低成本高能：用树莓派5实现ROS2机器人——SLAM建图 + 自主导航 + YOLO视觉AI部署

Java程序员威哥

644人浏览 · 2026-05-11 07:15:00

Java程序员威哥 · 2026-05-11 07:15:00 发布

在这里插入图片描述
前言：从玩具到真正的智能体

你是否也曾被那些能自主探索、智能避障的机器人所吸引？在开源社区的推动下，我们早已不必再仰望那些昂贵的商业产品。一块树莓派5，配合强大的ROS2（Robot Operating System 2）框架，就能让你亲手打造出一个功能完备的智能移动机器人。本文将带你完成一次深度整合，从底层环境搭建，到核心的SLAM建图与Nav2导航，再到前沿的TensorRT视觉AI部署，打通机器人“感知-决策-执行”的完整链路。

为什么选择这个组合？

树莓派5：性能飞跃，四核A76处理器和对NVMe SSD的支持，使其终于能流畅运行ROS2及轻量级AI模型。

ROS2：去中心化架构、内建DDS通信、生命周期管理，是构建现代、可靠机器人系统的不二之选。

SLAM + Nav2：这是移动机器人的“眼睛”和“大脑”，构成了自主导航的黄金标准。

TensorRT：NVIDIA的高性能推理引擎，能让YOLO等模型在有限算力下发挥最大效能。

一、系统基石：树莓派5上的ROS2环境搭建

很多教程在这里就埋下了失败的种子。关键在于操作系统的选择。切勿使用32位的Raspberry Pi OS！我们必须使用64位Ubuntu Server 22.04 LTS，这是官方预编译ROS2包兼容的基础。

1. 系统烧录与初始化

使用Raspberry Pi Imager工具，选择Ubuntu Server 22.04.1 LTS (64-bit)。
首次启动后，更新系统：
```
sudo apt update && sudo apt upgrade -y
```

2. 安装ROS2 Humble

添加官方GPG密钥和软件源（建议使用国内镜像加速）。
安装基础版（无桌面，节省资源）：
```
sudo apt install ros-humble-ros-base -y
```

初始化rosdep并配置环境变量：

echo "source /opt/ros/humble/setup.bash" >> ~/.bashrc
source ~/.bashrc

至此，你的树莓派已经拥有了一个精简而高效的ROS2运行时环境。

二、赋予机器人“空间感”：SLAM实时建图

SLAM（Simultaneous Localization and Mapping）是让机器人在未知环境中“边走边画地图”的核心技术。我们将使用slam_toolbox，它在ROS2中配置简单、效果稳定。

1. 核心依赖安装

sudo apt install ros-humble-slam-toolbox ros-humble-navigation2 ros-humble-nav2-bringup

2. 硬件与数据流
假设我们的机器人配备了：

激光雷达（如YDLidar X4）：提供周围环境的精确距离信息。
轮式编码器/IMU：提供里程计（Odometry）数据，用于初步估计自身运动。

这些传感器数据通过各自的ROS2驱动节点发布到/scan和/odom话题上。

3. 启动SLAM建图
创建一个启动文件slam_launch.py，核心是启动async_slam_toolbox_node，并正确配置TF坐标变换（base_link -> laser）。

# slam_launch.py 精简示例
from launch import LaunchDescription
from launch_ros.actions import Node

def generate_launch_description():
    return LaunchDescription([
        Node(
            package='slam_toolbox',
            executable='async_slam_toolbox_node',
            name='slam_toolbox',
            parameters=[
                {'use_sim_time': False},
                # 此处应包含你的传感器TF和参数配置文件
            ],
            output='screen'
        )
    ])

启动后，在另一台电脑上通过rviz2连接到树莓派，即可看到激光点云和正在生成的地图。

4. 保存地图
建图完成后，使用map_saver工具保存为map.pgm和map.yaml文件，供后续导航使用。

ros2 run nav2_map_server map_saver_cli -f ~/my_map

三、实现“自动驾驶”：Nav2自主导航与避障

有了地图，下一步就是让机器人能自主从A点到达B点，并在途中动态避开障碍物。这就是Nav2的用武之地。

1. Nav2系统架构解析
Nav2是一个高度模块化的导航栈，其核心组件包括：

AMCL (定位)：在已知地图中确定机器人的精确位置。
Planner Server (全局规划器)：基于地图计算一条从起点到目标点的全局路径。
Controller Server (局部规划器)：根据全局路径和实时传感器数据（如激光雷达），生成速度指令（cmd_vel）来跟踪路径并避开动态障碍。
Behavior Tree (行为树)：协调上述所有模块，处理恢复行为（如卡住时的旋转或后退）。

2. 配置与启动
Nav2的配置主要通过一个YAML文件（如nav2_params.yaml）完成。你需要根据自己的机器人尺寸、传感器频率、最大速度等参数进行调整。关键配置项包括：

robot_radius: 机器人半径，用于碰撞检测。
inflation_radius: 障碍物膨胀半径，确保安全距离。
controller_frequency: 局部规划器的运行频率。

启动Nav2通常使用官方提供的bringup启动文件：

ros2 launch nav2_bringup bringup_launch.py \
    map:=~/my_map.yaml \
    params_file:=./nav2_params.yaml

在rviz2中设置目标点（2D Goal Pose），机器人便会开始自主导航！

四、注入“智慧之眼”：TensorRT视觉模型部署

SLAM和Nav2解决了“我在哪”和“怎么走”的问题，但机器人还需要理解“看到了什么”。我们将YOLOv8目标检测模型通过TensorRT部署到树莓派上，并与ROS2集成。

1. 模型转换流程
由于树莓派是ARM架构，无法直接使用x86上训练的.pt模型。我们需要一个跨平台的中间格式：

Step 1: 在x86 PC上，将PyTorch的.pt模型导出为ONNX格式。
Step 2: 将ONNX模型拷贝到树莓派。
Step 3: （关键） 在树莓派上，使用onnx-tensorrt或trtexec工具将ONNX模型转换为专为当前硬件优化的TensorRT引擎文件（.engine）。

2. 创建ROS2视觉节点
编写一个Python或C++的ROS2节点，该节点订阅摄像头的/image_raw话题，使用TensorRT加载.engine文件进行推理，并将检测结果（如边界框、类别）以自定义消息类型（如DetectionArray）发布出去。

# vision_node.py 伪代码
import tensorrt as trt
import pycuda.autoinit
import pycuda.driver as cuda

class YoloDetector(Node):
    def __init__(self):
        super().__init__('yolo_detector')
        self.subscription = self.create_subscription(Image, '/camera/image_raw', self.image_callback, 10)
        self.publisher_ = self.create_publisher(DetectionArray, '/detections', 10)
        # 加载TensorRT引擎
        self.engine = self.load_engine('yolov8n.engine')

    def image_callback(self, msg):
        # 图像预处理
        input_image = preprocess(msg)
        # TensorRT推理
        detections = self.infer(input_image)
        # 发布结果
        self.publisher_.publish(detections)