4. ROS2环境搭建
在开始ROS2机器人SLAM辅助识别课程之前，搭建一个稳定、可复现的软件环境是后续所有算法开发与联调工作的基石。本章将围绕ROS2（以Humble Hawksbill版本为例，适配Ubuntu 22.04）的安装、工作空间配置、SLAM与视觉库的集成，以及功能验证展开。我们将采用“最小化依赖 + 分层验证”的策略，确保每一步都有明确的输出指标，避免在环境问题上消耗过多项目时间。
4.1 核心原理：分层环境与依赖隔离
ROS2环境搭建的核心思想是分层隔离与依赖最小化。与ROS1不同，ROS2基于DDS（数据分发服务）通信，其环境变量、工作空间覆盖机制（overlay）和编译系统（colcon）都需要重新理解。我们将环境分为三层：系统层（Ubuntu、GPU驱动、CUDA）、中间件与算法层（ROS2核心、SLAM库、OpenCV、TensorRT）、验证层（工作空间、仿真工具、测试节点）。每一层都应当独立验证，避免“环境问题”与“代码问题”混杂。
关键设计决策包括：使用rosdep自动解析系统依赖，使用colcon管理多包构建，以及通过source /opt/ros/humble/setup.bash和source install/setup.bash实现环境叠加。对于视觉库，OpenCV通过apt安装即可满足大部分需求，而TensorRT则需要手动配置，因为它与CUDA版本强相关。
4.2 操作流程：从零到可用的完整命令链
以下操作在Ubuntu 22.04 LTS上执行，假设用户具有sudo权限。整个过程约需30-45分钟，取决于网络速度。
4.2.1 安装ROS2 Humble
# 1. 设置编码和软件源
sudo apt update && sudo apt install locales
sudo locale-gen en_US en_US.UTF-8
sudo update-locale LC_ALL=en_US.UTF-8 LANG=en_US.UTF-8
# 2. 添加ROS2 apt源
sudo apt install software-properties-common curl
sudo add-apt-repository universe
sudo curl -sSL https://raw.githubusercontent.com/ros/rosdistro/master/ros.key -o /usr/share/keyrings/ros-archive-keyring.gpg
echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/ros-archive-keyring.gpg] http://packages.ros.org/ros2/ubuntu $(. /etc/os-release && echo $UBUNTU_CODENAME) main" | sudo tee /etc/apt/sources.list.d/ros2.list > /dev/null
# 3. 安装ROS2基础版（含编译工具）
sudo apt update
sudo apt install ros-humble-desktop python3-colcon-common-extensions python3-rosdep
# 4. 初始化rosdep
sudo rosdep init
rosdep update安装完成后，务必验证环境变量：echo $ROS_DISTRO应输出humble。如果未生效，需要手动source /opt/ros/humble/setup.bash并添加到~/.bashrc。
4.2.2 配置工作空间与安装SLAM/视觉库
# 创建工作空间
mkdir -p ~/ros2_ws/src
cd ~/ros2_ws
colcon build --symlink-install
source install/setup.bash
# 安装SLAM相关包
sudo apt install ros-humble-slam-toolbox ros-humble-nav2-map-server ros-humble-cartographer
# 安装OpenCV及ROS2桥接
sudo apt install ros-humble-cv-bridge ros-humble-vision-opencv python3-opencv
# 安装TensorRT（需先确认CUDA版本，此处以CUDA 11.8为例）
# 从NVIDIA官网下载TensorRT .deb包，然后：
sudo dpkg -i nv-tensorrt-local-repo-ubuntu2204-8.6.1-cuda-11.8_1.0-1_amd64.deb
sudo apt update
sudo apt install tensorrt对于TensorRT，建议使用python3 -c "import tensorrt; print(tensorrt.__version__)"验证。若不需要GPU加速，可跳过此步，不影响SLAM基础功能。
4.2.3 验证基本功能
验证分为三个层次：通信层、算法层、集成层。通信层使用C++和Python的talker/listener；算法层运行SLAM节点并订阅地图话题；集成层则通过仿真环境跑通完整链路。
4.3 案例拆解：turtlebot3仿真环境下的SLAM与视觉联动验证
本案例旨在验证“SLAM建图 + 视觉标签标注”的最小闭环。我们使用turtlebot3在Gazebo仿真环境中构建地图，同时通过OpenCV对仿真相机图像进行红色物体检测，并将检测结果作为语义标签发布到地图上。
| 验证项 | 输入/参数 | 预期输出 | 实际结果 |
|---|---|---|---|
| ROS2节点通信 | talker频率 1Hz | listener收到100条消息 | 通过 |
| SLAM建图 | 激光扫描频率 5Hz | 地图话题 /map 更新 | 通过 |
| 视觉检测 | 图像分辨率 640x480 | 检测到红色物体并发布坐标 | 通过 |
| 标签联动 | 地图坐标系 map | 标签坐标与地图匹配 | 误差 < 0.2m |
操作步骤：首先启动仿真环境ros2 launch turtlebot3_gazebo turtlebot3_world.launch.py，然后启动SLAM节点ros2 launch turtlebot3_cartographer cartographer.launch.py。接着运行视觉检测节点，该节点订阅/camera/image_raw，通过cv_bridge转换为OpenCV格式，使用HSV颜色空间提取红色区域，并计算其质心坐标。最后，通过TF变换将质心从相机坐标系转换到map坐标系，并发布为visualization_msgs/Marker。
排障记录：初次运行时，发现视觉节点无法订阅图像话题。检查发现cv_bridge版本与OpenCV版本不匹配，导致编译时链接错误。解决方案是使用rosdep重新安装依赖，并确保source /opt/ros/humble/setup.bash在编译前已执行。另一个问题是TF树不完整，导致坐标变换失败，通过ros2 run tf2_tools view_frames生成TF树PDF，发现缺少camera_link到base_link的静态变换，手动添加后解决。
4.4 常见误区与总结复盘
rospkg冲突。建议使用虚拟环境或容器隔离。另外，TensorRT与CUDA版本不匹配会导致运行时崩溃，务必使用nvidia-smi确认驱动版本。
常见误区包括：忽略--symlink-install参数导致每次修改Python代码都需要重新编译；未将source命令写入~/.bashrc导致新终端无法识别ROS2命令；混淆build与install目录，在运行节点时使用了错误的setup文件。
总结复盘：环境搭建的核心是“验证驱动”，每安装一个组件，立即用最小命令验证其可用性。建议记录所有安装命令和版本号，形成环境清单。对于团队协作，推荐使用Docker镜像固化环境，确保所有成员一致。本章节的环境搭建为后续语义标签与地图标注联动提供了稳定的基础，下一阶段将聚焦于SLAM算法原理与视觉特征提取的融合。