eH × DxLab
BY eHWRITTEN ON HALO20 MIN READ

px4<->ros整理大全和集群调试log

集群调试log 雷达倾斜安装 因为是/Odometry -----/vins_to_mavros----> /mavros/vision_pose/pose单线转换,实现了传感器数据与机器人位姿（Pose）的分离。 这里cloud registered是倾斜的 在节点话题图中是看不到** /mavr

恰饭飞控#飞控#swarm#uav

集群调试log

雷达倾斜安装

因为是/Odometry —–/vins_to_mavros––> /mavros/vision_pose/pose单线转换,实现了传感器数据与机器人位姿（Pose）的分离。

  • 这里cloud registered是倾斜的

  • 在节点话题图中是看不到** /mavros/vision_pose/pose和/mavros/local_position/odom

    /mavros/local_position/pos**的关系的

    是因为:/mavros/vision_pose/pose 是喂给飞控的数据（输入），而 /mavros/local_position/odom 和 /mavros/local_position/pose 则是飞控经过内部融合计算后，**反馈给您*的结果（输出）。

    这些任务是在单片机上运行的

    补充,/mavros话题之间的关系,以及/mavros/vision_pose/pose何去何从,以及飞控板中的内部消息处理逻辑,以及各个mavros话题

    之间的关系还有处理逻辑

    回答见下方正文

    mavros逻辑梳理

    好的，这是一个非常深入的问题。要理解您列出的这一百多个 MAVROS 话题，最好的方法不是逐一解释，而是将它们按功能和数据流向分成几大类。

    MAVROS 本质上是运行在机载电脑（如树莓派、NVIDIA Jetson）上的 ROS 系统 和无人机飞控板（如 Pixhawk, a running PX4 or ArduPilot firmware）之间的一座双向大桥。它通过 MAVLink 协议 来回传递消息。

    核心数据流逻辑

    我们可以把整个系统的数据流向简化为下图：

    +---------------------------------+          +-----------------------------+
|    机载电脑 (Companion Computer)    |          |      飞控板 (Flight Controller) |
|            (ROS)                |          |      (e.g., PX4 with EKF2)  |
+---------------------------------+          +-----------------------------+
              ^   |                                      ^   |
              |   |                                      |   |
  [指令/外部数据]  |   V  [状态/传感器数据]                [指令]   |   V  [内部传感器数据]
              |   |                                      |   |
              |   |        MAVLink 协议通信        |   |
+---------------------------------+ <=================> +-----------------------------+
|             MAVROS              |          |      MAVLink Endpoint         |
+---------------------------------+          +-----------------------------+

    第一类：感知与定位 (飞控 -> ROS)

    数据流向主要是从飞控到机载电脑。

    • 原始传感器数据:
      • /mavros/imu/data_raw: 飞控原始的IMU数据（加速度计、陀螺仪）。
      • /mavros/global_position/raw/fix: 原始的GPS定位信息。
      • /mavros/altitude: 融合了气压计等信息的高度。
    • 融合后的状态估计 (最常用):
      • /mavros/local_position/pose: 飞控内部EKF（扩展卡尔曼滤波器）融合所有传感器（包括您提供的视觉位姿）后，得出的在本地坐标系（odom或map）下的位置和姿态。
      • /mavros/local_position/odom: 比上面的 pose 更完整，除了位姿，还包含了速度信息。这通常是上层应用（如运动规划）最应该使用的位姿来源。
    • 系统状态:
      • /mavros/state: 飞控的当前状态（例如，ARMED, OFFBOARD, MANUAL）。
      • /mavros/battery: 电池电压和电量信息。
      • /mavros/estimator_status: 内部状态估计器（EKF）的健康状况。

    第二类：外部数据注入 (ROS -> 飞控)

    。数据流向主要是从机载电脑到飞控。

    • 视觉/雷达定位数据:
      • /mavros/vision_pose/pose: 您通过VIO或Lidar SLAM计算出的无人机位姿，发送给飞控，用于修正和融合。
      • /mavros/odometry/in: 另一个可以发送完整里程计信息（包含速度）的接口。通常 vision_pose 和 odometry/in 只使用其中一个。
    • 动捕系统数据:
      • /mavros/mocap/pose: 用于从外部运动捕捉系统（如Vicon, OptiTrack）注入更高精度的位姿。
    • 外部GPS数据:
      • /mavros/gps_input/gps_input: 可以绕过飞控自己的GPS驱动，直接从ROS注入GPS数据。

    第三类：指令与控制 (ROS -> 飞控)“/mavros/setpoint_”

    这是实现自主飞行的核心。

    • **高级指令 **:
      • /mavros/setpoint_position/local: 发送在本地坐标系下的期望位置目标点。
      • /mavros/setpoint_velocity/cmd_vel_unstamped: 发送期望的速度指令。
    • 低级指令 (需要自己做控制器):
      • /mavros/setpoint_raw/attitude: 直接发送期望的姿态和油门大小。
      • /mavros/setpoint_accel/accel: 发送期望的加速度指令。
    • 轨迹指令:
      • /mavros/trajectory/desired: 发送一个包含位置、速度、加速度的完整轨迹点。

    MAVROS 话题功能详尽分类表

    类别 (Category) 主要话题 (Key Topic) 数据流向 (Data Flow) 功能简介 (Brief Description)
    1. 感知、定位与状态 (Sensing, State & Localization) /mavros/state 飞控 -> ROS ✅ 核心状态: 飞行模式、是否解锁、系统ID等。
    /mavros/local_position/odom 飞控 -> ROS 本地里程计: EKF融合后的高精度位姿+速度，上层应用首选。
    /mavros/local_position/pose 飞控 -> ROS 本地坐标系下的位姿（位置+姿态）。
    /mavros/local_position/velocity_body 飞控 -> ROS 机体坐标系下的速度。
    /mavros/global_position/global 飞控 -> ROS 全球GPS位置（经纬高）。
    /mavros/global_position/raw/fix 飞控 -> ROS 原始、未融合的GPS定位数据。
    /mavros/global_position/compass_hdg 飞控 -> ROS 磁罗盘航向角。
    /mavros/global_position/rel_alt 飞控 -> ROS 相对于起飞点的高度。
    /mavros/imu/data 飞控 -> ROS 经过校准和融合的IMU数据（姿态、角速度、加速度）。
    /mavros/imu/data_raw 飞控 -> ROS 原始IMU传感器读数。
    /mavros/altitude 飞控 -> ROS 融合后的高度信息（气压计等）。
    /mavros/battery 飞控 -> ROS 电池电压、电流与电量。
    /mavros/estimator_status 飞控 -> ROS 内部状态估计器（EKF）的健康状况。
    /mavros/extended_state 飞控 -> ROS 扩展的飞控状态（如着陆状态）。
    /mavros/radio_status 飞控 -> ROS 遥控接收机或数传电台的信号强度(RSSI)。
    /mavros/time_reference 飞控 -> ROS 飞控与ROS之间的时间参考，用于同步。
    /mavros/vfr_hud 飞控 -> ROS 用于平视显示器（HUD）的常用数据（空速、地速、高度、油门等）。
    2. 外部数据注入 (External Data Injection) /mavros/vision_pose/pose ROS -> 飞控 💉 注入视觉位姿: 从VIO/SLAM向飞控EKF提供位姿修正。
    /mavros/odometry/in ROS -> 飞控 💉 注入里程计: vision_pose的更完整版本，包含速度信息。
    /mavros/mocap/pose ROS -> 飞控 💉 注入动捕位姿: 从运动捕捉系统（如Vicon）提供高精度位姿。
    /mavros/gps_input/gps_input ROS -> 飞控 💉 注入GPS: 从ROS向飞控发送GPS数据，可替代飞控自带的GPS。
    /mavros/landing_target/pose_in ROS -> 飞控 🎯 注入着陆目标: 发送一个精确的着陆目标位姿（如视觉二维码）。
    3. 目标设定点与指令 (Setpoints & Commands) /mavros/setpoint_position/local ROS -> 飞控 📍 位置控制: 发送期望的本地位置目标点。
    /mavros/setpoint_velocity/cmd_vel_unstamped ROS -> 飞控 💨 速度控制: 发送期望的线速度和角速度。
    /mavros/setpoint_raw/attitude ROS -> 飞控 🔄 姿态控制: 直接发送期望的姿态和油门，用于底层控制。
    /mavros/setpoint_accel/accel ROS -> 飞控 🚀 加速度控制: 发送期望的加速度指令。
    /mavros/setpoint_trajectory/local ROS -> 飞控 ✈️ 轨迹控制: 发送包含位置、速度、加速度的完整轨迹点。
    /mavros/rc/override ROS -> 飞控 🕹️ 覆盖遥控器: 用程序模拟遥控器输入，实现完全控制。
    /mavros/manual_control/send ROS -> 飞控 发送手动控制指令。
    /mavros/play_tune ROS -> 飞控 🎵 控制飞控蜂鸣器播放提示音。
    4. 任务、执行器与反馈 (Missions & Actuators) /mavros/mission/waypoints ROS <-> 飞控 🗺️ 航点任务: 上传、下载和监控自主飞行航点列表。
    /mavros/mission/reached 飞控 -> ROS ✅ 到达航点: 飞控发出的到达任务航点的通知。
    /mavros/home_position/home 飞控 -> ROS 🏠 获取当前设置的“家”的位置。
    /mavros/rc/in 飞控 -> ROS 📡 遥控器输入: 读取人类飞行员的遥控器通道值。
    /mavros/actuator_control 飞控 -> ROS ⚙️ 电机指令: 查看飞控发送给电机/舵机的最终控制指令。
    /mavros/esc_status & /esc_telemetry 飞控 -> ROS ⚡ 电调状态: 读取数字电调的转速、温度、电压等遥测数据。
    /mavros/mount_control/command ROS -> 飞控 控制相机云台的指令。
    5. 通用、调试与底层 (Utilities & Low-Level) /mavlink/from & /mavlink/to MAVROS <-> 串口 🛠️ 底层数据包: 用于深度调试，直接查看原始的MAVLink通信数据。
    /mavros/param/param_value ROS <-> 飞控 🔧 参数服务: 用于读取和设置飞控的所有内部参数（注意：这是服务，非话题）。
    /mavros/log_transfer/... 飞控 -> ROS 💾 飞行日志: 用于下载飞控的“黑匣子”数据。
    /mavros/statustext/recv 飞控 -> ROS 💬 状态文本: 接收来自飞控的文本消息（如 “Preflight checks passed”）。
    /mavros/debug_value/... ROS <-> 飞控 🐞 调试值: 一组通用的调试接口，用于在飞控和ROS间传递命名的变量。
    /mavros/hil/... ROS <-> 飞控 💻 硬件在环仿真 (HIL): 一整套用于HIL仿真的话题，如模拟GPS、IMU等。
    /mavros/px4flow/... 飞控 -> ROS 👁️ 光流传感器: 用于PX4Flow光流传感器的数据。
    /mavros/adsb/... ROS <-> 飞控 ✈️ ADS-B: 用于广播式自动相关监视（ADS-B）的数据，避免与其他飞行器相撞。
    /mavros/tunnel/in & /out ROS <-> 飞控 🚇 自定义通道: 用于在ROS和飞控固件之间传输自定义的MAVLink消息。

    关键点:

    1. /mavros/vision_pose/pose 何去何从？

    • 从哪来 (Source): 它来自于您的外部定位系统。它由 vins_to_mavros 节点在对原始VIO/LIO数据进行坐标校正后发布出来。
    • 到哪去 (Destination):
      1. MAVROS节点订阅这个ROS话题。
      2. MAVROS将收到的 PoseStamped 消息打包成 MAVLink 协议格式的消息（通常是 VISION_POSITION_ESTIMATE 或 ODOMETRY 消息）。
      3. MAVROS通过串口或网络将这个MAVLink消息发送给飞控板。

    2. 飞控板中的内部消息处理逻辑

    1. 飞控板接收到由 /vision_pose/pose 转化而来的 MAVLink 消息。
    2. 飞控内部的核心——EKF (扩展卡尔曼滤波器)——获取这个外部位姿数据。
    3. EKF开始进行数据融合：
      • 预测步 (Prediction): EKF根据内部高频的IMU数据（加速度和角速度）来预测无人机下一刻的位姿。这个预测会因为IMU的漂移而逐渐不准。
      • 更新/修正步 (Update/Correction): 当EKF收到一个外部的、更准确的位姿测量值时（比如您从 vision_pose 发送过来的数据，或者GPS数据），它会用这个“外部真值”来修正自己的预测。它会计算预测值和测量值之间的差异，并根据传感器的可信度（噪声大小）来调整自己的状态，使其更接近测量值。
    4. 融合后的最佳估计结果，就变成了飞控的“官方”位姿。这个结果随后被MAVROS读取，并发布到 /mavros/local_position/odom 等话题上，供ROS系统的其他部分使用。
  1. fastlio 的 /cloud_registered 话题

这个话题是实时发布，不缓存的。

让我们详细解释一下：

  • 实时发布 (Real-time Publishing): fastlio 在处理完每一帧（或一个小的集合）的LiDAR数据后，就会立即发布一次 /cloud_registered 话题。这个话题的内容是当前帧的点云，经过运动畸变校正，并且被配准（变换）到**世界坐标系（world frame）**下的结果。
  • 不缓存 (Not Cached): 这个话题本身并不会累积之前的点云。每一次发布的消息都是一个独立的 sensor_msgs/PointCloud2，只包含最新处理过的那一帧点云数据。如果你用 rostopic echo 去查看这个话题，你会看到消息流持续不断地输出，但每一条消息的大小基本是固定的（取决于LiDAR的扫描线数和点数），并不会随着时间的推移而变大。

那为什么在 RViz 里看起来是“一直在增长的”呢？

这是因为可视化工具（如 RViz）的特性。当你把 /cloud_registered 话题在 RViz 中显示时，通常会进行如下设置：

  1. Fixed Frame (固定坐标系): 你会将 RViz 的全局固定坐标系设置为 world 或者 map。
  2. Decay Time (衰减时间): 在 PointCloud2 的显示设置里，有一个 “Decay Time” 参数。如果你把它设置为 0 或者一个很大的值，RViz 就会把接收到的每一帧点云都保留在画面上，不会清除旧的。

节点分析

1. /offset_odom_pub

简单来说，/offset_odom_pub 节点的作用是校正里程计 (odometry) 的初始位置，并将校正后的结果发布到 /odom2 话题上。

/offset_odom_pub 节点的作用

这个节点通常是一个辅助性的工具，它的核心功能是给一个已经存在的里程计数据流添加一个固定的偏移量（offset）。

工作流程通常是这样的：

  1. 订阅原始里程计： 这个节点会订阅一个原始的里程计话题，比如来自 VIO (视觉惯性里程计) 或 LIO (激光雷达惯性里程计) 算法输出的话题（例如 /vins_fusion/odometry 或 /fast_lio/odometry）。
  2. 计算偏移量： 当它收到第一帧里程计数据时，它会记下这个初始的位姿（Position 和 Orientation）。这个初始位姿就是原始算法的“世界坐标系”原点。
  3. 应用偏移： 对于后续接收到的每一帧里程计数据，它都会应用一个变换，这个变换的作用是把第一帧的初始位姿“挪”回到真正的世界原点 (0, 0, 0)。
  4. 发布新里程计： 最后，它会将这个经过“原点重置”的、新的里程计数据发布出去。

你可以把它想象成一个“归零校准器”。无论你的无人机或机器人在哪里启动SLAM算法，这个节点都能确保最终输出的轨迹图的起点始终在 (0, 0, 0) 位置。

/odom2 话题

这个话题就是 /offset_odom_pub 节点发布校正后里程计数据的地方。

它的名字 /odom2 只是一个约定俗成的名称，意思是“第二个”或者“处理过的”里程计数据。它与原始的 /odom 话题相比，具有相同的消息类型 (nav_msgs/Odometry)，但其数据经过了原点对齐。

2. /drone2_ego_planner_node

/drone2_ego_planner_node 是 EGO-Planner 框架中，负责无人机2号（drone2）*进行*自主路径规划的ROS节点。

简单来说，它就是无人机2号在未知复杂环境中，能实时、快速、安全地规划自己飞行轨迹的“动态导航大脑”。

主要功能

这个节点的核心是实现一个高效的运动规划器，其特点可以概括为 “EGO”，即 Exploration Guided Optimization (探索引导的优化)。

  1. 🚀 轨迹生成与优化 (Trajectory Generation & Optimization):
    • 该节点不只是简单地找一条能走的路，而是生成一条平滑且动态可行的飞行轨迹。
    • 它会综合考虑无人机的速度、加速度等限制，确保生成的轨迹是无人机在物理上能够执行的。
    • 优化目标通常是找到时间最短、最平滑、最安全的路径。
  2. 🌲 实时避障 (Real-time Obstacle Avoidance):
    • 它会接收来自传感器（如深度相机、激光雷达）的环境感知数据，构建一个局部地图。
    • 当规划路径时，它能主动避开地图中的障碍物，保证飞行安全。
  3. 🐝 支持无人机集群 (Swarm Support):
    • EGO-Planner 框架是为无人机集群设计的。/drone2_ego_planner_node 中的 drone2 这个命名空间（namespace）明确表示，它是在一个多无人机系统中，专门服务于2号无人机的规划节点。
    • 在集群中，它不仅要躲避静态障碍物，还要通过节点间的通信，与其他无人机（如 /drone1_ego_planner_node）协同，避免相互碰撞。这是一个去中心化的系统，意味着每架无人机都独立运行自己的规划器，然后相互协调。
  4. 异步与去中心化 (Asynchronous & Decentralized):
    • 每架无人机的规划节点都是独立工作的，不需要一个中央服务器来统一指挥。这大大提高了系统的鲁棒性，即使一架无人机出现故障，也不会影响其他无人机的正常运行。
工作流程简述
  1. 接收目标点: 节点从外部（如地面站或更高层的任务规划器）接收一个目标点。
  2. 感知环境: 节点订阅来自 /drone2 的传感器数据（如点云或深度图），了解周围环境。
  3. 全局路径搜索: 使用A*等算法快速搜索一条到达目标点的粗略路径。
  4. 轨迹优化: 将粗略路径作为输入，通过优化算法（如 MINCO）生成一条光滑、安全的轨迹。
  5. 发布指令: 将最终生成的轨迹点作为指令，发布给无人机的底层控制器去执行。

3. ego swarm

1. 核心规划模块

这是整个流程的大脑。

  • /drone2_ego_planner_node:
    • 角色: 这是 EGO-Planner 的核心规划节点，专门负责 drone2。它接收目标点和传感器数据（图中未画出，但必然存在），然后实时计算出一条从当前位置到目标点的、光滑且无碰撞的飞行轨迹。
    • 输入:
      • 它会订阅一个里程计话题（从左侧未完全显示的 /offset_odom_pub 节点传来），用于了解自身的实时位置。
      • 它订阅 /broadcast_bspline 话题，这是用于无人机集群协同避障的。它通过这个话题接收来自其他无人机的规划轨迹，从而在规划自己路径时能主动避开队友。
    • 输出:
      • /drone2_planning/bspline: 这是最重要的输出。它将计算出的最优轨迹以 B样条曲线 (B-spline) 的形式发布到这个话题上。B样条是一种数学表示，可以紧凑地描述一条平滑的曲线。
      • /drone2_ego_planner_node/... (框内的话题): 这些是用于可视化和调试的话题。在RViz等工具中订阅它们，就可以实时看到：
        • /grid_map 和 /grid_map/occupancy: 规划器内部用于避障的局部栅格地图。
        • /optimal_list: 规划出的最优路径点。
2. 轨迹执行模块

这部分负责将规划好的“蓝图”变成实际的飞行动作。

  • /drone2_traj_server:
    • 角色: 这是一个轨迹服务器 (Trajectory Server) 或轨迹跟随者。它的任务是接收来自规划器的完整轨迹（那条B样条曲线）。
    • 工作方式: 它不会一次性把整个轨迹都发给飞控。而是根据当前时间，从B样条曲线上高频采样出一个个具体的目标点（包含位置、速度、加速度等信息）。
  • /position_cmd:
    • 角色: 这是最终的控制指令话题。
    • 数据流: /drone2_traj_server 将实时采样出的指令点发布到这个话题。无人机的底层飞控（例如通过 MAVROS）会订阅这个话题，并精确地控制电机，让无人机严格按照这些指令点飞行。
3. 通信与监控模块

这部分负责与地面站（GCS）通信，并可能融合其他数据。

  • /gcs_bridge_node:
    • 角色: 一个桥接节点，用于在无人机上的 ROS 系统和地面控制站 (Ground Control Station) 之间建立通信。
    • 工作方式:
      • 它订阅 /drone2_ego_planner_node 的规划结果和 /odom_new（可能是最新的里程计信息）。
      • 然后将这些信息打包，通过网络（如UDP或MAVLink）发送给地面站的软件，这样操作员就能在电脑上实时看到无人机的飞行轨迹、规划路径和当前位置。
  • /odom_new:
    • 角色: 一个里程计话题。从图中看，它被 /gcs_bridge_node 订阅。这很可能是无人机最新的、或者经过融合处理后的位姿估计，用于发送给地面站进行监控。
总结流程
  1. 规划: /drone2_ego_planner_node 根据自身位置和集群信息，规划出一条 B 样条轨迹。
  2. 发布: 规划结果发布到 /drone2_planning/bspline。
  3. 解析: /drone2_traj_server 订阅这条轨迹。
  4. 执行: /drone2_traj_server 将轨迹解析成密集的控制指令点，发布到 /position_cmd，驱动无人机飞行。
  5. 监控: 同时，/gcs_bridge_node 将规划和定位信息发送给地面站，供用户监控。