩展应用于机器人控制、传感器数据处理等场景。

ROS2系列 (18) : Python服务通信实例——Client端