📚 课程目录第4章机器人模型

机器人模型：URDF与Xacro建模，传感器配置

核心原理：从URDF到Xacro的抽象升华

在ROS2的SLAM建图任务中，机器人模型是仿真环境与真实硬件之间的“数字孪生”。URDF（Unified Robot Description Format）用XML描述机器人的连杆（link）、关节（joint）及传感器安装位姿，但直接编写URDF存在两个痛点：一是大量重复的几何尺寸与材质定义导致文件冗长；二是修改轴距或传感器高度时，需要逐一替换多处数值，极易出错。Xacro（XML Macros）正是为解决此问题而生，它通过属性定义、数学表达式和宏调用三种机制，将URDF“参数化”。

理解Xacro的关键在于：它本质上是预处理模板，在构建时由xacro命令展开为纯URDF，再交给robot_state_publisher解析。这意味着我们可以在Xacro中定义<xacro:property name="wheel_base" value="0.4"/>，随后在多个关节的<origin xyz="0 ${wheel_base/2} 0"/>中引用，实现“一处修改，全局生效”。对于传感器配置，URDF中的<gazebo>标签用于声明仿真插件（如激光雷达的gpu_ray），而<sensor>标签则定义传感器数据源与坐标系，两者必须与link的<visual>和<collision>对齐，否则SLAM算法将无法获得正确的观测模型。

  核心要点：URDF描述“机器人长什么样”，Xacro让描述“可计算、可复用”，传感器配置则决定“机器人如何感知世界”。三者共同构成SLAM仿真的物理基础。

方法流程：从零搭建带传感器的差速底盘

以经典的差速驱动两轮机器人为例，建模流程可分为四个步骤。首先，定义全局属性：包括机器人轴距、轮径、底盘离地高度、激光雷达安装高度等。其次，编写底盘与轮子的宏，通过参数化生成左右对称结构。再次，添加传感器link与joint，并配置gazebo插件。最后，使用xacro命令验证并生成URDF。

以下是一个精简的Xacro模型骨架，展示了属性、宏与传感器配置的协同方式：

<?xml version="1.0"?>
<robot name="slam_bot" xmlns:xacro="http://www.ros.org/wiki/xacro">
  <xacro:property name="base_width" value="0.35"/>
  <xacro:property name="wheel_radius" value="0.06"/>
  <xacro:property name="lidar_z" value="0.15"/>

  <xacro:macro name="wheel" params="prefix reflect">
    <link name="${prefix}_wheel">
      <visual>
        <geometry><cylinder radius="${wheel_radius}" length="0.04"/></geometry>
        <origin xyz="0 0 0" rpy="0 0 0"/>
      </visual>
    </link>
    <joint name="${prefix}_wheel_joint" type="continuous">
      <parent link="base_link"/>
      <child link="${prefix}_wheel"/>
      <origin xyz="0 ${reflect*base_width/2} ${-wheel_radius}" rpy="0 0 0"/>
    </joint>
  </xacro:macro>

  <xacro:wheel prefix="left" reflect="-1"/>
  <xacro:wheel prefix="right" reflect="1"/>

  <!-- 激光雷达传感器 -->
  <link name="laser_link">
    <visual>
      <geometry><cylinder radius="0.03" length="0.05"/></geometry>
      <origin xyz="0 0 0" rpy="0 0 0"/>
    </visual>
  </link>
  <joint name="laser_joint" type="fixed">
    <parent link="base_link"/>
    <child link="laser_link"/>
    <origin xyz="0.1 0 ${lidar_z}" rpy="0 0 0"/>
  </joint>

  <gazebo reference="laser_link">
    <sensor type="gpu_ray" name="laser_sensor">
      <pose>0 0 0 0 0 0</pose>
      <plugin filename="libgazebo_ros_ray_sensor.so" name="gazebo_ros_laser">
        <ros><remapping>~/out:=scan</remapping></ros>
        <output_type>sensor_msgs/LaserScan</output_type>
        <min_range>0.12</min_range>
        <max_range>3.5</max_range>
        <resolution>1.0</resolution>
        <noise>0.01</noise>
      </plugin>
    </sensor>
  </gazebo>
</robot>

在终端中执行xacro robot.xacro > robot.urdf后，可用check_urdf robot.urdf验证模型树结构。随后通过robot_state_publisher发布TF变换，在RViz中添加LaserScan显示，即可看到激光数据正确投影在传感器坐标系中。

案例场景：传感器安装位姿对SLAM的影响

在仿真环境中，传感器配置不当会导致SLAM算法产生“假回环”或“地图漂移”。以下表格对比了三种典型安装错误及其表现：

安装问题	Xacro中的错误写法	SLAM表现
激光雷达z轴偏移	`<origin xyz="0 0 0.05"/>`（实际应为0.15）	地图中墙面倾斜，回环闭合时出现阶梯状错位
轮距与视觉不一致	宏中`base_width`与`wheel_joint`的y值不匹配	里程计航向角漂移，SLAM轨迹呈弧形弯曲
传感器坐标系未对齐	laser_link的visual原点与gazebo插件pose不一致	点云与栅格地图存在固定偏移，无法正确建图

正确的做法是：在Xacro中，将传感器安装高度定义为属性，并在<joint>的<origin>与<gazebo>的<pose>中引用同一属性。例如，若lidar_z=0.15，则joint的xyz应为0.1 0 ${lidar_z}，gazebo插件的pose应为0.1 0 0.15 0 0 0。同时，在RViz中固定坐标系选择laser_link，可直观验证点云是否与机器人模型重合。

误区与复盘：建模中的常见陷阱

高频误区1：将<gazebo>插件直接写在<link>内部。正确做法是<gazebo reference="link_name">作为顶层标签，否则插件不会被加载。

另一个常见问题是混淆<visual>与<collision>的几何尺寸。若碰撞体比视觉体小，机器人可能在仿真中“陷入”地面或穿墙；若碰撞体过大，则会导致SLAM规划路径时无法通过狭窄通道。建议在Xacro中为每个link同时定义visual和collision，并尽量复用同一几何参数。

此外，许多初学者在添加IMU传感器时，忘记设置<always_on>true</always_on>和<update_rate>50</update_rate>，导致IMU数据频率不稳定，影响融合定位。对于激光雷达，还需注意<frame_name>标签必须与joint的child link名称一致，否则TF树会断裂。

复盘一个实际案例：某次建图测试中，地图出现“重影”现象。排查后发现，Xacro中定义的wheel_radius为0.06，但<gazebo>中轮子的摩擦系数被误设为0，导致车轮打滑，里程计积分失真。修正摩擦系数并重新生成URDF后，地图恢复正常。这提醒我们：Xacro参数不仅影响几何外观，还通过gazebo标签影响物理仿真属性，两者必须协同设计。

最后，建议在项目目录中维护一个config/robot_params.yaml，将轮距、雷达高度等关键参数导出，供导航与SLAM节点共享，避免在Xacro与C++/Python代码中重复定义数值，从根源上消除参数不一致的风险。