1. 环境准备：从零开始的ROS与Gazebo基础

大家好，我是老张，一个在机器人仿真和AI视觉领域摸爬滚打了十多年的工程师。今天想和大家分享一个非常有意思的实战项目：从零开始，在Gazebo里搭建一个自定义的虚拟赛道，然后让ROS机器人完成SLAM建图、自主导航，最后还能用YOLO实时检测赛道上的目标物体。听起来是不是很酷？这其实就是把机器人开发中最核心的几项技术——仿真、定位、导航和感知——串成了一个完整的闭环。无论你是机器人专业的学生，还是刚入行的工程师，跟着这个流程走一遍，绝对能让你对机器人系统开发有脱胎换骨的理解。

咱们先别急着敲代码，磨刀不误砍柴工，把环境搭好是成功的第一步。这个项目我推荐在 Ubuntu 18.04 + ROS Melodic 的环境下进行，这是目前最稳定、生态最成熟的组合。当然，如果你用的是Ubuntu 20.04和ROS Noetic，大部分步骤也是兼容的，只是个别软件包的名字需要微调。首先，你得确保ROS桌面完整版和Gazebo 9已经正确安装。如果还没装，可以去ROS官网照着教程一步步来，这里我就不赘述了。

安装好基础系统后，我们需要创建一个专属的工作空间。我习惯把所有相关代码都放在一个工作空间里，这样管理起来方便，依赖关系也清晰。打开终端，依次执行下面这些命令：

mkdir -p ~/robot_slam_ws/src
cd ~/robot_slam_ws/src
catkin_init_workspace

这就在你的家目录下创建了一个名为 robot_slam_ws 的工作空间，并且初始化了它。接下来，我们需要一个机器人模型来作为我们实验的“主角”。网上有很多开源的车模，我这里选用一个比较经典的 racecar 模型，它结构清晰，自带仿真所需的控制器和传感器配置，非常适合学习。我们把它克隆到我们的 src 目录下：

git clone https://github.com/xmy0916/racecar.git

下载完成后，别急着编译，因为这个模型依赖一些ROS的控制包。我们需要先把这些依赖安装上，否则编译肯定会报错。运行下面的命令来安装：

sudo apt-get install ros-melodic-controller-manager \
ros-melodic-gazebo-ros-control \
ros-melodic-effort-controllers \
ros-melodic-joint-state-controller

依赖装好了，现在可以回到工作空间根目录进行编译了：

cd ~/robot_slam_ws
catkin_make

第一次编译可能会遇到一些常见的坑，我当年也踩过。比如，你可能会看到 Could not find a package configuration file provided by "driver_base" 这样的错误。别慌，这通常意味着缺少对应的ROS包，用 sudo apt-get install ros-melodic-driver-base 安装上就行。另一个常见错误是关于 OpenCV 的，提示找不到配置文件。这时你需要定位一下你系统里 OpenCVConfig.cmake 文件的位置，然后用文本编辑器打开 racecar_gazebo 功能包里的 CMakeLists.txt 文件，把里面设置 OpenCV_DIR 的路径改成你电脑上的实际路径。编译过程就是这样一个不断解决依赖问题的过程，非常锻炼人。

2. 在Gazebo中亲手打造你的虚拟赛道

环境准备好了，机器人模型也有了，现在该搭建我们机器人活动的舞台了——也就是在Gazebo里创建自定义的赛道环境。很多教程直接用现成的世界文件，但我强烈建议你亲手搭一个，这能让你深刻理解Gazebo中模型的坐标、碰撞属性、物理参数等概念，以后调试起来心里才有底。

2.1 启动Gazebo并熟悉编辑器

首先，我们启动一个空的Gazebo世界：

roslaunch gazebo_ros empty_world.launch

Gazebo启动后，你会看到一个空旷的三维空间。点击顶部菜单栏的 Edit，然后选择 Build Editor，就进入了强大的模型编辑器模式。在这里，你可以像搭积木一样创建自己的模型。编辑器左侧提供了丰富的基础几何体（立方体、圆柱体、球体等），你可以把它们拖到主视图中，然后通过右侧的属性面板调整大小、位置、颜色，甚至贴图。

我建议你先从搭建一个简单的“回”字形赛道开始。用多个长方体构件拼出赛道的边界墙，注意调整它们的高度和厚度，让机器人看起来不会太突兀。你还可以在赛道中间放置一些圆柱体作为障碍物，或者用不同颜色的平板表示不同的功能区。这个过程非常自由，尽情发挥你的想象力。模型搭建完成后，别忘了点击 File -> Save As，给它起个名字（比如 my_race_track），保存为Gazebo模型文件（.sdf 或 .model 格式）。这个文件会被默认保存在 ~/.gazebo/models/ 目录下，以后可以随时调用。

2.2 将自定义赛道与机器人结合

赛道模型保存好了，现在我们要创建一个世界文件（.world），把我们的赛车和赛道放到一起。最直接的方法是在Gazebo中插入我们刚才保存的赛道模型，然后也插入 racecar 模型。但是，为了后续用ROS启动时更方便，我们通常编写一个launch文件来封装这个过程。

我们先运行机器人模型，看看它单独启动是什么样子：

roslaunch racecar_gazebo racecar.launch

这时你会看到Gazebo界面中出现了我们的小车，同时还会弹出一个简单的键盘控制窗口（通常叫 teleop_twist_keyboard），你可以用 W/A/S/D 键来控制小车前后左右移动，测试一下它的基本运动是否正常。

接下来，我们在Gazebo的 Insert 选项卡中找到并选择我们刚才保存的 my_race_track 模型，把它插入到世界中，调整好位置，让小车位于赛道的起点附近。现在，一个完整的仿真场景就搭建好了。为了能一键启动这个完整场景，我们需要创建一个新的launch文件。进入racecar功能包的launch目录：

cd ~/robot_slam_ws/src/racecar/racecar_gazebo/launch
sudo gedit my_track_world.launch

在这个新的launch文件中，我们通过包含（include）原有的 racecar.launch，并传入我们自定义的世界文件名参数：

<?xml version="1.0"?>
<launch>
  <!-- 启动racecar小车，并指定世界文件 -->
  <include file="$(find racecar_gazebo)/launch/racecar.launch">
    <arg name="world_name" value="my_race_track"/>
  </include>
</launch>

注意，这里假设你把 .world 文件放在了Gazebo默认的世界文件搜索路径下，或者指定了完整路径。保存文件后，你就可以用一条命令启动整个仿真了：

roslaunch racecar_gazebo my_track_world.launch

3. 使用gmapping进行SLAM建图

现在，我们的机器人在一个全新的、未知的赛道环境中了。它的第一个任务就是探索环境，并绘制出一张地图。这个过程就是SLAM（同步定位与建图）。在ROS中，gmapping 是一个非常经典且高效的2D SLAM算法包，它利用激光雷达（Lidar）数据，在机器人移动的同时构建栅格地图。

3.1 启动gmapping节点

首先，确保你已经安装了 gmapping 包：sudo apt-get install ros-melodic-gmapping。然后，在racecar的功能包里，通常已经有一个写好的gmapping启动文件（例如 slam_gmapping.launch）。我们直接运行它：

roslaunch racecar_gazebo slam_gmapping.launch

这个命令会启动几个关键的ROS节点：slam_gmapping 节点负责核心的建图算法；laser_scan 相关的节点负责处理小车上的激光雷达数据；通常还会启动 rviz 可视化工具。打开 rviz 后，你需要添加一个 Map 显示类型，并将话题（Topic）设置为 /map，这样就能实时看到地图构建的过程了。

3.2 控制机器人探索与地图保存

建图算法在运行了，但机器人还静止不动。这时就需要你手动控制它去探索整个赛道。保持之前启动的键盘控制终端，或者新开一个终端运行键盘控制节点，然后小心翼翼地驾驶你的小车，沿着赛道边界缓慢行驶，尽量覆盖赛道的每一个角落。

在 rviz 中，你会看到一张灰色的地图逐渐被绘制出来：黑色区域代表障碍物（如赛道围墙），白色区域代表可通行区域，灰色代表未知区域。驾驶小车跑完整个赛道一圈，回到大致起点位置，确保地图基本闭合且细节清晰。这里有个关键点：建图时小车的移动速度不宜过快，特别是转弯的时候，要给激光雷达足够的时间采集和处理数据，否则建出来的地图可能会扭曲或出现重影。

当地图让你满意后，就可以保存它了。首先安装地图服务器：sudo apt-get install ros-melodic-map-server。然后，切换到你想保存地图的目录，例如功能包的map文件夹：

cd ~/robot_slam_ws/src/racecar/racecar_gazebo/map
rosrun map_server map_saver -f my_race_track_map

这条命令会在当前目录下生成两个文件：my_race_track_map.pgm 和 my_race_track_map.yaml。.pgm 是一张灰度图，直观地展示了栅格地图；.yaml 是地图的配置文件，包含了图片路径、分辨率（米/像素）、原点坐标等信息。这张地图就是我们下一阶段机器人自主导航的“眼睛”。

4. 实现机器人的自主定位与导航

有了高精度的地图，机器人就可以尝试“自己走路”了。ROS的导航功能栈（Navigation Stack）是一个非常强大的框架，它整合了定位（AMCL）、全局路径规划（Global Planner）和局部路径规划（Local Planner）等模块。我们需要对其进行配置，让它适应我们的小车和赛道环境。

4.1 配置导航栈并启动

导航栈的配置参数比较多，主要集中在几个YAML文件中。在 racecar_gazebo/config/ 目录下，通常已经提供了一些基础的配置文件，如 costmap_common_params.yaml（代价地图通用参数）、local_costmap_params.yaml（局部代价地图参数）、global_costmap_params.yaml（全局代价地图参数）以及 teb_local_planner_params.yaml（TEB局部规划器参数）。对于初学者，我建议先使用这些默认配置，让系统跑起来，然后再根据实际效果进行微调。

我们需要创建一个新的launch文件来启动整个导航系统。这个文件要完成三件事：1. 启动带赛道的仿真世界和小车；2. 加载我们刚才保存的地图；3. 启动导航栈。

cd ~/robot_slam_ws/src/racecar/racecar_gazebo/launch
sudo gedit my_track_navigation.launch

文件内容大致如下：

<?xml version="1.0"?>
<launch>
  <!-- 1. 启动仿真世界与小车 -->
  <include file="$(find racecar_gazebo)/launch/racecar.launch">
    <arg name="world_name" value="my_race_track"/>
  </include>

  <!-- 2. 加载已保存的地图 -->
  <node name="map_server" pkg="map_server" type="map_server" args="$(find racecar_gazebo)/map/my_race_track_map.yaml" />

  <!-- 3. 启动AMCL定位节点 -->
  <node pkg="amcl" type="amcl" name="amcl" output="screen">
    <rosparam file="$(find racecar_gazebo)/config/amcl_params.yaml" command="load" />
    <remap from="scan" to="/scan"/>
  </node>

  <!-- 4. 启动move_base导航核心 -->
  <node pkg="move_base" type="move_base" respawn="false" name="move_base" output="screen">
    <rosparam file="$(find racecar_gazebo)/config/costmap_common_params.yaml" command="load" ns="global_costmap" />
    <rosparam file="$(find racecar_gazebo)/config/costmap_common_params.yaml" command="load" ns="local_costmap" />
    <rosparam file="$(find racecar_gazebo)/config/local_costmap_params.yaml" command="load" />
    <rosparam file="$(find racecar_gazebo)/config/global_costmap_params.yaml" command="load" />
    <rosparam file="$(find racecar_gazebo)/config/teb_local_planner_params.yaml" command="load" />
    <param name="base_global_planner" value="global_planner/GlobalPlanner"/>
    <param name="base_local_planner" value="teb_local_planner/TebLocalPlannerROS"/>
    <remap from="cmd_vel" to="/cmd_vel"/>
    <remap from="odom" to="/odom"/>
  </node>
</launch>

保存后，运行这个launch文件：roslaunch racecar_gazebo my_track_navigation.launch。同时，另开一个终端启动rviz：roslaunch racecar_gazebo racecar_rviz.launch。

4.2 在RViz中设置导航目标与调试

在RViz中，你需要添加一些必要的显示项：Map（显示地图）、RobotModel（显示机器人模型）、LaserScan（显示激光雷达数据）以及 Path（显示全局和局部路径）。最关键的是，使用工具栏中的 2D Nav Goal 按钮。在地图上点击你想要机器人去往的目标点，并拖动鼠标设定最终朝向。松开鼠标后，你会看到一条绿色的全局路径从机器人当前位置规划到目标点，同时机器人开始移动，并伴随着一条红色的局部规划路径不断调整。

如果机器人不动，或者规划失败，你需要检查几个地方：首先，确认 amcl 的定位是否准确。在RViz中，amcl 会显示一堆小箭头（粒子），它们应该紧紧聚集在机器人实际位置周围。如果粒子发散，说明定位丢失，机器人不知道自己在哪里。其次，检查代价地图（Costmap），看看机器人规划的路径是否被膨胀的障碍物区域（红色区域）阻挡。你可能需要调整 inflation_radius（膨胀半径）参数。最后，TEB局部规划器对机器人的动力学参数（如最大速度、加速度）很敏感，如果参数设置得过于激进，可能会导致规划失败，适当调低这些值试试。

5. 集成YOLO实现实时目标检测与标记

导航问题解决了，现在给我们的机器人加上“智慧之眼”——让它在导航过程中，用摄像头识别赛道上的特定物体（比如交通锥、球、或者我们特意放置的模型）。我们将使用YOLO（You Only Look Once）这一经典的深度学习目标检测模型，并通过 darknet_ros 这个ROS功能包将其集成进来。

5.1 安装并配置darknet_ros

首先，我们需要将 darknet_ros 包克隆到我们的工作空间。这里注意，我们使用SSH方式克隆，所以需要先配置好GitHub的SSH密钥。

cd ~/robot_slam_ws/src
git clone --recursive git@github.com:leggedrobotics/darknet_ros.git

克隆完成后，回到工作空间根目录进行编译：cd ~/robot_slam_ws && catkin_make -DCMAKE_BUILD_TYPE=Release。编译过程可能会比较久，因为它会自动下载YOLO的预训练权重文件（如 yolov3.weights）。为了节省时间，你可以提前从YOLO官网下载好权重文件，直接放到 darknet_ros/darknet_ros/yolo_network_config/weights/ 目录下。

接下来是关键的一步：建立Gazebo相机与YOLO之间的数据桥梁。我们需要知道Gazebo中小车摄像头发布图像数据的话题（Topic）名称。启动你的仿真环境，然后在终端运行 rostopic list | grep image，你很可能会看到类似 /camera/rgb/image_raw 的话题。这就是我们需要的图像流。

然后，我们需要修改 darknet_ros 的配置文件，让它订阅正确的话题。打开配置文件：

gedit ~/robot_slam_ws/src/darknet_ros/darknet_ros/config/ros.yaml

找到 camera_reading 部分，将 topic 的值修改为你在Gazebo中查到的图像话题，例如：

camera_reading:
  topic: /camera/rgb/image_raw
  queue_size: 1

5.2 启动YOLO检测并可视化结果

配置完成后，我们就可以启动YOLO检测节点了：

roslaunch darknet_ros darknet_ros.launch

同时，为了看到检测结果，我们可以启动一个图像查看工具：

rqt_image_view

在 rqt_image_view 的下拉菜单中，选择 /darknet_ros/detection_image 这个话题。现在，你应该能看到Gazebo仿真窗口和 rqt_image_view 窗口。当小车摄像头“看到”赛道上的物体（比如一个红色的立方体）时，rqt_image_view 中的画面会在物体周围画出边界框，并标上类别名称和置信度。

这里有一个非常重要的技巧：Gazebo仿真和YOLO检测都是计算密集型任务。你可能会遇到检测卡顿、延迟甚至节点崩溃的情况。除了确保你的电脑有足够的计算资源（特别是GPU资源，如果使用了GPU加速的Darknet）外，我建议在Gazebo中适当降低图像发布的频率和分辨率。你可以在小车模型的URDF或SDF文件中，找到相机插件（<gazebo reference="camera_link">）的配置部分，修改 <updateRate> 和 <image> 的尺寸参数，这能显著提升整体运行的流畅度。

5.3 将检测结果用于机器人决策（进阶）

仅仅看到检测框还不够，我们更希望机器人能根据检测到的物体做出反应。这就需要我们编写一个简单的ROS节点，订阅YOLO发布的结果话题（通常是 /darknet_ros/bounding_boxes），然后根据里面包含的物体类别、位置信息，来发布相应的控制指令或修改导航目标。

例如，你可以写一个Python节点，当检测到“stop_sign”时，让机器人暂停2秒；当检测到“person”在路径前方时，重新规划一条绕行的路径。这就将感知层的信息真正融入到了机器人的决策与控制闭环中，实现了一个初级的智能行为。这个节点本身不复杂，核心就是ROS标准的话题订阅与发布，但却是整个项目从“演示”走向“应用”的关键一步。

我在实际集成时发现，仿真环境中的光照、纹理与真实世界差异较大，这可能会导致YOLO的检测置信度不高或出现误检。一个解决办法是在Gazebo中为待检测物体使用更贴近真实世界的纹理贴图。另一个更彻底的办法，是收集仿真环境中的图像，对YOLO模型进行微调（Fine-tuning），让它更适应仿真这个特定的“视觉域”。虽然这需要额外的工作量，但对于追求稳定性和准确性的项目来说，是非常值得的。