ROS2 Humble 笔记（九）参数 param
这篇博客是 B 站《古月·ROS2入门21讲》的第十二个视频的图文记录，主要介绍了参数服务器、如何批量修改/加载参数、在节点中持续监控参数变化等。原始视频链接如下：
- B 站视频链接：12. 参数：机器人系统的全局字典
1. 参数 params 的意义
ROS 中的参数由参数服务器进行管理，对全局人都可见，但你可以通过添加 命令 空间的方式避免参数出现混淆。和话题 topic 不同的是，通常情况下话题是用来实时发布自身状态的，而参数的变动频率比较低，因此没有必要想话题一样持续发布，有需要的节点自行来取一下即可，这样能显著降低通讯带宽的压力。
2. 小海龟示例
2.1 启动仿真器和键盘控制器
在一个终端中启动小海龟仿真器：
$ ros2 run turtlesim turtlesim_node
再新开一个终端启动键盘控制节点：
$ ros2 run turtlesim turtle_teleop_key
2.2 list 查看参数列表
新开一个终端中输入以下命令查看有哪些参数可用：
$ ros2 param list
2.3 describe 查看参数含义
使用下面命令查看在 /turtlesim 节点中 background_b 的含义是什么：
$ ros2 param describe /turtlesim background_b
2.3 get 获取参数值
使用下面的命令获取 /turtlesim 节点中 background_b 参数具体值：
$ ros2 param get /turtlesim background_b
2.4 set 设置参数值
使用下面的命令修改 /turtlesim 节点中 background_b 参数值，这里将 255 修改成 100：
$ ros2 param set /turtlesim background_b 100
此时你再看仿真器的背景颜色就变成深蓝色：
2.5 dump 列举参数
如果一个参数一个参数查看比较麻烦，可以使用下面的命令将节点 /turtlesim 所有参数都列举出来：
$ ros2 param dump /turtlesim
既然可以列出所有的参数，那么自然而言地就会想 批量 修改参数，将 dump 命令和重定向 >> 符结合使用就可以将所有参数写入到一个本地文件中，但要注意文件格式是 yaml ：
$ ros2 param dump /turtlesim >> turtlesim.yaml
2.6 load 加载参数
上面的 dump 命令与重定向操作符已经将节点 /turtlesim 的所有参数保存在一个 turtlesim.yaml 文件中：
/turtlesim:
ros__parameters:
background_b: 100
background_g: 86
background_r: 69
qos_overrides:
/parameter_events:
publisher:
depth: 1000
durability: volatile
history: keep_last
reliability: reliable
use_sim_time: false
此时你可以对文件进行修改然后再使用下面的命令批量加载参数：
$ ros2 param load /turtlesim turtlesim.yaml
3. 节点中参数操作
运行 learning_parameter 功能包中的 param_declare 节点：
$ ros2 run learning_parameter param_declare
新开一个终端先看看当前参数值是多少：
$ ros2 param get /param_declare robot_name
将参数 robot_name 修改成 turtle：
$ ros2 param set /param_declare robot_name turtle
此时可以看到之前那个终端中出现了一行变动，但又立即改回去了，这是因为上面启动的节点实现的功能就是查询并修改：
param_declare 节点具体位置在 src/ros2_21_tutorials/learning_parameter/learning_parameter/param_declare.py：
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import rclpy # ROS2 Python接口库
from rclpy.node import Node # ROS2 节点类
class ParameterNode(Node):
def __init__(self, name):
super().__init__(name) # ROS2节点父类初始化
self.timer = self.create_timer(2, self.timer_callback) # 创建一个定时器（单位为秒的周期，定时执行的回调函数）
self.declare_parameter('robot_name', 'mbot') # 创建一个参数，并设置参数的默认值
def timer_callback(self): # 创建定时器周期执行的回调函数
robot_name_param = self.get_parameter('robot_name').get_parameter_value().string_value # 从ROS2系统中读取参数的值
self.get_logger().info('Hello %s!' % robot_name_param) # 输出日志信息，打印读取到的参数值
new_name_param = rclpy.parameter.Parameter('robot_name', # 重新将参数值设置为指定值
rclpy.Parameter.Type.STRING, 'mbot')
all_new_parameters = [new_name_param]
self.set_parameters(all_new_parameters) # 将重新创建的参数列表发送给ROS2系统
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 = ParameterNode("param_declare") # 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
4. 算法阈值修改
识别算法中经常有些阈值需要动态变化，如果全都写成 server 的形式会非常麻烦，因此使用 param 进行动态修改就十分合理。
【Note】：由于我的设备没有相机，因此这里不进行演示，有条件的读者可以自行体验。
- 启动相机节点
usb_cam_node_exe：
$ ros2 run usb_cam usb_cam_node_exe
- 启动
learning_parameter功能包中的识别节点param_object_detect，该节点即便没有相机也可以运行：
$ ros2 run learning_parameter param_object_detect
查看 param_object_detect 节点有哪些参数暴露出来：
$ ros2 param dump param_object_detect
修改 param_object_detect 节点的参数：
$ ros2 param set /param_object_detect red_h_lower 10
该节点具体位置为 src/ros2_21_tutorials/learning_parameter/learning_parameter/param_object_detect.py，核心在于 self.declare_parameter 对象，该对象会持续监控参数是否被修改并在第一时间调整自身值：
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
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
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
18
0- 0
已为社区贡献20条内容
所有评论(0)