Livox ROS2 驱动实战：从环境搭建到多雷达数据融合

1. 环境准备：从零搭建ROS2 Humble开发环境

第一次接触Livox雷达和ROS2时，我花了两天时间才把环境配通。现在回想起来，其实只要抓住几个关键步骤就能避开大部分坑。建议使用Ubuntu 22.04 LTS系统，这是ROS2 Humble的官方支持版本。安装ROS2桌面版时，记得勾选ros-humble-desktop-full而不是基础版，否则会缺少RViz等关键工具：

bash复制sudo apt update
sudo apt install -y ros-humble-desktop-full

装完基础环境后，需要配置一个专用工作空间。我习惯在~/livox_ws目录下操作，结构清晰便于管理。创建工作空间的命令看起来简单，但有个细节容易忽略——必须确保colcon工具链完整：

bash复制mkdir -p ~/livox_ws/src
cd ~/livox_ws
sudo apt install -y python3-colcon-common-extensions

Livox驱动依赖的Livox-SDK2需要手动编译安装。这里最容易出问题的是权限配置，建议全程用普通用户操作，只在最后make install时临时提权。编译时如果遇到libpcap报错，需要先安装libpcap-dev：

bash复制git clone https://github.com/Livox-SDK/Livox-SDK2.git
cd Livox-SDK2
sudo apt install -y libpcap-dev
mkdir build && cd build
cmake .. -DCMAKE_BUILD_TYPE=Release
make -j$(nproc)
sudo make install

验证环境是否就绪有个小技巧：在终端输入ros2 doctor，它会检查所有依赖项并给出修复建议。我第一次用MID360时就靠这个命令发现少了ros-humble-tf2模块。

2. 驱动部署：双雷达混合配置实战

拿到MID360和HAP两款雷达时，最头疼的就是它们的混合配置。Livox ROS2驱动采用设备类型码区分不同雷达，MID360对应类型码8，HAP则是6。在config目录下需要为每个雷达创建独立配置文件，我建议直接复制驱动包里的模板：

bash复制cd ~/livox_ws/src/livox_ros_driver2
cp config/MID360_config.json config/HAP_config.json

网络配置是调试时最容易出错的部分。两个雷达必须设置在不同IP段，比如MID360用192.168.1.129，HAP用192.168.1.130。主机的IP要配置在host_net_info段，这里有个隐藏坑点——cmd_data_ip和point_data_ip必须相同，否则会导致数据流中断：

json复制{
  "lidar_configs": [{
    "ip": "192.168.1.129",
    "pcl_data_type": 1,
    "extrinsic_parameter": {
      "roll": 0.0, "pitch": 0.0, "yaw": 0.0,
      "x": 0, "y": 0, "z": 0 
    }
  }],
  "MID360": {
    "lidar_net_info": {
      "cmd_data_port": 56100,
      "point_data_port": 56300
    },
    "host_net_info": {
      "cmd_data_ip": "192.168.1.50",
      "point_data_ip": "192.168.1.50"
    }
  }
}

编译驱动时推荐使用项目自带的build.sh脚本，它比colcon更了解Livox的特殊需求。如果遇到ament_index报错，先执行source /opt/ros/humble/setup.bash再重试：

bash复制cd ~/livox_ws
./src/livox_ros_driver2/build.sh humble

3. 启动文件定制：多雷达协同工作秘诀

官方提供的启动文件需要根据实际场景调整。对于双雷达系统，我创建了自定义启动文件dual_lidar_launch.py，关键点在于设置不同的frame_id和话题命名空间：

python复制def generate_launch_description():
    mid360_node = Node(
        package='livox_ros_driver2',
        executable='livox_ros_driver2_node',
        namespace='mid360',
        parameters=[{
            'config_path': '/path/to/MID360_config.json',
            'frame_id': 'mid360_frame'
        }]
    )
    
    hap_node = Node(
        package='livox_ros_driver2',
        executable='livox_ros_driver2_node',
        namespace='hap',
        parameters=[{
            'config_path': '/path/to/HAP_config.json',
            'frame_id': 'hap_frame'
        }]
    )
    
    return LaunchDescription([mid360_node, hap_node])

参数调优直接影响点云质量。实测发现publish_freq超过15Hz会导致HAP雷达丢包，而xfer_format设为1（自定义格式）比0（标准格式）节省30%带宽。如果启用multi_topic模式，记得每个雷达要有独立的话题前缀：

python复制parameters=[{
    'publish_freq': 10.0,
    'xfer_format': 1,
    'multi_topic': 1,
    'topic_namespace': 'custom_topic'
}]

启动时建议分步验证：先单独启动每个雷达查看原始数据，再启用融合。这个命令能同时启动双雷达和RViz：

bash复制ros2 launch livox_ros_driver2 dual_lidar_launch.py use_rviz:=true

4. 数据融合：TF变换与点云拼接技巧

多雷达融合的核心在于外参标定。我习惯先用棋盘格手动测量粗略外参，再用ICP算法精细调整。在配置文件中，外参顺序必须是roll→pitch→yaw，单位是弧度：

json复制"extrinsic_parameter": {
    "roll": 0.785,   // 45度
    "pitch": 0.0,
    "yaw": 1.571,    // 90度
    "x": 0.5,        // 单位：米
    "y": 0.2,
    "z": 0.1
}

TF树配置不当会导致点云错位。建议创建静态TF广播节点，把两个雷达坐标系关联到统一的base_link。这个Python脚本可以添加到启动文件中：

python复制static_tf = Node(
    package='tf2_ros',
    executable='static_transform_publisher',
    arguments=['0.5', '0', '0.1', '0', '0', '0', 'base_link', 'mid360_frame']
)

点云融合推荐使用point_cloud_assembler节点。配置max_clouds参数时要考虑雷达频率，双10Hz雷达建议设为2。我在实际项目中发现开启use_inf选项能显著提升远距离点云质量：

xml复制<node pkg="point_cloud_assembler" type="point_cloud_assembler" name="assembler">
    <param name="max_clouds" value="2" />
    <param name="fixed_frame" value="base_link" />
    <param name="use_inf" value="true" />
</node>

在RViz中验证时，记得把Global Options→Fixed Frame设为base_link，并添加两个PointCloud2显示项，分别订阅/mid360/livox/lidar和/hap/livox/lidar话题。

5. 性能调优与故障排查

网络带宽常常成为性能瓶颈。通过ifconfig查看网卡丢包率，如果超过1%就需要优化。我总结的三招很管用：1) 使用CAT6网线 2) 关闭IPv6 3) 调整内核网络缓冲区：

bash复制sudo sysctl -w net.core.rmem_max=2097152
sudo sysctl -w net.core.wmem_max=2097152

驱动日志是排查问题的金钥匙。启动节点时加上--ros-args --log-level debug参数，能看到详细的通信状态。常见错误码中，0x0001表示网络中断，0x0002代表数据校验失败。

当遇到点云断裂时，检查以下三项：

1. 雷达供电是否稳定（电压波动会导致扫描异常）
2. 主机CPU负载是否过高（top查看实时负载）
3. 雷达固件版本是否匹配（通过Livox Viewer工具升级）

对于时间同步问题，可以启用PTP协议。在配置文件中添加：

json复制"timesync": {
    "enable_ptp": true,
    "ptp_profile": "1588v2"
}

记得在系统服务中启动ptpd守护进程：

bash复制sudo apt install ptpd
sudo ptpd -i eth0 -M

6. 进阶技巧：自定义消息与自动化脚本

Livox的自定义消息格式比标准PointCloud2多出反射率和标签字段。要使用这些数据，需要在CMakeLists.txt中添加消息依赖：

cmake复制find_package(livox_ros_driver2 REQUIRED)
ament_target_dependencies(your_node 
    rclcpp 
    livox_ros_driver2_interfaces
)

处理自定义消息时，注意时间戳存储在timebase字段，单位是纳秒。这个Python代码片段演示如何解析点云：

python复制from livox_ros_driver2.msg import CustomMsg

def callback(msg):
    for point in msg.points:
        x = point.x  # 米
        reflectivity = point.reflectivity  # 0-255
        timestamp = msg.timebase + point.offset_time  # 纳秒

我习惯编写自动化启动脚本来简化操作。这个脚本会自动检测雷达连接状态，只有两个雷达都就绪时才启动驱动：

bash复制#!/bin/bash
while ! ping -c1 192.168.1.129 &>/dev/null; do
    echo "等待MID360连接..."
    sleep 1
done

while ! ping -c1 192.168.1.130 &>/dev/null; do
    echo "等待HAP连接..."
    sleep 1
done

ros2 launch livox_ros_driver2 dual_lidar_launch.py

对于长期运行的机器人，建议添加看门狗机制。这个Python脚本会监控点云频率，异常时自动重启节点：

python复制import rclpy
from rclpy.node import Node
from livox_ros_driver2.msg import CustomMsg

class Watchdog(Node):
    def __init__(self):
        super().__init__('watchdog')
        self.sub = self.create_subscription(
            CustomMsg, '/livox/lidar', self.callback, 10)
        self.last_time = self.get_clock().now()
        
    def callback(self, msg):
        now = self.get_clock().now()
        if (now - self.last_time).nanoseconds > 1e9:  # 1秒无数据
            os.system('ros2 lifecycle set /livox_lidar_publisher shutdown')
            os.system('ros2 launch livox_ros_driver2 msg_MID360_launch.py &')
        self.last_time = now