一、内容总览

本使用手册围绕基于 ROS（机器人操作系统）的农业机器人底盘，系统性地介绍了其在农业场景下的核心功能与操作方法。整套系统适配 Jetson 系列开发板，支持移动控制、环境感知及特定农用任务（如智能灌溉与授粉）。全手册共涵盖 13 个关键功能模块，以 ROS 的话题通信机制为核心架构，通过 Launch 文件实现多节点一键启动，并结合参数配置文件灵活调整运行逻辑，构建出“感知—决策—执行”的闭环作业流程。

主要功能模块包括：

• 基础配置：提供 SSH、VNC 和热点网络等远程连接方式，为后续所有操作奠定基础；
• 运动控制：支持键盘手动操控、车道线自动循迹以及 YOLO 目标识别联动控制，覆盖从“人工干预”到“全自动运行”的多种模式；
• 环境感知能力：集成雷达测距与摄像头图像采集功能，支持 WEB 实时预览，为自主导航和避障提供数据支撑；
• 硬件扩展应用：包含 5 自由度机械臂控制（支持预设与自定义动作），并演示了智能灌溉与智能授粉两大典型农业应用场景；
• 辅助运维工具：配备风扇启停控制（保障设备散热）和资源监视器（实时查看 CPU/GPU 使用情况）等功能。

/cmd_vel

二、核心指令与代码解析（通俗版）

以下内容按功能模块拆解关键技术点，采用“作用说明 + 操作步骤 + 原理简析”的结构进行讲解，即使无编程基础也可理解。

（一）环境准备与远程连接

关键连接信息（务必牢记）

用途	信息
SSH 登录	用户名：epaicar，密码：ncut1234
网络连接	热点名称：Talos_AiCAR，密码：ncut1234，主机 IP 地址：192.168.20.100
VNC 连接	密码：ncut1234（用于远程桌面访问）

作用说明：通过电脑或手机连接机器人主控设备，实现远程操控，无需外接显示器即可完成全部设置与调试工作。

（二）底盘运动控制（核心功能）

1. 键盘手动控制（初学者必备）

操作指令（需开启两个终端窗口分别执行）

bash
roslaunch talos_car_bringup car_control.launch

# 终端1：启动底盘底层驱动（ROS与硬件通信的桥梁）
roslaunch eprobot_start AIcar_joy.launch

# 终端2：启动键盘控制节点
rosrun teleop_twist_keyboard teleop_twist_keyboard.py

rosrun key_teleop key_teleop.py

roslaunch

第一步指令解析：

roslaunch 是 ROS 提供的一键启动工具，car_control.launch 文件会自动加载两个关键组件：

• ROS 与底盘控制器之间的串口通信节点（源码位于：serial_node.cpp）；
• 监听 /cmd_vel 话题的驱动程序——该话题作为机器人运动指令的“信号通道”，将高层指令转化为底层硬件可识别的串行数据。

AIcar_joy.launch

~/talos_ws/src/eprobot_start/script/ai_racecar.py

/cmd_vel

第二步指令解析：

启动键盘控制脚本后，用户可通过方向键（↑前进、←左转等）发送操作命令，程序会将这些输入转换为标准速度指令，并发布至 /cmd_vel 话题，最终由底盘驱动模块接收并执行相应动作。

/cmd_vel

进阶操作：直接通过指令控制运动

不依赖键盘，可使用如下命令手动发布运动指令：

bash
rostopic pub /cmd_vel geometry_msgs/Twist "linear:
  x: 0.2
  y: 0.0
  z: 0.0
angular:
  x: 0.0
  y: 0.0
  z: 0.5"

rostopic pub /cmd_vel geometry_msgs/Twist "linear:
 x: 0.4  # 直行速度（正数前进，负数后退，范围0-1，越大越快）
 y: 0.0  # 横向速度（农业机器人一般不用，固定0）
 z: 0.0  # 垂直速度（忽略，底盘不会上下动）
angular:
 x: 0.0  # 横滚角（忽略）
 y: 0.0  # 俯仰角（忽略）
 z: 2.0" # 转弯速度（正数左转，负数右转，范围0-3，越大转得越急）

原理说明：

rostopic pub 是 ROS 中用于向指定话题手动发送消息的命令；

geometry_msgs/Twist 是标准的速度数据格式模板；

只需修改其中 linear.x（控制前进/后退速度）和 angular.z（控制转向角速度）的数值，即可实现对机器人的直接控制。

rostopic pub

geometry_msgs/Twist

linear.x

angular.z

2. 车道线自动循迹功能

操作流程（两步执行）

bash
python lane_detection.py

# 第一步：启动车道线识别（输出偏移量）
roslaunch velpub detect_line.launch

# 第二步：启动自动循迹控制（根据偏移量调整方向）
roslaunch velpub AIcar_move.launch

roslaunch talos_car_navigation follow_line.launch

detect_line.py

第一步：车道线识别逻辑

python
# lane_detection.py 核心代码片段
import cv2
# 读取摄像头图像
frame = cap.read()
# 图像处理+模型推理
offset = detect_offset(frame)
# 将偏移量写入共享文件
with open("/tmp/line_offset.txt", "w") as f:
    f.write(str(offset))

# 源码路径：~/talos_ws/src/velpub/scripts/detect_line.py
cv2.imwrite("result/start.jpg",frame)  # 可选：保存摄像头原图（调试用）
# 核心功能：用UNet神经网络识别图像中的车道线
# 计算小车中心与车道线中心的偏移量（比如偏移+5代表偏右，-3代表偏左）
offset = calculate_offset(frame)  # 自定义函数：计算偏移量
print("偏移量：", offset)  # 终端实时打印
# 保存偏移量和识别结果（给循迹程序用）
with open("result/note.txt", "w") as f:
    f.write(str(offset))
cv2.imwrite("result/mask.jpg", mask)  # 保存车道线识别后的图像（看识别效果）

功能说明：程序利用摄像头获取实时画面，通过图像算法或轻量级 AI 模型识别当前车辆相对于车道线的位置偏差，并将该偏移值写入临时文件中供其他模块调用。

调试建议：若发现识别不准，可取消注释日志输出语句，检查摄像头安装角度是否正对车道线区域。

cv2.imwrite("result/start.jpg",frame)

第二步：自动循迹控制逻辑（基于配置文件）

该过程依赖 follow_line.launch 启动文件及其关联的参数配置文件，无需编写额外代码，仅需调整参数即可。

AIcar_move.launch

核心参数配置示例：

<launch>
  <param name="kp" value="0.8" />
  <param name="ki" value="0.0" />
  <param name="kd" value="0.2" />
  <param name="max_angular" value="1.0" />
</launch>

<param name="linear_x" value="0.3" />  <!-- 直行速度（建议0.3，太快容易冲出车道） -->
<param name="steer_coeff" value="0.5" />  <!-- 转向系数（越大，对偏移的反应越灵敏） -->
<param name="max_angular_z" value="1.5" />  <!-- 最大转弯速度（防止急转弯） -->

工作原理：控制系统周期性读取 /tmp/line_offset.txt 中的偏移值。例如，当检测到偏移为 +5（表示车身偏右），则自动发布一个左转指令（负角速度）；若偏移为 -3（偏左），则发布右转指令进行纠正，从而实现持续居中行驶。

note.txt

angular.z=-1.0

angular.z=0.8

（三）环境感知系统（雷达 + 摄像头）

1. 雷达测距测试

启动指令

bash
python lidar_test.py

# 启动雷达驱动（激光雷达LD06）
roslaunch ldlidar_stl_ros ld06.launch

# 打开RViz可视化雷达点云（看周围障碍物）
rviz

# 运行Python脚本，打印两侧距离
python get_scan_data.py  # 路径：~/talos_ws/src/agrc_base_arm/script

代码逻辑解析（lidar_test.py 主要内容）

python
def lidar_callback(data):
    # 获取左侧（90°）和右侧（270°）的距离
    left_dist = data.ranges[90]
    right_dist = data.ranges[270]
    print(f"Left: {left_dist:.2f}m, Right: {right_dist:.2f}m")

# 订阅 /scan 话题
rospy.Subscriber("/scan", LaserScan, lidar_callback)

get_scan_data.py

import rospy
from sensor_msgs.msg import LaserScan

def scan_callback(data):
    # data.ranges是雷达所有方向的距离数据（列表，长度360，对应0-360度）
    left_distance = data.ranges[90]  # 90度方向（小车左侧）的距离
    right_distance = data.ranges[270]  # 270度方向（小车右侧）的距离
    print("左侧距离：{:.2f}m，右侧距离：{:.2f}m".format(left_distance, right_distance))

if __name__ == "__main__":
    rospy.init_node("scan_data_node")  # 初始化ROS节点
    rospy.Subscriber("/scan", LaserScan, scan_callback)  # 订阅雷达话题"/scan"
    rospy.spin()  # 持续运行，等待雷达数据

功能说明：雷达持续扫描周围环境，通过 /scan 话题广播各方向距离数据。本脚本订阅该话题，提取正左方与正右方的测距结果，输出至终端，可用于避障判断或精确定位停靠。

/scan

2. 摄像头图像 WEB 预览

启动步骤（需两步）

bash
roslaunch usb_cam usb_cam.launch
rosrun web_video_server web_video_server

# 第一步：启动摄像头驱动
roslaunch usb_cam usb_cam-test.launch

# 第二步：启动WEB服务器
rosrun web_video_server web_video_server

访问方式：

• 在机器人主机浏览器中打开：http://localhost:8080
• 手机或电脑连接同一热点后访问：http://192.168.20.100:8080

http://localhost:8080/

http://192.168.20.100:8080/

更换外接摄像头（适用于原装摄像头异常情况）

查找设备编号：

bash
ls /dev/video*

ll /dev/video*  # 插入USB摄像头前后各执行一次，新增的就是（比如/dev/video1）

修改配置文件路径：

/opt/ros/kinetic/share/usb_cam/launch/usb_cam.launch

~/talos_ws/src/usb_cam/launch/usb_cam-test.launch

修改内容：找到以下行，将默认的 video0 更改为实际设备号（如 video2）：

<param name="video_device" value="/dev/video0" />

video0

video1

修改后保存并重启摄像头节点即可生效。

<param name="device" value="/dev/video1" />  <!-- 摄像头设备号 -->

（四）YOLO 目标检测功能（识别作物与障碍物）

启动指令：

bash
roslaunch yolo_ros yolo_detect.launch

# 进入YOLO部署目录
cd /opt/nvidia/deepstream/deepstream-6.0/sources/DeepStream-Yolo

# 启动YOLO识别（基于DeepStream加速，适合Jetson硬件）
deepstream-app -c deepstream_app_config.txt

关键配置项修改：

1. 开启图像显示窗口：

编辑配置文件中的 show_image 参数：

config.ini
[display]
show_image = True

deepstream_app_config.txt

[sink0]
enable=1  # 1=显示图像，0=不显示
type=2    # 2=窗口显示

[osd]
enable=1  # 1=显示识别框和标签，0=不显示

2. 切换摄像头输入源：

若使用非默认摄像头，需修改以下部分：

config.ini
[camera]
device_id = 2

[source0]

camera-v4l2-dev-node=1  # 改成你的摄像头设备号（比如1对应/dev/video1）

3. 检测结果存储机制：

系统会自动将识别到的目标类别（如“花”、“草”、“障碍物”）记录到指定文本文件中，便于后期分析或触发联动动作。

检测结果保存路径：
/home/epaicar/yolo_results/detections.log

yolosign.txt

/opt/nvidia/deepstream/deepstream-6.0/sources/DeepStream-Yolo/nvdsinfer_custom_impl_Yolo/yolosign.txt

联动控制（基于识别结果驱动小车行为）

运行相关指令以实现控制逻辑。

# 启动联动控制节点
roslaunch velpub get_yolo_rst.launch

核心控制机制：

通过整合 YOLO 目标识别输出与车道线循迹模块，构建智能响应系统。当检测到障碍物时自动停车，识别到指定目标则靠近执行任务。

velpub.py

代码实现如下：

python
运行

# 订阅车道线循迹的速度指令（/cmd_vel_1）
rospy.Subscriber("/cmd_vel_1", Twist, cmd_vel_callback)
# 读取YOLO识别结果（yolosign.txt）
with open("yolosign.txt", "r") as f:
    target = f.read().strip()  # 比如读到"flower"（花）或"obstacle"（障碍物）
# 根据目标调整运动指令
if target == "obstacle":
    # 遇到障碍物，停止前进
    cmd_vel.linear.x = 0.0
    cmd_vel.angular.z = 0.0
elif target == "flower":
    # 识别到花，减速并转向靠近
    cmd_vel.linear.x = 0.2
    cmd_vel.angular.z = -0.8  # 右转靠近
# 发布最终的运动指令（/cmd_vel）
pub.publish(cmd_vel)

机械臂控制（农业作业的核心执行装置）

必要准备事项（必须完成！）

• 开机前对位：确保机械臂大臂的“对准位”与云台“对准位”贴合，防止舵机复位时卡死；
• 检查串口连接：接入机械臂 USB 后，执行以下命令确认设备识别情况；

ll /dev/ttyUSB*

默认串口号通常为：

/dev/ttyUSB2

• 设置串口权限：避免通信失败，需修改设备访问权限。

bash
运行

sudo chmod 777 /dev/ttyUSB2  # 给串口读写权限

主要控制方式（三种，由简至繁）

1. 发布预设动作话题（最常用方法）

bash
运行

# 启动机械臂驱动（自动回到初始位置）
roslaunch agrc_base_arm agrc_base_arm.launch

动作编号对照表（仅需更改 data 字段数值）：

功能	data 值
初始位姿（待机状态）	1
动作组 1（如“伸展手臂”）	2
动作组 2（如“抓取动作”）	3
获取各关节角度和扭矩信息	20
关闭关节锁死（允许手动调节）	99
打开关节锁死（固定当前姿态）	100

# 发布指令：让机械臂执行“初始位姿”（data=1）
rostopic pub /arm_cmd std_msgs/Int32 "data: 1"

data

2. 键盘手动操控模式

按键	功能说明
y	打印当前各轴角度及扭矩数据
r	解除关节锁定，可手动调整位置
t	启用关节锁定，保持当前位置不变

3. 自定义新动作组（添加个性化操作）

1. 按下快捷键或执行命令：

   r

   —— 解除关节锁死，手动将机械臂摆放到目标姿态（例如“授粉姿势”）；
2. 执行：

   t

   —— 重新锁定关节，固定当前位置；
3. 运行：

   y

   —— 终端输出五个关节的实际角度值，示例如下：

   P1=180, P2=90...

4. 编辑参数配置文件：

   ~/talos_ws/src/agrc_base_arm/config/base_arm.yaml

yaml
action_groups:
  17:  # 新动作组编号（16之后的数字）
    - P1: 180  # 关节1位置（刚才打印的数值）
      P2: 90   # 关节2位置
      P3: 60   # 关节3位置
      P4: 120  # 关节4位置
      P5: 180  # 关节5位置（夹爪）
      speed: 200  # 运动速度

保存修改后，重启机械臂驱动节点，并发布对应动作指令即可调用新增动作。

data=17

智能灌溉演示（农业场景实战应用）

整体流程：硬件安装 + 软件启动

1. 硬件连接关键点

• 水泵接线：进水口连接带过滤头的软管（放入水瓶），出水口连接喷嘴并固定于机械臂夹爪上；
• 电源管理：使用独立 12V 锂电池为水泵供电，防止短路影响主控；水泵控制器 USB 接入底盘 USB-HUB；
• 识别水泵串口：执行命令查看设备列表，

  ll /dev/ttyUSB*

  水泵控制器一般对应最后插入的设备，通常是：

  /dev/ttyUSB3

2. 核心启动指令（按顺序开启四个终端）

bash
运行

# 终端1：启动底盘驱动
roslaunch eprobot_start AIcar_joy.launch

# 终端2：启动机械臂驱动
roslaunch agrc_base_arm agrc_base_arm.launch

# 终端3：启动雷达（精准停靠用）
roslaunch ldlidar_stl_ros ld06.launch

# 终端4：启动灌溉Demo
roslaunch agrc_base_arm compitation_irrigate_demo.launch

3. 参数配置说明（无需修改代码）

通过调整配置文件即可优化运行效果：

yaml
linear_x: 0.3  # 小车直行速度（慢一点，精准停靠）
anglular_z: 1.0  # 转向速度
pump_serial: /dev/ttyUSB3  # 水泵串口（必须和实际一致）
pump_on_time: 2.0  # 单次灌溉时间（2秒，根据需要调整）
pump_off_time: 1.0  # 灌溉后关闭延时（1秒）
# 行进时间配置：[前进时间（秒），停留时间（秒）]
go_along_time:
  - [2.5, 5.0]  # 方案1：前进2.5秒，停留5秒（给灌溉留时间）
  - [3.0, 4.5]  # 方案2：前进3秒，停留4.5秒
# A区任务：10次行进+停留，每次用go_along_time中的第n个方案
task_A_go_along: [0,0,1,1,0,0,1,1,0,0]  # 0=方案1，1=方案2

compitation_irrigate_demo.yaml

4. 主要程序逻辑结构

软件实现流程如下：

python
运行

# 读取参数文件
config = rospy.get_param("/compitation_irrigate_demo")
linear_x = config["linear_x"]
pump_on_time = config["pump_on_time"]

# 雷达数据回调（精准停靠）
def scan_callback(data):
    left_dist = data.ranges[90]
    right_dist = data.ranges[270]
    print("两侧距离：", left_dist, right_dist)
    # 若检测到花盆（距离小于0.5米），停止前进
    if left_dist < 0.5 and right_dist < 0.5:
        stop_car()  # 停止小车

# 灌溉动作
def irrigate():
    # 控制机械臂转到灌溉姿势（发布动作组指令）
    rospy.Publisher("/arm_cmd", Int32, queue_size=10).publish(5)  # 动作组5=灌溉姿势
    # 打开水泵
    pump_serial.write(b"ON")  # 向水泵控制器发“开”指令
    rospy.sleep(pump_on_time)  # 保持开启pump_on_time秒
    # 关闭水泵
    pump_serial.write(b"OFF")
    rospy.sleep(config["pump_off_time"])

# 主流程
def main():
    for i in range(len(task_A_go_along)):
        # 按方案前进
        go_time, wait_time = go_along_time[task_A_go_along[i]]
        move_car(linear_x, 0.0, go_time)  # 直行go_time秒
        rospy.sleep(wait_time)  # 停留
        irrigate()  # 执行灌溉
    # A区完成后，去B区...

compitation_irrigate_demo.py

功能描述：小车按照预设路径在 A 区与 B 区之间移动，利用雷达探测花盆位置，到达后停止，机械臂调整姿态，启动水泵进行灌溉，完成后继续行进。

智能授粉演示（类比灌溉，简化版本）

主要区别点

• 硬件方面：不使用水泵，改用水笔固定于机械臂夹爪，模拟授粉动作；
• 软件方面：采用不同的动作组（“授粉动作”而非“灌溉动作”），且在参数文件中可缩短停留时间（因授粉速度快于灌溉）。

关键切换指令（更换运行 Demo）

bash
运行

# 终端4：启动授粉Demo（其他3步和灌溉一样）
roslaunch agrc_base_arm compitation_pollination_demo.launch

辅助工具（保障系统稳定运行）

1. 风扇启停控制（Jetson 散热必需）

Jetson 开发板在运行 AI 模型期间会产生高温，建议手动开启散热风扇：

bash
运行

# 1. 创建并编辑启动文件
sudo touch /etc/rc.local
sudo gedit /etc/rc.local

# 2. 在文件中输入以下内容（复制粘贴即可）
#!/bin/bash  # 必须有，告诉系统这是bash脚本
sleep 10  # 开机10秒后执行（等系统启动完成）
sudo /usr/bin/jetson_clocks  # 开启Jetson性能模式
sudo sh -c 'echo 200 > /sys/devices/pwm-fan/target_pwm'  # 风扇转速（200是中等转速，范围0-255）

# 3. 给文件加执行权限
sudo chmod 755 /etc/rc.local

作用：实现开机自动启动风扇，有效预防因温度过高导致系统崩溃或机器人死机。

2. 系统资源监视器（实时监控硬件状态）

bash
运行

jtop  # 直接在终端输入

功能说明：动态显示 CPU、GPU 使用率、内存占用、风扇转速及温度等关键指标。

• 若 GPU 占用达 100%，表示 YOLO 或车道线识别模型正在正常运行；
• 若温度超过 85℃，建议提高风扇转速（将原值 200 修改为 255）以增强散热。

三、核心总结

• ROS 核心架构：所有模块间通过“话题”进行通信（例如：

  /cmd_vel

  控制移动，

  /scan

  传输雷达数据）；Launch 文件用于一键启动多个节点；参数文件支持灵活配置而无需改动代码；
• 操作优先级顺序：先建立网络连接 → 启动底层驱动（底盘与机械臂）→ 加载感知模块（雷达与摄像头）→ 运行上层控制逻辑（循迹、YOLO、作业演示）；
• 常见调试策略：遇到异常首先查看终端报错信息 → 检查物理连接（串口线、电源线）→ 核对参数文件中的串口号和速度设定 → 查看识别结果图像（如 mask.jpg）或终端打印的测距数据。

遵循本手册步骤，即可完成农业机器人自主导航、环境感知与典型农务操作。如需扩展功能（如增加作物识别类别、定制机械臂动作序列），可在现有框架基础上调整参数或追加控制逻辑。