2、ROS2定位系统基础：TF坐标树与多传感器融合
各位同学好，我是老张。今天咱们聊聊定位系统的基础。
说实话，做自动驾驶这几年，我踩过最大的坑就是定位漂移。有一次测试车在园区里跑得好好的，突然定位跳到了马路对面——差点撞上路沿。后来排查了一整天，发现是TF坐标树里一个时间戳没对齐。
所以这一章，咱们把地基打牢。你想想看，定位系统就像盖楼，坐标树就是钢筋骨架。骨架歪了，上面贴再多传感器也没用。
2.1 ROS2 TF坐标树原理
TF（Transform）是ROS2里管理坐标变换的核心机制。说白了，就是告诉系统：每个部件在空间里到底在哪儿、朝哪个方向。
典型的自动驾驶机器人，TF树长这样：
map → odom → base_link → sensor（激光雷达/相机/IMU）我来解释一下每一层：
- map：世界坐标系，固定不动。它是全局地图的参考系。
- odom：里程计坐标系，相对map有漂移。它由轮速计或IMU积分得到。
- base_link：机器人本体坐标系，原点通常在底盘中心。
- sensor：传感器坐标系，比如激光雷达、相机、IMU各自的安装位置。
核心要点：map→odom的变换由定位算法（比如AMCL）发布，odom→base_link由里程计发布，base_link→sensor由URDF描述。这三层缺一不可。
我在项目中遇到过一个问题：odom→base_link的发布频率太低，导致EKF滤波器预测步骤跟不上实际运动。嗯，这里要注意——TF的发布频率必须高于控制频率，否则定位会滞后。
2.2 EKF/UKF滤波器在定位中的作用
为什么要用滤波器？因为传感器都有噪声。GPS有米级误差，IMU有零偏，轮速计会打滑。你想想看，如果直接拿原始数据用，定位结果会抖得像筛子。
EKF（扩展卡尔曼滤波）和UKF（无迹卡尔曼滤波）就是干这个的——把多个传感器的数据融合起来，取长补短。
| 滤波器 | 适用场景 | 我的经验 |
|---|---|---|
| EKF | 系统非线性较弱，计算资源有限 | 轮式机器人首选，计算快，调参简单 |
| UKF | 强非线性系统（如大角度转弯） | 我曾在越野车上用UKF，效果比EKF好30% |
我个人习惯用robot_localization这个包。它内置了EKF和UKF，配置起来很方便。你只需要告诉它：哪些传感器数据要融合，每个传感器的协方差是多少。
避坑指南：我曾经把IMU的角速度协方差设得太小，结果滤波器过于相信IMU，导致转弯时定位严重偏离。后来我把协方差调大了两倍，问题就解决了。
2.3 常用定位传感器及其数据特性
做定位融合，你得先了解每个传感器的脾气。我整理了一张表：
| 传感器 | 优点 | 缺点 | 典型频率 |
|---|---|---|---|
| GPS | 无累积误差，绝对定位 | 有遮挡时信号差，精度米级 | 10Hz |
| IMU | 高频（100-400Hz），短时精度高 | 有零偏，积分会漂移 | 100-400Hz |
| 轮速计 | 低成本，地面速度准确 | 打滑时完全失效 | 50-100Hz |
| LiDAR | 高精度（厘米级），不受光照影响 | 怕雨雪，计算量大 | 10-20Hz |
你可能会问：这么多传感器，怎么融合？
我的做法是：高频传感器（IMU、轮速计）做预测，低频传感器（GPS、LiDAR）做修正。这样既保证了实时性，又控制了漂移。
注意：GPS和LiDAR的时间戳必须对齐。我见过有人把GPS的10Hz数据和LiDAR的10Hz数据直接叠加，结果因为时间偏差导致定位跳变。解决办法是用时间同步器（Time Synchronizer）把数据对齐到同一个时间戳。
2.4 知识体系总览
下面这张图，是我自己画的定位系统知识框架。你把它存下来，以后遇到定位问题，先对照这张图排查：
这张图把整个定位系统的数据流串起来了。从传感器原始数据，到预处理、滤波融合、TF坐标树，最后输出稳定的定位结果。你以后排查漂移问题，就按这个流程一步步查：先看传感器数据有没有问题，再看TF树有没有断链，最后看滤波器参数是否合理。
好了，这一章的内容就到这里。记住一句话：定位系统的核心不是单个传感器有多准，而是多个传感器怎么配合。下一章咱们会深入讲EKF的参数调优，到时候我会分享一些实战中调参的骚操作。
可可精品资料库