2、ROS2基础回顾：节点、话题、服务、动作、参数等核心通信机制及其在AI交付中的作用
在机器人AI交付项目中，ROS2不仅是通信中间件，更是整个软件系统的“神经系统”。无论是感知、规划、控制还是人机交互模块，都依赖ROS2的通信机制进行数据交换与任务协同。理解节点、话题、服务、动作、参数这五大核心机制，是完成Launch文件编写、模型集成、容器化部署以及演示说明整理的前提。本节将系统梳理这些机制的原理、适用场景与工程判断方法，并重点分析它们在AI交付链路中的具体作用。
上图展示了ROS2五大核心机制的关系：节点是基本执行单元，话题、服务、动作、参数是节点间通信的四种不同范式。在AI交付中，这四种机制各有分工，理解它们的差异直接决定了系统架构设计的合理性。
2.1 节点：AI功能的最小部署单元
核心原理：节点是ROS2中可执行的计算单元，每个节点负责特定的功能，例如图像采集、目标检测、路径规划或电机控制。节点之间通过DDS（数据分发服务）进行通信，实现真正的分布式计算。在AI交付中，一个深度学习推理模型通常被封装为一个或多个节点，例如“yolo_detector”节点负责目标检测，“face_recognition”节点负责人脸识别。
工程判断方法：在设计AI系统时，需要根据功能内聚性和资源消耗来划分节点。判断标准包括：
- 功能独立性：每个节点应具备单一职责，便于独立开发、测试和复用。
- 资源隔离：GPU推理节点与传感器驱动节点应分离，避免相互阻塞。
- 生命周期管理：节点应支持动态启停，便于在演示中按需加载AI模型。
2.2 话题：AI感知数据的“高速公路”
核心原理：话题是ROS2中最常用的异步通信方式，采用发布/订阅模式。发布者将消息广播到话题，订阅者接收消息。话题适合连续、单向、多对多的数据流，例如摄像头图像、激光雷达点云、IMU数据等。在AI交付中，话题是感知数据的主要传输通道。
操作流程：创建话题通信需要以下步骤：
- 定义消息类型（如
sensor_msgs/msg/Image）。 - 在发布者节点中创建发布器并指定话题名。
- 在订阅者节点中创建订阅器并注册回调函数。
- 通过
rqt_graph或ros2 topic list验证通信链路。
案例拆解：在机器人视觉导航项目中，RGB相机以30Hz发布图像话题 /camera/image_raw，YOLO检测节点订阅该话题，处理后发布检测结果话题 /detection/boxes。这里的关键参数是话题的QoS策略——图像数据允许少量丢帧，因此使用 BEST_EFFORT 可靠性；而检测结果需要确保到达，使用 RELIABLE。如果QoS设置不当，会导致数据积压或丢失，直接影响AI决策质量。
| 通信机制 | 同步性 | 方向 | 典型AI应用场景 | QoS关注点 |
|---|---|---|---|---|
| 话题 | 异步 | 单向/多对多 | 图像流、点云流、状态发布 | 可靠性、历史深度 |
| 服务 | 同步 | 请求-应答 | 模型推理触发、参数查询 | 超时、并发 |
| 动作 | 异步 | 双向/带反馈 | 导航执行、机械臂抓取 | 反馈频率、取消策略 |
| 参数 | 同步 | 全局共享 | 模型阈值、IP配置、开关 | 动态更新、持久化 |
2.3 服务：AI推理的“请求-应答”通道
核心原理：服务采用客户端/服务器模式，客户端发送请求，服务器处理后返回响应。服务适合一次性、同步的任务，例如“请对这张图片进行识别”“请计算机器人当前位置到目标点的距离”。在AI交付中，服务常用于封装单次推理请求，特别是当推理结果需要立即返回给调用方时。
判断方法：选择服务而非话题的判断依据是：
- 任务是否需要立即得到结果？
- 请求频率是否较低（如每秒几次以内）？
- 是否需要严格的一问一答语义？
如果以上答案均为“是”，则优先使用服务。例如，在智能语音交互中，用户说“请识别这个物体”，系统调用 /object_recognition 服务，返回物体名称和置信度。
2.4 动作：长时AI任务的“执行管家”
核心原理：动作机制专为长时间运行的任务设计，它由三部分组成：目标（Goal）、反馈（Feedback）和结果（Result）。客户端发送目标，服务器执行并持续发送反馈，最终返回结果。动作支持取消和暂停，非常适合导航、机械臂运动、自主探索等AI任务。
实战场景：在自主移动机器人演示中，用户下达“去会议室”指令，导航节点作为动作服务器，持续发布当前位置和剩余距离的反馈，到达后返回成功结果。如果中途遇到障碍或用户取消，动作可以被安全终止。相比服务，动作不会阻塞客户端，且能提供进度感知，极大提升了AI交付的交互体验。
案例闭环：某仓储机器人项目需要执行“货架巡检”任务。初始方案使用服务，但发现当机器人遇到动态障碍时，服务无法取消，导致任务卡死。改为动作机制后，实现了以下改进：
- 客户端可随时发送取消请求，服务器响应并清理状态。
- 反馈通道每200ms发送一次位置和电池电量，便于监控。
- 结果中携带巡检报告，包括异常区域截图。
改造后，任务成功率从78%提升至96%，且演示中操作员可以随时干预，用户体验显著改善。
2.5 参数：AI模型的“动态调节旋钮”
核心原理：参数是ROS2中的全局键值对存储，节点可以读取、修改参数，且支持运行时动态更新。在AI交付中，参数常用于配置模型置信度阈值、检测类别过滤、相机曝光值、服务器IP地址等。
操作流程：使用参数的标准步骤：
# 声明参数（在节点代码中）
self.declare_parameter('conf_threshold', 0.5)
# 读取参数
conf = self.get_parameter('conf_threshold').value
# 运行时修改
ros2 param set /yolo_detector conf_threshold 0.8
# 保存参数
ros2 param dump /yolo_detector注意事项：参数适合低频配置，不适合高频数据传输。在AI交付中，建议将模型路径、GPU设备ID、输入图像尺寸等作为参数，便于在Launch文件中统一配置，实现“一套代码，多场景部署”。