1. ROS2与自动驾驶感知概述

大家好，我是你们这趟ROS2自动驾驶感知之旅的领路人。说实话，每次开新课时我都有点小兴奋，因为感知这块儿，是自动驾驶里最“性感”也最“磨人”的部分。今天咱们先不急着写代码，先把地基打牢。

我个人习惯，在动手做任何系统之前，一定要先把“地图”看清楚。这一章，我们就来聊聊ROS2到底是个啥、自动驾驶感知系统长什么样、以及那些传感器是怎么把物理世界变成数字信号的。

1.1 ROS2核心概念：不只是“升级版”的ROS1

很多同学问我：“老师，ROS2和ROS1到底有啥区别？我学ROS1够用吗？”

嗯，这个问题我当年也纠结过。我在2018年做第一个无人车项目时，用的还是ROS1。那时候车跑着跑着，节点莫名其妙挂了，整个系统就瘫了。你想想看，车在高速上跑着，感知系统挂了，那是什么后果？

ROS2的出现，说白了就是为了解决这些“要命”的问题。它不再是实验室里的玩具，而是真正能上车的工业级框架。

核心概念拆解：

• 节点（Node）： 每个功能模块就是一个节点。比如摄像头驱动是一个节点，激光雷达驱动是另一个节点。我习惯把节点想象成“人”，各司其职。
• 话题（Topic）： 节点之间通信的“频道”。比如“/camera/image”这个话题，就是专门传图像数据的。
• 服务（Service）： 一问一答的通信方式。比如你问“给我当前的位置”，服务端回答一个坐标。
• 动作（Action）： 适合长时间的任务，比如“规划一条从A到B的路径”，可以随时查询进度或取消。
• DDS（数据分发服务）： 这是ROS2最核心的升级。它让通信变得可靠、实时，而且支持“发现机制”——节点之间自动找到对方，不用像ROS1那样手动配置。

1.2 自动驾驶感知系统架构：从传感器到决策

自动驾驶感知系统，说白了就是给车装上一双“眼睛”和一副“大脑”。但这双眼睛不是人眼，它能看到红外、激光、超声波；这副大脑也不是人脑，它每秒要处理几百万个数据点。

我画了一张图，帮你理清整个架构的逻辑。你看，数据从传感器进来，经过预处理、融合、识别，最后输出给规划控制模块。每一步都有坑，每一步都有学问。

这张图里，我特别想强调“预处理层”。很多新手一上来就搞深度学习，结果数据都没对齐，时间戳差了几十毫秒，融合出来的结果一塌糊涂。我在项目里吃过这个亏，后来老老实实把时间同步和坐标变换做扎实了，效果立竿见影。

1.3 传感器选型与数据流：选对“眼睛”很重要

传感器选型，说白了就是“看菜吃饭”。你做的L2级辅助驾驶，和L4级无人出租车，用的传感器完全不一样。我见过有人用16线激光雷达做高速NOA，结果远距离目标根本看不清，差点出事。

主流传感器对比：

传感器类型	优点	缺点	典型应用	ROS2话题类型
摄像头	成本低、信息丰富（颜色、纹理）	受光照影响大、无深度信息	车道线检测、交通标志识别	sensor_msgs/Image
激光雷达	精度高、3D点云、全天候	成本高、雨雾天气性能下降	障碍物检测、SLAM建图	sensor_msgs/PointCloud2
毫米波雷达	测距远、不受天气影响	分辨率低、无垂直信息	自适应巡航、盲区检测	sensor_msgs/PointCloud
超声波	成本极低、近距离精准	距离短、易受干扰	自动泊车、近距离避障	sensor_msgs/Range

你看这个表格，每种传感器都有自己的“脾气”。摄像头怕黑，激光雷达怕雨，毫米波雷达怕“看不清细节”。所以为什么一定要做多传感器融合？说白了就是“取长补短”。

数据流实战示例：

在ROS2里，数据流就是话题的发布和订阅。我给你看一个最简单的摄像头数据流示例：

# 启动摄像头驱动节点
ros2 run usb_cam usb_cam_node_exe --ros-args -p video_device:=/dev/video0

# 查看话题列表
ros2 topic list
# 输出：/image_raw  /camera_info

# 订阅图像话题
ros2 topic echo /image_raw --once
# 你会看到一长串二进制数据，这就是图像数据流

嗯，这里要注意。实际项目中，数据流远不止这么简单。你需要考虑：

• 数据频率： 摄像头30fps，激光雷达10Hz，毫米波雷达20Hz。怎么对齐？
• 数据大小： 一张1080p的RGB图像大约6MB，如果30fps就是180MB/s。你的CPU和带宽扛得住吗？
• 时间戳： 每个消息必须带精确的时间戳，不然融合时会出现“时空错乱”。

好了，这一章的内容就到这里。ROS2的核心概念、感知系统的架构、传感器的选型与数据流，这三块是后续所有实战的基础。你把这些搞明白了，后面学起来会轻松很多。

可可精品资料库