个人github仓库，欢迎star:
https://github.com/huaianxizhilang/unitree_ros_dev_demo
b站demo视频：（csdn越来越废了，视频链接也给封禁了，后面不想用csdn了）
b站go2开发demo视频

b站go2 slam建图

1 基础环境配置

如下这里记得换成humble

在这里插入图片描述
编译cyclone dds（如果使用Humble，此步骤可跳过，这里我使用的是humble，所以跳过。但是按照B站教程还是得编译

先去bashrc将这个source注释掉，后面再打开
在这里插入图片描述

换成humble

在这里插入图片描述

设置网络配置，这个是我之前设置的本机地址，unitree的地址为192.168.123.161
在这里插入图片描述

登陆发现，此时的网口号
在这里插入图片描述
如下改成humble和自己的网口信息
在这里插入图片描述在这里插入图片描述

在bashrc里面添加这个source文件这样，不用每次source
在这里插入图片描述
上面都做好了之后，按照官方教程处理，无法处理，得不到toplic

将防火墙关闭了不行
在这里插入图片描述
在其他博客里面看到了这个，于是远程ssh到unitree go2上面，然后可以看到
在这里插入图片描述
在这里插入图片描述

此时在unitree本地机子上面是有的 。
注意这里 unitree上面的环境变量，不小心添上去的，后续要学会自己删除。

在这里插入图片描述
不知道是不是这个原因，再使用wifi连接下看看，按照这个来搞还是不行
在这里插入图片描述

最后参考这个时间点的博客，参考这个搞出来到，就是这个2个原因，记得setup.bash url后面不要带上空格，本地网要写对。同时ros2 topic list --no-daemon
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

2 实际开发过程

下面均为原课程编号

1.2.4 toptic数据及rivz2可视化

unitree l1雷达可视化
如下显示L1 雷达数据
ros2 topic echo /utlidar/cloud --no-arr --no-daemon
rviz2 教程具体看rviz2视频

1.2.5 编译测试例程

按照如下编译，会有报错
在这里插入图片描述

在这里插入图片描述
参考doubao将这个ut_errror.hpp文件润色了下，但是还是会报std warning，告警信息

#pragma once
#include <cstdint>
#include "rclcpp/rclcpp.hpp"  // 确保包含RCLCPP头文件（RCLCPP_ERROR依赖）

// 定义错误码和对应的描述
#define UT_DECL_ERR(name, code, desc) \
  const int32_t name = code;          \
  const constexpr char* name##_DESC = desc;

UT_DECL_ERR(UT_ROBOT_SUCCESS, 0, "success.")
UT_DECL_ERR(UT_ROBOT_TASK_TIMEOUT, -1, "task timeout.")
UT_DECL_ERR(UT_ROBOT_TASK_UNKNOWN_ERROR, -2, "task unknown error.")

// 修正后的错误打印宏（确保反斜杠后无空格，仅换行）
#define UT_PRINT_ERR(code, error) \
  if ((code) == (error)) { \
    RCLCPP_ERROR(this->get_logger(), "%s", error##_DESC); \
  }

代办：
./install/unitree_ros2_example/bin/read_motion_state sport_model

1.3.1 1.3.2 机器狗helloworld

过滤request话题，寻找需要发布的运动信息
ros2 topic list | grep -i request
四足狗运动的话题 /api/sport/request
查看接口格式：ros2 toptic info /api/sport/request
查看具体如何定义：ros2 interface show unitree_api/msg/Request

创建功能包：
ros2 pkg create go2_helloworld --build-type ament_cmake --dependencies rclcpp unitree_api

c++类

编写代码：
编写的时候报错，原因是找不到路径：
在这里插入图片描述
将路径写到里面就会包含了。
在这里插入图片描述
写好了一些代码，编译的时候没文件，需要在cmakelist里面添加相应的依赖和编译项

在这里插入图片描述
写好程序之后，编译，source 源文件，然后运行话题，就可以，注意如果没有连接go2端口，开机会爆如下的错：
在这里插入图片描述
代办：需要看下为什么，代码这样写，c++代码

python类

使用如下命令创建包：（记得结尾加上 node-name)
ros2 pkg create helloworld_py --build-type ament_python --dependencies rclpy unitree_api --node-name hello
写完之后编译，colcon build --packages-select helloworld_py
然后source源文件,source install/setup.bash ,然后ros2 run helloworld_py hello
在这里插入图片描述

代办：这里需要再执行下

2.1.1 高层状态获取

代办：这里需要再执行下
查看 sportmodestate ，这里可以看到不同频率的sportmodestate
ros2 topic list | grep -i sportmodestate
ros2 topic hz /lf/sportmodestate (低频）
ros2 topic hz /mf/sportmodestate（中频）
ros2 topic hz /sportmodestate（高频）
ros2 topic type /sportmodestate (看消息类型）
ros2 interface show unitree_go/msg/SportModeState （接口定义的具体数据结构）
ros2 topic echo /sportmodestate --no-arr (查看数据）

具体官方代码实现：
example/src/src/read_motion_state.cpp
如果需要执行的话，直接按照官方文档编译后在终端运行
./install/unitree_ros2_example/bin/read_motion_state

2.1.2 低层状态获取[INFO] [1762252280.016273967] [rviz]: Message Filter dropping message: frame ‘base_link’ at time 1762252245.246 for reason 'discarding message because the queue is full

代办：这里需要再执行下
ros2 topic list | grep -i lowstate
ros2 topic type /lowstate (看消息类型）
ros2 topic type /lf/lowstate (看消息类型）
ros2 topic hz /lowstate (低频）
ros2 topic hz /lf/lowstate (看消息类型）
ros2 interface show unitree_go/msg/LowState （接口定义的具体数据结构）

具体官方代码实现：
example/src/src/read_low_state.cpp
如果需要执行的话，直接按照官方文档编译后在终端运行

2.1.3 遥控器状态获取

代办：这里需要再执行下
ros2 topic list | grep -i wireless
ros2 topic type /wirelesscontroller (看消息类型）

剩下和之前的一样，有官方例子

2.2.1 运动控制

代办：这里需要再执行下

ros2 topic list | grep -i request
四足狗运动的话题 /api/sport/request
查看接口格式：ros2 toptic info /api/sport/request
查看具体如何定义：ros2 interface show unitree_api/msg/Request

剩下和之前的一样，有官方例子

可以 直接使用rqt 来进行发布，写上对应的toptic和角度 ，然后沟上就会自动发布话题
在这里插入图片描述

高层运动控制的完整例程位于：example/src/sport_mode_ctrl.cpp（这里我没找到）

2.2.2 电机控制

代办：这里需要再执行下

ros2 topic type /lowcmd (看消息类型）
运行地层控制服务之前，需确保app上面sport服务关闭

在这里插入图片描述

机器人架空之后，就可以按照下面的源码来进行处理
example/src/src/low_level_ctrl.cpp

恢复，时候，摆到阻尼状态，再到app恢复

3.1.1 键盘控制

这里由于控制比较简单，所以不写c++，写python程序
ros2 pkg create go2_teleop_ctrl_keyboard --build-type ament_python --dependencies rclpy unitree_api --node-name go2_teleop_ctrl_keyboard

python脚本里面，里面多了个子线程步骤，因为需要主线程等待操作

然后编译
在这里插入图片描述
ros2 run go2_teleop_ctrl_keyboard go2_teleop_ctrl_keyboard运行

代办：但是直接使用视频中的程序，停止之后无法恢复平衡站立

在这里插入图片描述

3.2.1 Twist消息转换

这个只能实现比较基础的转换，比如线速度和角速度转换
ros2 pkg create go2_twist_bridge --build-type ament_cmake --dependencies rclcpp geometry_msgs unitree_api --node-name twist_bridge
ros2 pkg create go2_twist_bridge_py --build-type ament_python --dependencies rclpy geometry_msgs unitree_api --node-name twist_bridge

在写这个代码之前，需要将/home/xzl/Project/unitree/unitree_ros2/example/src/include/nlohmann （我的unitree_ros2)目录下的这个include这个目录复制到当前功能包include目录下

在这里插入图片描述

python版本编写时候，注意导包不要忘记.
在这里插入图片描述
剩余流程差不多

在这里插入图片描述

注意使用ros2 原生的这种，使用按键不一样，同时这个速度会非常快，很容易撞倒
在这里插入图片描述

3.3.2 机器人模型可视化

注意的是这里为什么不用官方的，因为官方的下载下来之后，都是用的ros1，不适配ros2，所以必须要改造成ros2的。
https://github.com/unitreerobotics/unitree_ros/tree/master
在这里插入图片描述
按照教程将cmake和package写好之后，编译，source setup.bash

在这里插入图片描述

这里有个注意点，包名和官方的urdf要同统一，不然后续所有的urdf都要改
在这里插入图片描述
此时如果机器狗没开会报错：
在这里插入图片描述

如果机器狗开了，在终端执行就会这样
在这里插入图片描述

按照视频做到这三项，但是此时模型不完全对在这里插入图片描述

另外要注意如果有如下错，可能是没source 环境setup.bash
在这里插入图片描述

注意上面只解决了go2本体的可视化，但是radar的扫描不显示，因为urdf官方中用的radar，但是ros topic话题中这个radar数据用的base是 utlidar_lidar

在这里插入图片描述

此时可以手动坐标系转换在shell3中加上这个，重映射
ros2 run tf2_ros static_transform_publisher --frame-id radar --child-frame-id utlidar_lidar
在这里插入图片描述

在这里插入图片描述
这里Launch文件为什么需要添加这个额外的参数控制，因为后续这个joint需要其他程序动态发布

在这里插入图片描述

3.4.2## 3.4 机器人驱动包 c++ 机器人驱动包 c++

五大功能：
在这里插入图片描述
在这里插入图片描述
上面的需求中，里程计和里程计相关的坐标变换，从sportmodel四足狗发布的话题里面取，关节状态从lowstate话题里面取，然后转换发布出去

这里补充一点：代码如果没有这个补充参数，发布的时候关节会不停地抖动，此时我们通过godriver重新发布了一个，就不应该使用默认的如下代码红框发布的这个了（就是之前课程讲的四个足半趴状态），所以这里要将其关了
在这里插入图片描述
在这里插入图片描述

创建对应的包

ros2 pkg create go2_driver --build-type ament_cmake --dependencies rclcpp unitree_go sensor_msgs tf2 tf2_ros geometry_msgs nav_msgs --node-name driver
ros2 pkg create go2_driver_py --build-type ament_python --dependencies rclpy unitree_go sensor_msgs tf2_ros geometry_msgs nav_msgs --node-name driver

这里可以自己添加rviz配置，这样每次不用自己手动修改rviz配置，可以在riviz目录下面创建display.rviz

另外launch文件中增加了条件，所以可以使用
ros2 launch go2_driver driver.launch.py use_rviz:=false来不启动rviz

此时想保存rviz配置，报错

在这里插入图片描述
那为什么将rviz2中的Fixed Frame 设置为 odom后，会报以下错误，但是将Fixed Frame 设置为base后雷达点云又显示正常，

【INFO】 【1752416695.855021906】 【rviz】: Message Filter dropping message: frame ‘utlidar_lidar’ at time 1740213107.629 for reason ‘the timestamp on the message is earlier than all the data in the transform cache’

doubao解释：

这个问题的核心原因是 不同坐标系（odom 和 base）的 TF 变换缓存中，时间戳与雷达点云时间戳不匹配，具体分析如下：

1. 为什么 Fixed Frame 设为 base 时正常？

  • base 是机器人的基坐标系（通常与机器人底盘刚性连接），而激光雷达的坐标系 utlidar_lidar 与 base 之间的变换通常是 静态 TF（通过 static_transform_publisher 发布，比如 base → radar → utlidar_lidar 的固定关系）。
  • 静态 TF 的特点是：一旦发布，会被 TF 缓存长期保存（默认缓存时间较长），且时间戳通常会被强制设为当前时间（如果加了 --use-current-time 参数）。
  • 因此，当 Fixed Frame 为 base 时，RViz 只需要 base 到 utlidar_lidar 的静态 TF 变换，而这个变换的时间戳始终是“有效”的（与点云时间戳的偏差较小，或静态 TF 被长期缓存），所以点云能正常显示。

2. 为什么 Fixed Frame 设为 odom 时出错？

  • odom 是里程计坐标系，它与 base 之间的变换是 动态 TF（由里程计节点实时发布，比如 odom → base 的变换，随机器人运动不断更新）。
  • 动态 TF 的时间戳是 实时更新的（与机器人运动同步），且 TF 缓存默认只保留最近一段时间的数据（比如几秒到十几秒）。
  • 当雷达点云的时间戳 远早于 odom → base 动态 TF 的时间戳 时（比如点云时间戳是 1740213107，而 odom 到 base 的 TF 时间戳已经是 1752416695），RViz 无法在 TF 缓存中找到“点云时间戳对应的 odom → base → utlidar_lidar 完整变换链”，因此会报错并丢弃点云。

根本原因总结

  • 雷达点云的时间戳 严重滞后于系统当前时间（从报错看，点云时间戳 1740213107 比 RViz 运行时间 1752416695 早了很久，可能是雷达内部时钟未同步或驱动时间戳设置错误）。
  • 当 Fixed Frame 为 odom 时，必须依赖 动态更新的 odom → base 变换，而这个变换的时间戳是“最新的”，与滞后的点云时间戳无法匹配。
  • 当 Fixed Frame 为 base 时，仅依赖 静态的 base → utlidar_lidar 变换，静态 TF 时间戳通常被强制为当前时间，因此即使点云滞后，也能找到匹配的变换。

解决方法（针对真实环境）

1. 优先解决雷达时间戳滞后问题
  • 检查雷达驱动时间戳：确保雷达点云的 header.stamp 使用 系统当前时间（而非雷达内部时钟，可能未同步）。
    在雷达驱动代码中强制覆盖时间戳： 
    // 发布点云前，用ROS节点的当前时间更新时间戳
cloud_msg.header.stamp = this->now();  // this 是当前ROS节点
pointcloud_pub->publish(cloud_msg);
  • 确保系统时间同步：通过 NTP 同步所有设备（雷达、机器人主控、上位机）的系统时间，避免时间戳偏差过大（具体操作见前文）。
2. 优化动态 TF 的缓存策略
  • 增加动态 TF（odom → base）的发布频率，确保 TF 缓存中始终有“较新”的变换数据。
  • 在 RViz 中调大 TF Cache Time（例如设为 60s），允许缓存更早的动态 TF 变换，适应轻微的时间戳滞后。
    操作：RViz → Displays → Global Options → TF Cache Time → 改为 60.0。
3. 验证 TF 变换链的完整性

通过 ros2 topic echo /tf 检查：

  • odom → base 的变换是否存在，且时间戳是否为 当前时间（与系统时间 date 对比，偏差应小于 1s）。
  • base → radar → utlidar_lidar 的静态变换是否存在，时间戳是否正常（建议加 --use-current-time 参数）。

通过以上步骤，先解决雷达时间戳滞后问题，再确保 TF 变换链的时间戳匹配，即可在 Fixed Frame 设为 odom 时正常显示点云。

这里我没使用上面的解决步骤来解决rviz的可视化，使用unitree官方的其他话题来显示点云信息。
具体配置如下：

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
搞好之后保存到这里，重新编译就可以，后面就不用单独再开rviz了
在这里插入图片描述
代办：
但是时间长了之后还是会报错，说帧数饱满了

在这里插入图片描述
[INFO] [1762252280.016273967] [rviz]: Message Filter dropping message: frame ‘base_link’ at time 1762252245.246 for reason 'discarding message because the queue is full

ros2 launch go2_driver driver.launch.py 启动即可同步相应姿态数据

3.4.3 机器人驱动包 python

未看呢,后续更新

4 通信例程

为了实现topic,service,action三种级别代码的编写

在这里插入图片描述

未看呢,后续更新

5 go2_ros2_sdk 非官方sdk开发使用

依赖安装好了，直接编译会报错：

在这里插入图片描述
将源代码文件，红框这里改成4个空格子，保持一致

在这里插入图片描述
按照文档连接报错：
在这里插入图片描述
原因是foxglove_bridge没装，ros-humble-slam-toolbox/ros-humble-nav2-bringup，这里出现这种原因就是
rosdep install --from-paths src --ignore-src -r -y 这个命令当时没在src上级目录执行安装

此时可以进行webrtc开发

其他博客，发现要使用cyclonedds进行开发，需升级，具体见其他博客社区legion1581作者，2024/11/21 20:03:14发言，需启用二次开发才行

在这里插入图片描述

代办：这个社区里面有foxglove和另外一款可视化工具非常不错。

社区讲解的如何保存地图：
在这里插入图片描述

具体建图步骤可以看这个
https://www.hiascend.com/document/detail/zh/Atlas200IDKA2DeveloperKit/23.0.RC2/Application%20Cases/oanvadg/inoaadg_0016.html

https://github.com/SteveMacenski/slam_toolbox

这里可以添加插件

在这里插入图片描述
成功建图

在这里插入图片描述

# 人工智能 # 机器人
Logo
全球具身智能开发者社区

立足具身智能前沿赛道，致力于搭建全球化、开源化、全栈式技术交流与实践共创平台。

更多推荐

cover

开源聚势·具身启智，杭州这场沙龙给出中国具身智能产业化新答案

avatar 全球具身智能开发者社区

YoMo安全机制详解：TLS v1.3如何保护你的AI代理通信

在当今AI驱动的分布式系统中，安全通信已成为不可忽视的核心需求。YoMo作为Serverless AI Agent Framework，采用TLS v1.3加密协议构建了强大的安全防护机制，确保AI代理在地理分布式边缘计算环境中的通信安全。本文将深入解析YoMo的TLS实现原理、配置方法及最佳实践，帮助开发者构建安全可靠的AI应用。## 为什么TLS v1.3是AI代理通信的理想选择TLS

avatar 全球具身智能开发者社区

InternScenes开源数据集

数据集介绍 InternScenes 是上海人工智能实验室发布的大规模、可模拟室内场景数据集，论文收录于 NeurIPS 2025。具身人工智能的发展高度依赖于具有场景多样性和逼真布局的大规模、可模拟3D场景数据集。然而，现有数据集通常存在以下不足：数据规模或多样性有限、布局经过"净化"处理导致小物体缺失，以及严重的物体碰撞问题。 为解决上述问题，InternScenes 整合

avatar 全球具身智能开发者社区