第二章：机器人模型与传感器——URDF模型解析、激光雷达工作原理、里程计与IMU数据融合

各位同学，欢迎来到第二章。这一章我们聊聊机器人的“身体”和“感官”。

你想想看，一个机器人要导航避障，首先得知道自己长什么样，对吧？这就是URDF模型要干的事。然后它得感知周围环境，激光雷达就是它的“眼睛”。最后它还得知道自己走了多远、转了多少弯，这就要靠里程计和IMU这对搭档了。

我个人习惯把这三块内容放在一起讲，因为它们在导航系统里是密不可分的。模型不对，传感器数据再准也白搭；传感器数据不准，模型再精致也没用。

2.1 URDF模型解析：机器人的“骨架”

URDF，全称是Unified Robot Description Format。说白了，就是用XML格式描述机器人长什么样、关节怎么动。

我在项目中遇到过不少新手，一上来就写URDF，结果机器人在地图上显示成一团乱麻。为什么？因为坐标系没搞对。

核心要点：URDF的核心是和。link是刚体部件，joint是连接两个link的关节。

来看一个最简单的两轮差速底盘URDF示例：

<robot name="my_robot">
  <link name="base_link">
    <visual>
      <geometry>
        <box size="0.4 0.3 0.1"/>
      </geometry>
      <origin xyz="0 0 0" rpy="0 0 0"/>
    </visual>
  </link>

  <joint name="left_wheel_joint" type="continuous">
    <parent link="base_link"/>
    <child link="left_wheel"/>
    <origin xyz="-0.15 0.2 -0.05" rpy="0 0 0"/>
    <axis xyz="0 1 0"/>
  </joint>
</robot>

嗯，这里要注意几个坑：

坐标系原点：base_link通常放在机器人底盘中心投影到地面的位置。我见过有人把原点放在轮子上，结果整个模型都歪了。
关节类型：continuous用于轮子这种可以无限旋转的关节，revolute用于有角度限制的关节（比如机械臂）。
轴方向：axis xyz定义了旋转轴。轮子绕Y轴旋转，那就写"0 1 0"。

我的小技巧：写URDF时，先用rviz可视化检查。如果模型在地图上飘着或者陷进地里，八成是base_link的z轴高度不对。

2.2 激光雷达工作原理：机器人的“眼睛”

激光雷达，英文叫LiDAR。它通过发射激光束并测量反射时间，来计算周围物体的距离。

你想想看，它就像拿着一把尺子，朝各个方向“啪”地打一下，然后听回声。转一圈下来，周围360度的障碍物距离就全知道了。

常用的激光雷达有两种：

类型	工作原理	典型型号	优缺点
三角测距	激光照射目标，通过摄像头捕捉反射光斑的位置变化计算距离	RPLIDAR A1/A2	成本低，近距离精度好；远距离精度下降
TOF（飞行时间）	直接测量激光发射和接收的时间差	RPLIDAR S1, Velodyne	精度高，测距远；成本高

我在项目中遇到过一个问题：用三角测距的雷达在强光下数据会跳变。后来换成TOF的，问题就解决了。所以选型时一定要考虑使用环境。

避坑指南：我曾经在调试时发现激光雷达数据有“鬼影”——明明前面没东西，却显示有障碍物。后来排查发现是雷达安装位置太低，地面反射造成的。解决办法是调整安装角度或加装遮光罩。

激光雷达输出的数据格式通常是，包含以下关键字段：

angle_min/angle_max：扫描角度范围，比如-135°到135°
angle_increment：角度分辨率，比如0.5°
range_min/range_max：有效测距范围
ranges[]：每个角度对应的距离值

2.3 里程计与IMU数据融合：让机器人“知道自己在哪”

里程计（Odometry）和IMU（惯性测量单元）是机器人定位的两大法宝。但单独用哪个都有问题。

里程计靠轮子编码器计算位移，优点是短期精度高，缺点是轮子打滑就会累积误差。IMU靠加速度计和陀螺仪，优点是角度测量准，缺点是加速度积分会漂移。

所以，得把它们融合起来用。

核心思想：用IMU修正里程计的角度漂移，用里程计修正IMU的位置漂移。两者互补，效果1+1>2。

常用的融合方法是扩展卡尔曼滤波（EKF）。ROS里有个robot_localization包，专门干这个事。

配置示例：

ekf_localization_node:
  frequency: 30
  sensor_timeout: 0.1
  two_d_mode: true
  map_frame: map
  odom_frame: odom
  base_link_frame: base_link
  world_frame: odom

  odom0: /wheel_odom
  odom0_config: [true, true, false, false, false, true, false, false, false, false, false, false, false, false, false]

  imu0: /imu_data
  imu0_config: [false, false, false, false, false, true, false, false, false, false, false, true, false, false, false]

嗯，这里要注意：odom0_config和imu0_config里的15个布尔值，分别对应[x, y, z, roll, pitch, yaw, vx, vy, vz, vroll, vpitch, vyaw, ax, ay, az]。你只需要把能提供的数据对应的位置设为true就行。

我的经验：刚开始做融合时，别急着把所有传感器数据都加进去。先只融合里程计和IMU的角度，跑通了再加位置融合。否则出了问题都不知道是哪个传感器在捣乱。

2.4 本章知识体系总览

为了让大家更直观地理解这三块内容的关系，我画了一张图：

从这张图可以看得很清楚：URDF定义了机器人的“骨架”，激光雷达提供了“眼睛”，里程计和IMU提供了“本体感觉”。这三者通过EKF融合，最终输出稳定的位姿估计，供导航避障算法使用。

好了，这一章的内容就到这里。记住，模型和传感器是导航系统的基础。基础不牢，地动山摇。下一章我们开始讲代价地图和路径规划，到时候你会感谢今天认真学完这一章的自己。

课后练习：打开你的机器人，用roslaunch urdf_tutorial display.launch model:=your_robot.urdf查看模型是否正确。然后用rostopic echo /scan看看激光雷达数据。最后用rqt_plot对比一下纯里程计和融合后的位姿差异。

可可精品资料库

📚 课程目录

第二章：机器人模型与传感器——URDF模型解析、激光雷达工作原理、里程计与IMU数据融合

2.1 URDF模型解析：机器人的“骨架”

2.2 激光雷达工作原理：机器人的“眼睛”

2.3 里程计与IMU数据融合：让机器人“知道自己在哪”

2.4 本章知识体系总览