Scout Mini机器人部署NeuPAN算法的实时路径规划实践

1. 项目背景与目标

在机器人自主导航领域，远程规划与车端执行是一种常见架构模式。这次我们要在Scout Mini移动机器人上部署NeuPAN算法，实现基于激光雷达的实时路径规划与避障功能。整个系统采用分布式架构，规划算法运行在远程服务器上，而执行层部署在小车本地。

Scout Mini是一款轻量级差分驱动移动机器人，配备激光雷达和IMU等传感器。我们需要解决的核心问题是：如何让这台小车在复杂环境中实现稳定、可靠的自主导航，同时保证远程规划与本地执行之间的实时通信。

2. 环境准备与安装

2.1 基础环境配置

项目采用Ubuntu 20.04作为基础系统，ROS 2 Foxy版本作为机器人中间件。这个组合的选择基于以下考虑：

• Ubuntu 20.04是长期支持版本，稳定性有保障
• ROS 2 Foxy是首个支持Python 3.8的ROS 2 LTS版本
• Scout Mini的官方驱动已适配Foxy版本

在服务器端，我们使用Docker容器来隔离环境，容器内同样配置Ubuntu 20.04 + ROS 2 Foxy。这种"镜像环境"的配置可以最大程度减少环境差异导致的问题。

2.2 NeuPAN算法安装

NeuPAN是一个基于深度学习的机器人路径规划算法，安装步骤如下：

bash复制# 克隆代码库
git clone https://github.com/hanruihua/NeuPAN
cd NeuPAN

# 安装主程序
pip install -e .

# 安装仿真环境
pip install ir-sim

# 运行示例测试
cd example
python run_exp.py -e corridor -d diff

注意：安装前请确认Python版本为3.8，这是ROS 2 Foxy的官方支持版本。可以使用python --version检查。

2.3 训练自定义模型

虽然NeuPAN提供了预训练模型，但针对Scout Mini的特殊尺寸和运动特性，建议进行微调训练：

bash复制cd /data/taohongkang/codes/NeuPAN/example/dune_train
python3 dune_train_diff.py

训练过程需要准备足够多的仿真场景数据，建议至少10万组数据样本。训练参数在dune_train_diff.yaml中配置，关键参数包括：

• batch_size: 256
• epoch: 5000
• lr: 5e-5
• data_range: [-25, -25, 25, 25] (训练场景范围)

3. 算法原理与接口分析

3.1 核心算法流程

NeuPAN算法的核心是一个基于深度学习的规划器，其工作流程如下：

1. 输入处理：

   • 机器人当前状态：state = [x, y, theta]
   • 激光雷达扫描数据：scan
   • 初始路径/目标点/航点

2. 障碍物点云提取：

   python复制points = neupan_planner.scan_to_point(robot_state, lidar_scan)
   

3. 规划计算：

   python复制action, info = neupan_planner(robot_state, points, point_velocities)
   

3.2 关键接口解析

在neupan.py中定义了核心接口：

初始化配置：

python复制@classmethod
def init_from_yaml(cls, yaml_file, **kwargs):
    # 从YAML文件加载配置
    with open(abs_path, "r") as f:
        config = yaml.safe_load(f)
    return cls(**config)

激光数据处理：

python复制def scan_to_point(self, state, scan, scan_offset=[0,0,0], 
                 angle_range=[-np.pi,np.pi], down_sample=1):
    # 将激光数据转换为障碍物点云

路径更新：

python复制def update_initial_path_from_goal(self, start, goal):
    # 根据目标点更新初始路径

4. 分阶段实施方案

4.1 阶段0：信息确认

在小车上需要确认以下关键信息：

1. 传感器与坐标系：

   • odom -> base_link的TF变换
   • base_link -> laser的TF变换

2. ROS话题确认：

   bash复制ros2 topic list
   ros2 topic echo /scan
   ros2 topic echo /odom
   ros2 topic echo /cmd_vel
   

3. 帧名称确认：

   • 基座frame：通常是base_link
   • 雷达frame：可能是laser/laser_link/base_scan

4. 运动学模型：

   • Scout Mini使用差分驱动(diff)模型

4.2 阶段1：服务器端测试

先在服务器容器内测试NeuPAN基本功能：

bash复制cd example
python run_exp.py -e corridor -d diff

这个测试验证算法本身是否正常工作，不涉及ROS通信。

4.3 阶段2：ROS 2通信配置

为了实现跨机器通信，需要配置ROS_DOMAIN_ID：

bash复制export RMW_IMPLEMENTATION=rmw_cyclonedds_cpp
export ROS_DOMAIN_ID=5

然后在两边分别检查话题列表：

bash复制ros2 topic list

注意：两边必须使用相同的DOMAIN_ID才能通信

4.4 阶段3：TCP桥接方案

由于UDP通信存在不稳定性，我们实现了一个TCP桥接方案。小车端运行bridge_sender.py，服务器端运行bridge_receiver.py。

关键实现细节：

• 使用TCP协议保证可靠性
• 自定义消息格式：4字节长度头 + JSON体
• 多线程处理收发，避免阻塞

4.5 阶段4：NeuPAN ROS节点

创建neupan_ros2_node.py实现与ROS 2的集成：

python复制class NeuPANNode(Node):
    def __init__(self):
        super().__init__('neupan_node')
        # 初始化规划器
        self.planner = neupan.init_from_yaml('scout_mini_planner.yaml')
        
        # 订阅传感器数据
        self.scan_sub = self.create_subscription(LaserScan, '/scan', self.scan_cb, 10)
        self.odom_sub = self.create_subscription(Odometry, '/odom', self.odom_cb, 10)
        
        # 发布控制命令
        self.cmd_pub = self.create_publisher(Twist, '/neupan_cmd_vel', 10)
        
        # 10Hz控制循环
        self.timer = self.create_timer(0.1, self.control_loop)

5. 配置文件详解

5.1 训练配置文件

dune_train_diff.yaml关键参数：

yaml复制robot:
  kinematics: 'diff'
  length: 0.612  # 小车长度
  width: 0.580   # 小车宽度

train:
  batch_size: 256
  epoch: 5000
  lr: 5e-5
  data_range: [-25, -25, 25, 25]  # 训练场景范围

5.2 规划器配置文件

scout_mini_planner.yaml关键参数：

yaml复制robot:
  kinematics: 'diff'
  max_speed: [2.78, 1.5]  # 最大线速度和角速度(m/s, rad/s)
  max_acce: [1.0, 1.0]    # 最大加速度

ipath:
  arrive_threshold: 0.3    # 到达阈值(米)
  close_threshold: 0.2     # 接近阈值

pan:
  iter_num: 2              # 迭代次数
  dune_checkpoint: 'example/dune_train/model/diff_robot_default/model_5000.pth'  # 模型路径

6. 系统集成与测试

6.1 小车端启动顺序

需要按顺序启动以下节点：

1. 底盘驱动：

bash复制ros2 launch scout_base scout_mini_base.launch.py

2. 激光雷达：

bash复制ros2 launch rslidar_sdk start.py

3. TF变换：

bash复制ros2 run tf2_ros static_transform_publisher 0 0 0.23 0 0 0 base_link rslidar

4. 点云转换：

bash复制ros2 run pointcloud_to_laserscan pointcloud_to_laserscan_node \
    --ros-args -r cloud_in:=/rslidar_points \
    -p target_frame:=base_link -p min_height:=-0.1 \
    -p max_height:=0.5 -p range_min:=0.3 -p range_max:=25.0

5. TCP桥接：

bash复制python3 ~/bridge_sender.py

6.2 服务器端启动顺序

1. TCP桥接：

bash复制python3 bridge_receiver.py

2. NeuPAN节点：

bash复制python3 neupan_ros2_node.py

3. 发送测试目标：

bash复制ros2 topic pub /goal_pose geometry_msgs/msg/PoseStamped \
  "{header: {frame_id: 'odom'}, pose: {position: {x: 3.0, y: 0.0, z: 0.0}, orientation: {w: 1.0}}}" --once

7. 常见问题与解决方案

7.1 通信问题排查

如果出现通信失败，按以下步骤排查：

1. 检查IP配置：

bash复制ip addr show
ping <对方IP>

2. 检查ROS域ID：

bash复制echo $ROS_DOMAIN_ID

3. 检查CycloneDDS配置：

bash复制echo $CYCLONEDDS_URI

7.2 雷达数据异常处理

如果雷达数据不正常：

1. 检查TF变换：

bash复制ros2 run tf2_tools view_frames

2. 检查点云转换参数：

bash复制ros2 param list /pointcloud_to_laserscan

3. 检查雷达驱动日志：

bash复制journalctl -u rslidar -f

7.3 规划异常处理

如果规划结果不稳定：

1. 检查输入数据：

bash复制ros2 topic hz /scan
ros2 topic hz /odom

2. 调整规划器参数：

• 降低最大速度
• 增加安全距离
• 调整迭代次数

3. 检查模型路径：

yaml复制pan:
  dune_checkpoint: '正确模型路径'

8. 性能优化建议

8.1 通信优化

1. 使用有线网络替代无线
2. 增加数据压缩
3. 实现断线重连机制

8.2 算法优化

1. 针对小车特性调整运动学参数
2. 增加轨迹预测模块
3. 实现动态参数调整

8.3 系统稳定性

1. 添加看门狗机制
2. 实现异常自动恢复
3. 增加日志记录功能

在实际部署中，我发现Scout Mini的最大转向速度需要限制在1.5rad/s以内，否则容易出现打滑现象。同时，线速度建议不超过1m/s以保证安全性。这些参数需要在scout_mini_planner.yaml中相应调整。