从单目到双目：基于ArUco与ROS的机器人室内定位实战指南

在机器人自主导航领域，室内定位一直是技术实现的关键难点。传统方案如激光SLAM虽然精度高，但硬件成本让许多开发者望而却步。而基于视觉的ArUco二维码定位系统，则以其低成本和易部署的特点，成为学术研究和工业应用的理想选择。本文将带您从单目相机的基础识别开始，逐步升级到双目视觉的精准定位，最终实现与ROS导航栈的无缝集成。

1. 硬件选型与环境搭建

1.1 单目与双目相机的性能对比

选择相机时，我们需要在成本和精度之间找到平衡点。以下是两种方案的典型参数对照：

提示：对于预算有限的学校实验室或个人开发者，可以先从单目系统入手，待验证基础功能后再升级到双目方案。

1.2 ArUco标记生成与打印规范

ArUco标记的尺寸和质量直接影响识别效果。推荐使用以下参数生成标记：

bash复制# 安装aruco标记生成工具
sudo apt-get install ros-$ROS_DISTRO-aruco-msgs ros-$ROS_DISTRO-aruco

# 生成一个5x5的标记，ID为42，边长为100mm
rosrun aruco create_marker -d=0 -id=42 -s=0.1 marker42.png

关键打印注意事项：

• 使用哑光纸张减少反光
• 确保打印比例准确，可用尺子测量实际尺寸
• 标记四周保留至少1倍边长的空白区域
• 对于移动机器人应用，建议将多个标记组合成板状结构

2. 单目相机定位实现

2.1 系统安装与常见问题解决

安装aruco_ros包时，可能会遇到OpenCV版本兼容问题。以下是经过验证的安装流程：

bash复制cd ~/catkin_ws/src
git clone -b noetic-devel https://github.com/pal-robotics/aruco_ros
cd ~/catkin_ws
catkin_make

若编译报错CV_FILLED未定义，这是OpenCV4的API变更导致的。解决方法有两种：

1. 直接替换为数值-1
2. 使用新APIcv::FILLED

2.2 单标签识别与位姿获取

配置正确的launch文件是成功识别的关键。以下是典型配置示例：

xml复制<launch>
    <arg name="marker_size" default="0.1" />  <!-- 标记边长，单位米 -->
    <arg name="marker_id" default="42" />
    <arg name="camera_frame" default="usb_cam" />
    
    <node pkg="aruco_ros" type="single" name="aruco_single">
        <remap from="/camera_info" to="/usb_cam/camera_info" />
        <remap from="/image" to="/usb_cam/image_raw" />
        <param name="image_is_rectified" value="false"/>
        <param name="marker_size" value="$(arg marker_size)"/>
        <param name="marker_id" value="$(arg marker_id)"/>
        <param name="reference_frame" value="$(arg camera_frame)"/>
    </node>
</launch>

启动后，可通过以下命令验证位姿数据：

bash复制rostopic echo /aruco_single/pose

3. 双目相机系统标定

3.1 相机标定全流程

双目标定是提升定位精度的关键步骤。推荐使用ROS官方标定工具：

bash复制rosrun camera_calibration cameracalibrator.py \
    --size 8x6 \
    --square 0.0245 \
    right:=/stereo/right/image_raw \
    left:=/stereo/left/image_raw \
    left_camera:=/stereo/left \
    right_camera:=/stereo/right

标定过程中的黄金法则：

• 标定板需覆盖整个视野范围
• 包含各种倾斜角度（30°-45°）
• 确保左右相机都能同时看到标定板
• 采集50-100组有效样本后再进行计算

3.2 标定参数解析与优化

标定完成后会生成以下关键参数：

注意：重投影误差超过0.3像素时，建议重新标定。常见问题源于标定板移动过快或光照条件不稳定。

4. ROS导航栈集成实战

4.1 坐标变换与TF树构建

正确的TF树是导航系统工作的基础。ArUco检测结果需要转换到机器人基坐标系：

python复制#!/usr/bin/env python
import tf
import rospy
from geometry_msgs.msg import PoseStamped

def pose_callback(msg):
    br = tf.TransformBroadcaster()
    # 假设相机到基座的变换是固定的
    br.sendTransform((0.1, 0, 0.2),
                    tf.transformations.quaternion_from_euler(0, 0, 0),
                    rospy.Time.now(),
                    "base_link",
                    "camera_link")
    
    # 发布标记到地图的变换
    br.sendTransform((msg.pose.position.x, 
                     msg.pose.position.y,
                     msg.pose.position.z),
                    (msg.pose.orientation.x,
                     msg.pose.orientation.y,
                     msg.pose.orientation.z,
                     msg.pose.orientation.w),
                    rospy.Time.now(),
                    "marker_42",
                    "camera_link")

rospy.init_node('tf_broadcaster')
rospy.Subscriber("/aruco_single/pose", PoseStamped, pose_callback)
rospy.spin()

4.2 与AMCL的协同定位

将ArUco定位结果作为AMCL的初始位姿输入：

1. 修改amcl.launch文件，设置初始位姿话题：

xml复制<param name="initial_pose_x" value="0.0" />
<param name="initial_pose_y" value="0.0" />
<param name="initial_pose_a" value="0.0" />
<param name="initial_cov_xx" value="0.25" />
<param name="initial_cov_yy" value="0.25" />
<param name="initial_cov_aa" value="0.25" />

2. 创建位姿转换节点，将ArUco位姿转换为AMCL需要的格式：

python复制# 将/marker_42到/base_link的变换转换为地图坐标系下的位姿
# 这里假设第一个检测到的标记位置为地图原点

5. 系统优化与性能提升

5.1 多标记融合定位

单标记易受遮挡影响，多标记系统可提高鲁棒性。实现策略包括：

• 加权平均法：根据标记大小和距离分配权重
• 投票机制：排除异常检测结果
• 卡尔曼滤波：平滑位姿估计

5.2 实际部署经验分享

在仓库AGV项目中，我们发现这些配置最有效：

• 标记布置高度1.5-2米，倾斜30度向下
• 每5-8平方米布置一个标记
• 使用不同ID的标记组合，避免混淆
• 定期检查相机镜头清洁度

光照条件对识别率的影响测试数据：

最后提醒，系统集成后务必进行长时间稳定性测试。我们曾遇到过一个由USB供电不稳导致的偶发识别失败问题，改用独立电源后解决。