ROS系统中常用的数据传输方式——参数
什么是参数：
类似C++编程中的全局变量，可以便于在多个程序中共享某些数据，参数是ROS机器人系统中的全局字典，可以运行多个节点中共享数据。
什么叫字典：
就像真实的字典一样，由名称和意义一一对应，也叫做键和值，合成键值。
参数的可动态监控特性：
比如某一个节点共享了一个参数，其他节点都可以访问。
如果某一个节点对参数进行了修改，其他节点也有办法立刻知道，从而获取最新的数值。
通信模式：
在NodeA相机驱动节点中,就需要考虑很多问题,相机连接到哪个usb端口,使用的图像分辨率
是多少,曝光度和编码格式分别是什么。
这些都可以通过参数设置,我们可以通过配置文件或者程序进行设置。
NodeB节点中也是一样,图像识别使用的阈值是多少,整个图像面积很大,那个部分是我们关注
的核心区域,识别过程是否需要美颜等等。
参数的一些常用的命令：
$ ros2 param list # 查看系统当前的所有参数
$ ros2 param describe turtlesim background_b # 查看 turtlesim节点中的background_b参数的值
$ ros2 param get turtlesim background_b # 查询turtlesim节点中的参数turtlesim background_b的值
$ ros2 param set turtlesim background_b 10 # 修改turtlesim节点中的参数turtlesim background_b为10
可以在param命令后边跟dump子命令，将某个节点的参数都保存到文件中，或者通过load命令一次性加载某个参数文件中的所有内容：
$ ros2 param dump turtlesim >> turtlesim.yaml # 将turtlesim所有节点的参数保存到参数文件turtlesim.yaml中
$ ros2 param load turtlesim turtlesim.yaml # 将参数文件 turtlesim.yaml中的配置值批量加载到正在运行的 turtlesim节点中，从而动态地改变节点的行为（例如小乌龟仿真器的背景颜色）。
如何实现命令行在线调节参数（摄像头识别红色物体）：
在机器视觉识别任务中，物体识别对光线比较敏感，不同的环境大家使用的阈值也是不同的。每次在代码中修改阈值还挺麻烦，不如我们就把阈值提炼成参数，运行过程中就可以动态设置，不是大大提高了程序的易用性么？
import rclpy # ROS2 Python接口库
from rclpy.node import Node # ROS2 节点类
from sensor_msgs.msg import Image # 图像消息类型
from cv_bridge import CvBridge # ROS与OpenCV图像转换类
import cv2 # Opencv图像处理库
import numpy as np # Python数值计算库lower_red = np.array([0, 90, 128]) # 红色的HSV阈值下限
upper_red = np.array([180, 255, 255]) # 红色的HSV阈值上限"""
创建一个订阅者节点
"""
class ImageSubscriber(Node):def __init__(self, name):super().__init__(name) # ROS2节点父类初始化 self.sub = self.create_subscription(Image, # 创建订阅者对象（消息类型、话题名、订阅者回调函数、队列长度） 'image_raw', self.listener_callback, 10) self.cv_bridge = CvBridge() # 创建一个图像转换对象，用于OpenCV图像与ROS的图像消息的互相转换self.declare_parameter('red_h_upper', 0) # 创建一个参数，表示阈值上限self.declare_parameter('red_h_lower', 0) # 创建一个参数，表示阈值下限def object_detect(self, image):upper_red[0] = self.get_parameter('red_h_upper').get_parameter_value().integer_value # 读取阈值上限的参数值lower_red[0] = self.get_parameter('red_h_lower').get_parameter_value().integer_value # 读取阈值下限的参数值self.get_logger().info('Get Red H Upper: %d, Lower: %d' % (upper_red[0], lower_red[0])) # 通过日志打印读取到的参数值hsv_img = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 图像从BGR颜色模型转换为HSV模型mask_red = cv2.inRange(hsv_img, lower_red, upper_red) # 图像二值化contours, hierarchy = cv2.findContours(mask_red, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE) # 图像中轮廓检测for cnt in contours: # 去除一些轮廓面积太小的噪声if cnt.shape[0] < 150:continue(x, y, w, h) = cv2.boundingRect(cnt) # 得到苹果所在轮廓的左上角xy像素坐标及轮廓范围的宽和高cv2.drawContours(image, [cnt], -1, (0, 255, 0), 2) # 将苹果的轮廓勾勒出来cv2.circle(image, (int(x+w/2), int(y+h/2)), 5, (0, 255, 0), -1) # 将苹果的图像中心点画出来cv2.imshow("object", image) # 使用OpenCV显示处理后的图像效果cv2.waitKey(50)def listener_callback(self, data):self.get_logger().info('Receiving video frame') # 输出日志信息，提示已进入回调函数image = self.cv_bridge.imgmsg_to_cv2(data, "bgr8") # 将ROS的图像消息转化成OpenCV图像self.object_detect(image) # 苹果检测def main(args=None): # ROS2节点主入口main函数rclpy.init(args=args) # ROS2 Python接口初始化node = ImageSubscriber("param_object_detect") # 创建ROS2节点对象并进行初始化rclpy.spin(node) # 循环等待ROS2退出node.destroy_node() # 销毁节点对象rclpy.shutdown() # 关闭ROS2 Python接口
你可能会好奇，命令行的一条指令是如何最终影响节点内部变量的。这个过程依赖于ROS2的服务通信机制：
服务调用：当执行
ros2 param set /param_object_detect red_h_upper 10时，命令行工具会作为一个客户端，向节点param_object_detect发起一个服务调用，请求是设置指定参数的新值。参数更新：节点内部有一个参数服务端（由ROS2底层自动创建），它接收这个请求，并更新内存中
red_h_upper参数的值。值被读取：当下一个图像帧到达，触发
listener_callback并执行到object_detect方法时，self.get_parameter('red_h_upper')语句会重新读取此时参数服务器中该参数的值。因此，读取到的是刚刚设置的新值。立即生效：新阈值被赋值给
upper_red[0]，随后在cv2.inRange(hsv_img, lower_red, upper_red)函数中用于二值化处理，从而立即影响红色的识别范围。
