ROS机器人视觉定位实战：从ArUco二维码部署到位姿解算

1. 为什么选择ArUco二维码做机器人视觉定位

刚接触机器人视觉定位时，我也纠结过该用哪种方案。试过激光SLAM、视觉SLAM，最后发现对于室内固定场景，ArUco二维码才是真香选择。这就像在商场找洗手间，直接看指示牌比记路线图快多了。

ArUco是专门为机器人定位设计的二维码，相比普通QR码有三个碾压性优势：

• 定位精度高：内置的黑色边框能精确计算像素级边缘，实测在2米距离下误差能控制在1厘米内
• 识别速度快：我的树莓派4B上跑单目识别能到30FPS，比ORB-SLAM快了近10倍
• 抗干扰强：即使被遮挡30%或者强光照射，识别率依然坚挺

去年给仓库AGV做导航时就深有体会。激光方案遇到玻璃货架会丢失定位，而在地面贴了20个ArUco标签后，机器人再没迷路过。下面这张对比表能直观看出差异：

不过要注意，ArUco最适合结构化环境。如果是户外或者频繁变动的场景，还是SLAM更合适。接下来我会手把手带你从零搭建整套系统，用的都是经过实战检验的方案。

2. 环境部署：从标签生成到相机标定

2.1 生成专属ArUco标签

千万别随便网上下载二维码就用，尺寸不对会直接导致定位漂移。推荐用官方工具生成，我常用的是36h11字典（平衡了识别率和抗噪能力）：

python复制import cv2
aruco_dict = cv2.aruco.Dictionary_get(cv2.aruco.DICT_6X6_250)
marker_img = cv2.aruco.drawMarker(aruco_dict, id=42, sidePixels=600)
cv2.imwrite("marker42.png", marker_img)

这里有几个关键参数要注意：

• sidePixels：实际打印尺寸=像素数/DPI。比如用300DPI打印机，600像素就是2英寸（5cm）
• id范围：DICT_6X6_250表示最大ID是249，超出会报错
• 边框宽度：默认是1/8标记宽度，环境复杂可以加到1/5

贴标签时踩过的坑：

1. 地面标签间距建议是相机视场角的1.5倍（比如相机60°视角，高度1米，间距不小于1.7米）
2. 倾斜角度不要超过45°，否则识别率骤降
3. 灯光直射位置要加亚光膜，反光会干扰识别

2.2 相机选型与驱动配置

USB相机和树莓派相机我都实测过，推荐Logitech C920，30FPS下延迟只有50ms。关键是要正确配置分辨率：

bash复制# usb_cam的launch文件要这么改
<param name="video_device" value="/dev/video0" />
<param name="image_width" value="1280" />  
<param name="image_height" value="720" />
<param name="framerate" value="30" />

常见的坑是没启用硬件加速，CPU占用直接飙到90%。加上这个参数立竿见影：

bash复制<param name="v4l2_palette" value="3" />  # 使用MJPEG格式

2.3 手把手教你相机标定

没标定的相机就像没调教过的指南针，定位误差能差出10cm。准备一个棋盘格（建议用A4纸打印8x6格），然后运行：

bash复制rosrun camera_calibration cameracalibrator.py \
  --size 8x6 \
  --square 0.024 \
  image:=/usb_cam/image_raw \
  camera:=/usb_cam

移动标定板时要像写"米"字一样覆盖整个视野，直到所有进度条变绿。标定后会在/tmp生成calibrationdata.tar.gz，把里面的ost.yaml复制到~/.ros/camera_info/。

重要细节：

• 标定板方格尺寸要用游标卡尺实际测量（我的案例是2.4cm）
• 光照条件要和实际使用环境一致
• 标定过程至少采集50张有效图片

3. 核心功能实现：识别与位姿解算

3.1 编译安装aruco_ros的正确姿势

官方源码有些小坑，建议用我这个改好的版本：

bash复制cd ~/catkin_ws/src
git clone https://gitee.com/ros-mirrors/aruco_ros.git -b kinetic-devel
# 关键修复：替换所有CV_FILLED为-1
sed -i 's/CV_FILLED/-1/g' aruco_ros/src/*.cpp
catkin_make -DCATKIN_WHITELIST_PACKAGES="aruco;aruco_ros"

编译时报错fatal error: aruco/marker.h: No such file的话，需要先装核心库：

bash复制sudo apt-get install ros-$ROS_DISTRO-aruco

3.2 单标签识别实战

先启动相机：

bash复制roslaunch usb_cam usb_cam.launch

然后修改single.launch关键参数：

xml复制<arg name="markerId" default="42"/> <!-- 必须和打印的ID一致 -->
<arg name="markerSize" default="0.05"/> <!-- 实际边长单位是米 -->
<arg name="camera_frame" default="usb_cam"/>  
<arg name="marker_frame" default="aruco_marker"/>

启动识别节点：

bash复制roslaunch aruco_ros single.launch

用rqt_image_view查看效果，正常应该能看到标记框和坐标系：

3.3 位姿数据深度解析

通过rostopic可以看到6DOF位姿信息：

bash复制rostopic echo /aruco_single/pose

输出示例：

code复制position: 
  x: 0.32
  y: -0.15  
  z: 1.08
orientation:
  x: -0.01
  y: 0.707 
  z: 0.707
  w: 0.01

这里有个易错点：坐标系遵循ROS标准，z轴向前，x轴向右，y轴向下。我在集成导航栈时就在这里栽过跟头，机器人总是往反方向跑。

精度优化技巧：

1. 在detector_params.yaml中调高cornerRefinementMaxIterations到50
2. 使用image_proc提升图像对比度
3. 对z值做移动平均滤波：

python复制import numpy as np
from collections import deque

class PoseFilter:
    def __init__(self, window_size=5):
        self.buffer = deque(maxlen=window_size)
    
    def update(self, pose):
        self.buffer.append(pose.position.z)
        return np.mean(self.buffer)

4. 工程化应用：与ROS导航栈集成

4.1 坐标变换树配置

要让定位数据真正有用，必须正确配置TF树。在static_transform_publisher中设置相机到机器人基座的变换：

bash复制rosrun tf static_transform_publisher \
  0.1 0 0.15 \
  0 0 0 1 \
  base_link usb_cam 100

这里参数含义：

• 前三个数是xyz偏移量（单位米）
• 中间四个数是四元数旋转（无旋转是0,0,0,1）
• 最后是发布频率（Hz）

验证TF树是否正确：

bash复制rosrun tf view_frames
evince frames.pdf

4.2 接入robot_pose_ekf

单纯用ArUco定位会有抖动，配合IMU做融合更可靠：

xml复制<node pkg="robot_pose_ekf" type="robot_pose_ekf" name="robot_pose_ekf">
  <param name="output_frame" value="odom"/>
  <param name="freq" value="30.0"/>
  <remap from="imu_data" to="/imu/data"/>
  <remap from="vo" to="/aruco_single/pose"/>
</node>

参数调优经验：

• 如果机器人移动缓慢，把process_noise_covariance对角线元素调到0.01
• 出现延迟时降低freq到10Hz
• 室外使用要启用odom_used和imu_used

4.3 在move_base中应用

修改costmap_common_params.yaml：

yaml复制observation_sources: aruco_observation
aruco_observation: {sensor_frame: usb_cam, data_type: PoseWithCovarianceStamped, topic: /aruco_single/pose, marking: True}

实测效果：在20㎡的实验室环境中，定位误差能稳定在±2cm内，完全满足仓储搬运需求。不过要注意定期检查标签是否破损，我有次就因为标签被叉车刮花导致机器人撞货架。