D435i + ROS2

针对 Ubuntu 24.04 的全新高精度 SLAM 教程

jetson部署：
https://blog.csdn.net/weixin_53776054/article/details/128552701

方案概述:

硬件: Intel RealSense D435i
操作系统: Ubuntu 24.04 LTS
中间件: ROS 2 Jazzy Jalisco
核心算法: ORB-SLAM3 (通过社区支持的 ROS 2 封装)
可视化工具: RViz2

第一步：基础环境搭建 (ROS 2 版本)
1.1 安装 ROS 2 Jazzy Jalisco

在 Ubuntu 24.04 上，安装 ROS 2 非常直接。

调用鱼香一键脚本，安装jazzy

wget http://fishros.com/install -O fishros && . fishros

1.2 安装 Intel RealSense SDK 2.0 (与之前相同)

这个步骤基本不变，Intel 的官方源截至目前（20250705），没有支持apt install。
需要手动编译：

sudo apt update
sudo apt install git libssl-dev libusb-1.0-0-dev pkg-config libgtk-3-dev libglfw3-dev libgl1-mesa-dev build-essential cmake

cd ~ # 回到主目录
git clone https://github.com/IntelRealSense/librealsense.git
cd librealsense
git checkout v2.56.3 #要切换到最新版本才能和jazzy对上
mkdir build && cd build

# 运行 CMake 进行配置。
# -DBUILD_EXAMPLES=true 会同时编译 realsense-viewer 等工具
# -DCMAKE_BUILD_TYPE=Release 是为了获得优化后的高性能版本
cmake ../ -DBUILD_EXAMPLES=true -DCMAKE_BUILD_TYPE=Release# 开始编译。-j 后面的数字是您CPU的核心数，可以加快编译速度。
# 如果不确定，可以用 `nproc` 命令查看核心数，例如 make -j$(nproc)
make -j4# 将编译好的库和工具安装到系统中
sudo make install

1.3 安装 RealSense ROS 2 Wrapper

这是第一个重大变化。我们需要安装 ROS 2 版本的封装。
bash

1. 创建一个 ROS 2 工作空间 (colcon workspace)

mkdir -p ~/ros2_ws/src
cd ~/ros2_ws/src/

2. 克隆 realsense-ros 源码

git clone https://github.com/IntelRealSense/realsense-ros.git

3. 切换到 ROS 2 分支

cd realsense-ros/
git checkout ros2-development # 这是关键！切换到 ROS 2 分支，但是这个分支对LibrealSense要求过高
cd ~/ros2_ws/

4. 安装依赖并编译

rosdep 在 ROS 2 中用法相同

sudo rosdep init #sudo -E rosdep init 如果需要代理，要加-E使代理生效
rosdep update
rosdep install -i --from-path src --rosdistro jazzy -y

使用 colcon 编译，而不是 catkin_make

colcon build --symlink-install

5. 让环境生效

echo “source ~/ros2_ws/install/setup.bash” >> ~/.bashrc
source ~/.bashrc

第二步：编译安装 ORB-SLAM3 (ROS 2 版本)

官方的 ORB-SLAM3 不直接支持 ROS 2。幸运的是，有优秀的社区开发者维护了 ROS 2 的封装。
2.1 安装依赖 (与之前类似)
bash

sudo apt-get update
sudo apt-get install -y build-essential cmake git libgoogle-glog-dev libatlas-base-dev libeigen3-dev

Pangolin 的安装方式不变

cd ~
git clone --recursive https://github.com/stevenlovegrove/Pangolin.git
cd Pangolin
./scripts/install_prerequisites.sh recommended
cmake -B build
cmake --build build
sudo cmake --build build --target install

2.2 编译 ORB-SLAM3 及其 ROS 2 封装

我们将使用一个广受好评的社区版本。
bash

最终正确的启动命令

请使用下面这条最完整、最明确的命令：
bash

ros2 launch realsense2_camera rs_launch.py enable_imu:=true enable_gyro:=true enable_accel:=true unite_imu_method:=2

如果还想看点云

如果您还想同时启用点云，那么最终的“全功能”命令是：
bash

ros2 launch realsense2_camera rs_launch.py pointcloud.enable:=true enable_imu:=true enable_gyro:=true enable_accel:=true unite_imu_method:=2

最终方案推荐：Cartographer + AprilTags/ArUco 标记

对于您的需求，Cartographer 是最佳的底层 SLAM 系统，但它需要一个额外的“全局定位层”来满足您的第三个需求。

下面是这个方案的完整架构和原因。
方案架构

这个解决方案分为三个核心组件：

车载 SLAM 系统 (Onboard SLAM System)：运行在移动机器人上，负责实时定位和建立/更新局部环境地图。
全局定位与配准系统 (Global Localization & Registration System)：利用天花板摄像头，将机器人的局部地图“锚定”到一个全局的、固定的世界坐标系中。
任务规划与执行系统 (Task Planning & Execution System)：在全局坐标系下进行任务编排和路径规划。

组件一：车载 SLAM 系统 - 为什么选择 Cartographer？

对于您的前两个需求，Cartographer 是最合适的选择。

需求 1：定位精度

Cartographer 的强项：Cartographer 的核心优势在于其极其鲁棒和精确的定位能力。它通过紧密耦合 IMU 数据和点云数据，并结合一个强大的后端位姿图优化器，能够提供非常平滑、精确且不易丢失的定位结果。对于需要精确执行任务的机器人来说，这种可靠性至关重要。

需求 2：适应动态变化

Cartographer 的处理方式：我们之前讨论过，Cartographer 通过其子图（Submap）机制来处理动态变化。它不会“擦除”旧数据，而是通过不断创建包含最新环境信息的新子图，在最终生成占用栅格地图时，用新的、更一致的数据在概率上“压倒”旧数据。
实际效果：这意味着当您移动家具并持续在区域内操作机器人时，Cartographer 生成的用于导航的 2D 成本地图（Costmap）会逐渐更新，反映出家具的新位置和旧位置的空闲状态。这正是您所需要的“地图刷新”功能，它保证了机器人可以适应环境的渐进式变化。

组件二：全局定位与配准系统 - 如何与天花板摄像头配合？

这是您需求中最关键也最具挑战性的一环。单独的 Cartographer 无法知道它自己建立的 map 坐标系与天花板摄像头的坐标系之间的关系。我们需要一个“共同语言”来连接它们。

最佳实践：使用基准标记 (Fiducial Markers)

最可靠、最精确、最容易实现的方法是使用 AprilTags 或 ArUco 标记。

操作流程：

物理部署：在室内场景中，选择几个位置，将 AprilTag 标记同时粘贴在机器人和天花板摄像头都能清晰看到的地方（例如，墙壁的中下部、固定的机器设备上）。天花板摄像头节点：运行一个 ROS 2 节点，让天花板摄像头持续检测视野内的所有 AprilTag。这个节点会发布每个 Tag 相对于天花板摄像头坐标系 (ceiling_cam_frame) 的位姿。机器人车载摄像头节点：您的 D435i 在移动过程中，也会看到这些 AprilTag。运行一个节点（例如 apriltag_ros），它会发布每个 Tag 相对于D435i 摄像头坐标系 (camera_color_frame) 的位姿。创建“全局配准节点 (Global Registrar Node)”：这是您需要自己编写的一个核心节点。它的逻辑非常清晰：订阅：同时订阅来自天花板摄像头和机器人摄像头的 AprilTag 检测结果。监听 TF：监听由 Cartographer 发布的从 map 到 camera_color_frame 的 TF 变换树。计算：当两个摄像头都看到同一个 ID 的 AprilTag 时，奇迹发生了。此时我们拥有了两条变换链：ceiling_cam_frame -> Tag_Nmap -> base_link -> camera_color_frame -> Tag_N通过这两条链，该节点就可以精确计算出从 ceiling_cam_frame 到 Cartographer 的 map frame 的变换关系 (tf_ceiling_to_map)。发布：这个节点的主要任务就是计算并持续发布 (broadcast) 这个 tf_ceiling_to_map 的 TF 变换。

最终效果：一旦这个配准节点运行起来，您的整个系统就有了一个统一的、全局的 TF 树。天花板摄像头坐标系成为了所有系统的“世界坐标系”。
组件三：任务规划与执行系统 - 如何实现？

有了统一的坐标系，任务编排就变得非常直观了。

用户界面 (UI)：您可以创建一个简单的 UI，显示天花板摄像头的实时视频流。
任务下发：当操作员在 UI 的视频流上点击一个点（例如，“去那个桌子旁边”），系统会记录下这个像素坐标 (u, v)。
坐标转换：利用天花板相机的内参，可以将这个像素坐标转换成在 ceiling_cam_frame 下的一个三维目标点。
目标发布：将这个在 ceiling_cam_frame 下的目标点，通过我们刚刚建立的 TF 树，转换到机器人导航系统（如 Nav2）所使用的 map 坐标系下。
路径规划与执行：将转换后的目标点作为导航目标发送给 Nav2。Nav2 会在 Cartographer 生成的（并已动态更新的）地图上规划路径，并控制机器人移动过去。

为什么不选 RTAB-Map 或 VINS-Fusion？

RTAB-Map：是一个强有力的备选方案。它在三维建模和传感器支持方面非常出色。但是，对于需要长期、高可靠性定位的机器人任务，Cartographer 的后端优化和鲁棒性通常被认为略胜一筹。RTAB-Map 的内存管理机制虽然也能处理动态物体，但其核心是为大规模建图设计的，而 Cartographer 的机制更侧重于为定位服务。
VINS-Fusion：完全不适合这个场景。它是一个视觉-惯性里程计 (Odometry) 系统，而非一个完整的建图与定位 (SLAM) 系统。它的目标是提供极致精确的自身运动轨迹，但它生成的地图（稀疏点云）无法直接用于导航和路径规划。

总结

您的需求是一个典型的“全局定位下的机器人自主导航”问题。最佳方案是：

使用 Cartographer 作为机器人的核心 SLAM 系统，因为它提供了无与伦比的定位精度和处理动态环境的鲁棒性。
部署 AprilTag/ArUco 标记作为物理“锚点”，这是连接不同坐标系最可靠的方式。
开发一个全局配准节点，利用共享的 AprilTag 来计算并发布从全局（天花板）坐标系到机器人地图坐标系的变换。
在全局坐标系下进行任务规划，将目标点转换到机器人坐标系后，交由标准的导航框架（如 Nav2）执行。

这个架构将各个组件的优势发挥到了极致，是目前工业界和学