3、传感器仿真与数据获取：激光雷达、IMU、里程计仿真，话题数据可视化

传感器仿真，说白了就是给机器人装上一双“虚拟的眼睛和耳朵”。

我刚开始做导航时，总觉得真机跑起来才叫真实。后来发现，在仿真里把传感器调明白了，真机调试时间能省下一大半。你想想看，真机撞一次墙要花多少时间修车？仿真里撞一百次也就点一下重置。

这一章，我们就来搞定三个核心传感器：激光雷达、IMU、里程计。我会带着你从仿真配置到数据获取，再到可视化验证，把整个链路走通。

3.1 激光雷达仿真：从配置到点云数据

激光雷达是导航的“眼睛”。它通过发射激光束，测量周围物体的距离，生成点云数据。导航里的建图、定位、避障，都离不开它。

3.1.1 仿真模型选择

Gazebo 里常用的激光雷达模型有两种：

模型	特点	适用场景
gpu_laser	基于 GPU 加速，性能好，精度高	复杂环境、高帧率需求
ray	基于 CPU 射线追踪，配置简单	简单场景、低配机器

我个人习惯用 gpu_laser。虽然配置稍微复杂一点，但点云质量好很多。有一次我在项目里用 ray 模型，结果在走廊尽头老是检测不到墙壁，换了 gpu_laser 就正常了。

3.1.2 URDF 配置示例

下面是一个典型的激光雷达 URDF 配置。注意看 <gazebo> 标签里的插件部分，那是仿真驱动的关键。

<link name="laser_link">
    <visual>
        <geometry>
            <cylinder length="0.05" radius="0.03"/>
        </geometry>
        <material name="red"/>
    </visual>
</link>

<joint name="laser_joint" type="fixed">
    <parent link="base_link"/>
    <child link="laser_link"/>
    <origin xyz="0.2 0 0.1" rpy="0 0 0"/>
</joint>

<gazebo reference="laser_link">
    <sensor type="gpu_ray" name="head_laser">
        <pose>0.2 0 0.1 0 0 0</pose>
        <visualize>true</visualize>
        <update_rate>10</update_rate>
        <ray>
            <scan>
                <horizontal>
                    <samples>360</samples>
                    <resolution>1</resolution>
                    <min_angle>-3.14159</min_angle>
                    <max_angle>3.14159</max_angle>
                </horizontal>
            </scan>
            <range>
                <min>0.10</min>
                <max>30.0</max>
                <resolution>0.01</resolution>
            </range>
        </ray>
        <plugin name="laser_controller" filename="libgazebo_ros_gpu_laser.so">
            <topicName>/scan</topicName>
            <frameName>laser_link</frameName>
        </plugin>
    </sensor>
</gazebo>

小技巧： samples 参数控制扫描线数。360 线就是每度一条线。如果你只是做避障，180 线也够用，能省不少计算资源。

3.1.3 数据获取与验证

启动仿真后，激光雷达数据会发布到 /scan 话题。你可以用命令行看一眼：

rostopic echo /scan

输出会是一大串数据。别慌，我们关心几个关键字段：

angle_min / angle_max：扫描角度范围，单位弧度
ranges：距离数组，每个角度对应的距离值
intensities：反射强度，有些场景下有用

我曾经踩过一个坑：仿真里激光雷达数据一切正常，但真机上就是读不到。查了半天，发现是 frame_id 没对上。嗯，这里要注意，frameName 必须和 URDF 里的 link 名称一致。

3.2 IMU 仿真：角速度与加速度数据

IMU 提供机器人的角速度和线加速度。导航里用它来做姿态估计和航迹推算。说白了，就是告诉机器人“我现在是歪的还是正的”。

3.2.1 IMU 仿真配置

IMU 的仿真配置比激光雷达简单。Gazebo 自带的 libgazebo_ros_imu.so 插件就能搞定。

<gazebo reference="imu_link">
    <sensor type="imu" name="imu_sensor">
        <pose>0 0 0 0 0 0</pose>
        <update_rate>50</update_rate>
        <plugin name="imu_controller" filename="libgazebo_ros_imu.so">
            <topicName>/imu/data</topicName>
            <frameName>imu_link</frameName>
            <bodyName>base_link</bodyName>
        </plugin>
    </sensor>
</gazebo>

注意： IMU 的 update_rate 不要设得太高。50Hz 已经够用。我曾经设到 200Hz，结果 CPU 直接拉满，仿真卡成幻灯片。

3.2.2 数据解读

IMU 数据发布在 /imu/data 话题。核心数据包括：

orientation：四元数表示的姿态
angular_velocity：角速度 (rad/s)
linear_acceleration：线加速度 (m/s²)

你可以在 Rviz 里添加一个 Imu 显示，直观地看到 IMU 的朝向变化。我个人习惯先用手推一下机器人模型，看 IMU 数据是不是跟着动。如果不动，八成是 bodyName 配错了。

3.3 里程计仿真：轮式编码器数据

里程计是导航的“腿”。它通过轮子转动的圈数，估算机器人走了多远、转了多少。虽然长时间会有累积误差，但短距离内非常可靠。

3.3.1 差速驱动模型

大多数机器人用的是差速驱动模型。两个轮子独立驱动，通过转速差实现转向。里程计的计算公式很简单：

v = (v_left + v_right) / 2
ω = (v_right - v_left) / wheel_separation

其中 v_left 和 v_right 是左右轮的速度，wheel_separation 是轮距。

3.3.2 Gazebo 插件配置

Gazebo 里用 libgazebo_ros_diff_drive.so 插件来模拟差速驱动和里程计。

<gazebo>
    <plugin name="diff_drive_controller" filename="libgazebo_ros_diff_drive.so">
        <leftJoint>left_wheel_joint</leftJoint>
        <rightJoint>right_wheel_joint</rightJoint>
        <wheelSeparation>0.4</wheelSeparation>
        <wheelDiameter>0.2</wheelDiameter>
        <topicName>/odom</topicName>
        <frameName>odom</frameName>
        <childFrameName>base_footprint</childFrameName>
    </plugin>
</gazebo>

    关键参数： wheelSeparation 和 wheelDiameter 必须和实际模型一致。差一点，里程计就会偏。我在项目里吃过这个亏，机器人走直线走着走着就歪了，查了半天发现是轮径写错了 1 厘米。

3.4 话题数据可视化

数据有了，怎么看？Rviz 是 ROS 生态里最常用的可视化工具。我们一步步来。

3.4.1 启动 Rviz

rosrun rviz rviz

启动后，界面是空的。你需要手动添加显示项。

3.4.2 添加显示项

传感器	显示类型	话题
激光雷达	LaserScan	/scan
IMU	Imu	/imu/data
里程计	Odometry	/odom
机器人模型	RobotModel	/robot_description

添加步骤很简单：

点击左下角 Add 按钮
选择对应的显示类型
在 Topic 下拉框里选择正确的话题

你想想看，如果所有数据都能在 Rviz 里看到，是不是比看命令行舒服多了？

3.4.3 可视化效果验证

启动仿真后，你应该能看到：

激光雷达点云：围绕机器人一圈的白色点阵
IMU 姿态：一个彩色坐标系，随机器人转动
里程计轨迹：一条绿色的路径线

如果某个数据没显示，先检查话题名对不对。用 rostopic list 看看当前有哪些话题。我曾经花了半小时找问题，结果发现是 /scan 写成了 /scann。多了一个 n，数据就是出不来。

3.5 本章知识体系

下面这张图总结了三个传感器的仿真链路和数据流向。你可以把它当作一个快速参考。

我的经验： 可视化验证是排查问题最快的方式。如果激光雷达点云有空洞，检查 min_angle 和 max_angle 是不是覆盖了全范围。如果里程计轨迹跳变，检查轮距和轮径参数。别问我怎么知道的，都是血泪教训。

好了，三个传感器的仿真配置和数据获取，我们已经走了一遍。从激光雷达到 IMU 再到里程计，每一步都有对应的配置方法和验证手段。你可以在自己的仿真环境里试试，把这三个传感器都跑起来，然后在 Rviz 里看到它们的数据。

📚 课程目录

3、传感器仿真与数据获取：激光雷达、IMU、里程计仿真，话题数据可视化

3.1 激光雷达仿真：从配置到点云数据

3.1.1 仿真模型选择

3.1.2 URDF 配置示例

3.1.3 数据获取与验证

3.2 IMU 仿真：角速度与加速度数据

3.2.1 IMU 仿真配置

3.2.2 数据解读

3.3 里程计仿真：轮式编码器数据

3.3.1 差速驱动模型

3.3.2 Gazebo 插件配置

3.4 话题数据可视化

3.4.1 启动 Rviz

3.4.2 添加显示项

3.4.3 可视化效果验证

3.5 本章知识体系