软硬件全开源！如何手工打造一台理想中的机器人？

一、项目背景

为了和大家一起交流和进步，现在将小白机器人的软硬件所有资料全部开源。下面分硬件、结构、软件三个方面向大家汇报一下小白机器人的技术细节。

二、硬件

1.硬件总体设计

做硬件，首先要确定一下小白机器人的核心CPU，有近些年火热的ESP32和昂贵的Linux SOC两种选择，最终还是选择了能跑Linux的RK3566芯片，虽然价格昂贵、功耗高、发热重、体积大，但是在Linux系统下编程更加自由，功能更加容易扩展，有大量的开源项目可供使用，不必自己重新造轮子，例如下文中会提到的强大的ros系统。

确定了处理器之后，机器人上肯定少不了一块液晶屏，为的是和用户进行人机交互，显示个表情包啥的，提供必要的情绪价值。

要想让机器人能看见这个世界，必须需要安装一个摄像头；要机器人能听会说，麦克风和扬声器也是必须要的；要实现机器人能走路，最简单的方式就是安装两个差速轮，并且为了支持它到处跑，电池供电也是必不可少的。

另外为了机器人在室内环境中能够避障和导航，我还为小白机器人的顶部配备了单线激光雷达；为了实现机器人常见的离线命令词控制，内置了离线语音芯片；为了实现待机充电，在机器人内部做了电源切换和充电电路。

最后确定下来的硬件整体框架如下：

2.采购清单

硬件采购清单如下，仅供参考（以下不包括底盘PCB单面SMT用到的元器件，如果两面全手工焊接需要根据原理图另行购买元器件）：

3.原理图和PCB

主板采用了现成的香橙派3B，而STM32控制板需要在嘉立创打样完成，主要是用于电源管理和移动底盘控制：

另外还有比较简单的电池盒转接板、USB线转接板、USB串口板：

4.硬件参数

项目参数产品型号newbot1.0主芯片SOCRockchip RK3566CPU四核64位Cortex-A55 1.8GHzNPU1T算力 支持TensorFlow/ONNX/PyTorch模型转换VPUH.264/H.265/JPEG硬件编解码RAMLPDDR4 2GBROMeMMC 32GBWi-Fi+蓝牙Wi-Fi 5+BT 5.0控制芯片MCUSTM32F103C8T6电池容量两节18650共7000mAh 3.7V机器人尺寸直径12cm 高度约10cm摄像头分辨率1280x800 30FPS屏幕尺寸1.28寸SPI圆形屏幕操作系统Ubuntu20.04ROS版本ROS1 Noetic三、结构

1.外观设计

对于结构部分，小白机器人的外壳采用工业界常用的Solidworks软件进行绘制。

注意：3D打印采用光固化打印，没有尝试过普通的FDM打印机。

2.内部结构设计

小白机器人充分利用了壳体内的空间，在直径12厘米的圆柱体内，从下至上大致分成了电机、电池、主板、激光雷达四层空间，做到了体积小巧但功能丰富。

3.激光雷达的安装

目前支持YDLidar X2、M1C1_MINI、乐动LD14等多款雷达，YDLidar X2的雷达孔位，也适用于顶部有个小红点的乐动LD14，但是M1C1_MINI的孔位距离更长，具体细节可参考雷达手册。

小白机器人的接口线序和组装详细步骤也放到了项目主页，您可以从零开始一步步组装好机器人的每一个零件。

注意：根据激光雷达的类型不同，孔位位置不同，要选用不同的上壳结构：

四、软件

1.软件整体框架

(1)ROS系统简介

ROS（机器人操作系统，Robot Operating System），是专为机器人软件开发所设计出来的一套电脑操作系统架构。小白机器人的软件在ROS框架下构建，需要掌握ROS基本的命令行工具、可视化工具、工程编译方法、ROS Launch文件、C++和Python语言等ROS开发基础。

推荐ROS入门课程：

ROS官方教程:https://wiki.ros.org/cn

古月居GYH: 【古月居】古月·ROS入门21讲 | 一学就会的ROS机器人入门教程

机器人工匠阿杰: 机器人操作系统 ROS 快速入门教程

ROS包括了通信机制、开发工具、应用功能和生态系统四个部分：

ROS的通信机制主要有Topic、Service、Action三大方式，最常用的是Topic：

ROS常用的可视化工具有rviz、rqt、rqt_image_view、rqt_graph、rqt_plot等，ROS主要应用于移动机器人底盘（SLAM、NAV）、机械臂（MoveIt）和底盘与机械臂结合的复合机器人。

(2)本系统的主要软件功能

这是本项目的三大主要软件功能，包括了语音交互、图像识别、移动导航。

(3)本系统的ROS节点图

左侧是图像的采集处理流程，先读取USB相机原始的JPEG格式数据，然后解码和缩放，送入yolov6处理模块，处理得到检测框和绘制了检测框的图像，然后送入跟踪模块，得到绘制了跟踪结果的图像，最后送到JPEG编码节点，发布出去方便电脑或手机接收查看。

注意这里的解码、缩放以及最后的编码都是调用了RK3566的硬件编解码能力，而yolov6使用了RK3566 RKNN的AI加速能力。

右侧是其他处理流程，包括了底盘控制节点base_control，雷达驱动节点/m1c1_mini，离线唤醒命令处理节点wakeup_process，纯python编写的语音处理节点audio，精确移动和旋转命令执行节点/move_client_cmd和/move_server。下文会对核心的几个节点做简单介绍。

2.底盘控制节点

base_control节点的主要功能：和STM32串口通信，计算并发布里程计/odom和/tf，发布电池信息话题，发布离线语音命令ID；订阅速度话题转换为串口命令，订阅雷达使能话题转换为串口命令，订阅位置复位话题清零位置等。

(1)和STM32的通信协议

底盘控制节点(base_control)每20ms都会通过串口从STM32接收到机器人的一些底层状态信息，包括了当前20ms内的编码器的脉冲数，电池电压，充电状态，离线语音命令ID；底盘控制节点每20ms都会向STM32发送控制命令，包括了两个轮子的PWM占空比，是否打开雷达电源。具体的通信协议如下：

#pragma pack(1)

typedef struct

{

unsigned char head1;//数据头1 'D'

unsigned char head2;//数据头2 'A'

unsigned char struct_size;//结构体长度

short encoder1;//编码器当前值1

short encoder2;//编码器当前值2

short vbat_mv;//电池电压 mV

unsigned char charger_connected;//是否连接充电器

unsigned char fully_charged;//是否充满电

unsigned char asr_id;//语音命令ID

unsigned char end1;//数据尾1 'T'

unsigned char end2;//数据尾2 'A'

unsigned char end3;//数据尾3 '\r' 0x0d

unsigned char end4;//数据尾4 '\n' 0x0a

}McuData;

typedef struct

{

unsigned char head1;//数据头1 'D'

unsigned char head2;//数据头2 'A'

unsigned char struct_size;//结构体长度

short pwm1;//油门PWM1

short pwm2;//油门PWM2

unsigned char enable_power;//开启5V雷达电源

unsigned char end1;//数据尾1 'T'

unsigned char end2;//数据尾2 'A'

unsigned char end3;//数据尾3 '\r' 0x0d

unsigned char end4;//数据尾4 '\n' 0x0a

}CmdData;

#pragma pack()

(2)差速机器人的运动学模型

小白机器人采用两个差速轮加上一个万向球的底盘架构，差速机器人的运动学模型如下：

代码实现：

//v = (vr+vl)*0.5

//w = (vr-vl)/ l(轮距)

double delta_m = (double)(mcu_data.encoder2 + mcu_data.encoder1) * 0.5 / pluses_m;// 当前周期的脉冲数均值 / pluses/m = 距离m

double delta_rad = (double)(mcu_data.encoder2 - mcu_data.encoder1)/wheel_distance_m / pluses_m;// 当前周期的脉冲数差值 / pluses/m / 轮距 = 角度rad

//vl = v - w*l(轮距)*0.5

//vr = v + w*l(轮距)*0.5

//速度转换为编码器目标值

int target1 = (target_m_s - target_rad_s * wheel_distance_m *0.5) * dt * pluses_m;//左轮速度m/s * dt * pluses/m = 左轮距离m * pluses/m = 左轮脉冲数

int target2 = (target_m_s + target_rad_s * wheel_distance_m *0.5) * dt * pluses_m;//右轮速度m/s * dt * pluses/m = 右轮距离m * pluses/m = 右轮脉冲数

(3)PID控制机器人速度

PID控制分为两种，位置式PID和增量式PID：

位置型PID：控制输出与整个历史误差有关，包括比例项、积分项（误差的累加值）和微分项。这种算法直接计算出控制量的绝对值。

增量型PID：控制输出仅与当前误差及前几次误差的差值有关，计算的是控制量的增量，即每次调整的量，而不是控制量的绝对值。因此，它没有积分累加的概念。

优缺点如下：

位置式PID：直接基于当前误差控制输出，更适合精确的位置或速度控制，但可能会遇到积分饱和问题。

增量式PID：基于误差变化量控制输出，通常实现更简单，适合在对误差变化快速响应的场合，能较好地避免积分饱和。

为了达到更高的速度控制精度，小白机器人采用位置式PID控制电机速度。

PID参数调节参考链接：

电机控制进阶——PID速度控制：https://zhuanlan.zhihu.com/p/373402745

在ROS系统下可以使用rqt_reconfigure和rqt_plot工具来调节和可视化PID控制效果：

位置式PID控制器的代码如下：

#include "pid.h"

void init_pid(PidController* pid,double Kp,double Ki,double Kd)

{

pid->Kp = Kp; // 比例系数

pid->Ki = Ki; // 积分系数

pid->Kd = Kd; // 微分系数

pid->integral = 0; // 误差累计

pid->last_error = 0; // 上一次误差

pid->output = 0; //输出值

}

// 计算PID控制器输出

double calculate_pid_output(PidController* pid,int target,int encoder,int max_pwm)

{

// 计算误差

double error,error_rate;

error = target - encoder;

// 计算误差变化率

error_rate = error - pid->last_error;

// 计算误差累计

pid->integral += error;

if(pid->integral>1000)//积分限幅

pid->integral = 1000;

else if(pid->integral<-1000)

pid->integral = -1000;

// 计算PID输出 （位置式直接赋值）

pid->output = pid->Kp * error + pid->Ki * pid->integral + pid->Kd * error_rate;

// 保存上一次误差

pid->last_error = error;

//PWM限幅

if(pid->output>max_pwm)

pid->output=max_pwm;

else if(pid->output<-max_pwm)

pid->output=-max_pwm;

return pid->output;

}

3.语音交互节点

语音交互节点主要包括了语音识别、大模型处理和语音合成。因为目前大多数语音识别API都需要付费，因此使用Kaldi本地语音识别。大模型使用了不限次数免费的科大讯飞大模型API。语音合成可以使用免费的edge_tts、有道TTS、Kaldi本地TTS等。

(1)语音识别

因为目前大多数语音识别API都需要付费，因此使用sherpa_onnx库实现的本地语音识别，使用cpu推理模型：

class KaldiASR():

def __init__(self):

current_dir = os.path.dirname(os.path.realpath(__file__)) # 获取当前文件夹

model_path_name = os.path.join(current_dir,"..","model","sherpa-onnx-paraformer-zh-small-2024-03-09")

print("离线语音识别模型开始初始化...")

# 初始化语音识别

offline_asr.init(model_path_name)

print("离线语音识别模型初始化完成")

def audio_file_to_text(self, wav_name):

text = offline_asr.asr(wav_name)

#print("kaldi识别结果:",text)

return text

kaldi语音识别的代码如下：

def asr(*sound_files):

global args

global recognizer

global contexts_list

start_time = time.time()

streams = []

total_duration = 0

for wave_filename in sound_files:

samples, sample_rate = read_wave(wave_filename)

duration = len(samples) / sample_rate

total_duration += duration

if contexts_list:

s = recognizer.create_stream(contexts_list=contexts_list)

else:

s = recognizer.create_stream()

s.accept_waveform(sample_rate, samples)

streams.append(s)

recognizer.decode_streams(streams)

results = [s.result.text for s in streams]

end_time = time.time()

for wave_filename, result in zip(sound_files, results):

return f"{result}"

(2)大模型处理

使用了无限次免费的科大讯飞大模型API：

class WsProcess():

def __init__(self, wsParam):

websocket.enableTrace(False)

wsUrl = wsParam.create_url()

self.ws = websocket.WebSocketApp(wsUrl, on_message=self.on_message, on_error=on_error, on_close=on_close, on_open=on_open)

self.answer = ""

# 收到websocket消息的处理

def on_message(self, message):

data = json.loads(message)

code = data['header']['code']

if code != 0:

print(f'请求错误: {code}, {data}')

self.ws.close()

#self.answer += data['header']['message']

else:

choices = data["payload"]["choices"]

status = choices["status"]

content = choices["text"][0]["content"]

self.answer += content

if status == 2:

self.ws.close()

def run(self, appid, domain, query):

self.ws.appid = appid

self.ws.query = query

self.ws.domain = domain

self.timeout = False

self.timer = threading.Timer(5, self.on_timeout) #5秒等待时间，如果大模型回复的内容多，就可能等待时间比较久

self.timer.start()

self.ws.run_forever(sslopt={"cert_reqs": ssl.CERT_NONE})

self.timer.cancel()

if self.timeout:

print("大模型网络连接超时")

return "抱歉，我的网络好像卡住了"

else:

return self.answer

def on_timeout(self):

print("llm请求超时!")

self.timer.cancel()

self.timeout = True

self.ws.close()

(3)语音合成

目前使用免费的edge_tts（前一段时间挂了，升级到最新又能用了），或者国内的有道tts：

class YoudaoTranslate(BaseTranslate):

def __init__(self):

super(YoudaoTranslate, self).__init__()

self.home = 'https://dict.youdao.com/'

def get_tts(self, text, lan='', type_=2, *args, **kwargs):

""" 获取发音

:param text: 源文本

:param lan: 文本语言

:param type_: 发音类型

:return: 文本语音

"""

path = 'dictvoice'

params = {'audio': text, 'le': lan, 'type': type_}

response = self._get(path, params)

if response==None:

return None

if len(response.content)==0:

return None

return response.content

4.目标检测节点

目标检测节点采用了RK3566的NPU加速处理，推荐官方的模型仓库rknn_mode_zoo，官方已经支持了各类视觉和自然语言任务。本项目选用了速度较快的yolov6检测模型，模型部署的大致流程是先将pytorch转onnx，再将onnx转rknn，最后在开发板上读取rknn模型进行推理。

瑞芯微RK3566或RK3588支持NPU深度学习推理加速，官方提供的模型库链接：https://github.com/airockchip/rknn_model_zoo

目前模型库中已经支持了图像分类、目标检测、语义分割、实例分割、人脸关键点、车牌识别、文本识别OCR、机器翻译、图像文本匹配、语音识别、语音分类、文本转语音等各类深度学习任务。

下面介绍目标检测算法yolov6的模型部署过程，模型部署的大致流程是：

电脑python训练 --> .pt --> .onnx --> .rknn --> 开发板c++推理

(1)训练代码修改

先从官方github下载代码：

git clone https://github.com/meituan/YOLOv6.git

deploy/ONNX/export_onnx.py原始代码：

torch.onnx.export(model, img, f, verbose=False, opset_version=13,

training=torch.onnx.TrainingMode.EVAL,

do_constant_folding=True,

input_names=['images'],

output_names=['num_dets', 'det_boxes', 'det_scores', 'det_classes']

if args.end2end else ['outputs'],

dynamic_axes=dynamic_axes)

修改后，输出层改为3个，方便部署代码的后处理：

torch.onnx.export(model, img, f, verbose=False, opset_version=12,

training=torch.onnx.TrainingMode.EVAL,

do_constant_folding=True,

input_names=['images'],

output_names=['num_dets', 'det_boxes', 'det_scores', 'det_classes']

if args.end2end else ['output1','output2','output3'], #['outputs'],

dynamic_axes=dynamic_axes)

yolov6/models/heads/effidehead_distill_ns.py原始代码：

class Detect(nn.Module):

export = False

修改后：

class Detect(nn.Module):

export_rknn = True #导出rknn友好模型

export = False

原始代码：

def forward(self, x):

if self.training:

cls_score_list = []

reg_distri_list = []

reg_lrtb_list = []

修改后：

def _rknn_opt_head(self, x): #yolov6n,s会运行这个文件

output_for_rknn = []

for i in range(self.nl):

x[i] = self.stems[i](x[i])

reg_feat = self.reg_convs[i](x[i])

reg_output = self.reg_preds[i](reg_feat)

cls_feat = self.cls_convs[i](x[i])

cls_output = self.cls_preds[i](cls_feat)

cls_output = torch.sigmoid(cls_output) #npu支持sigmoid 消耗1ms以下

conf_max,_ = cls_output.max(1, keepdim=True) #此行实际会调用reducemax，npu支持max，但没有reducemax

#rknn推理仅cpu支持reducemax argmax sum等操作，并且argmax量化效果差

out = torch.cat((reg_output,conf_max,cls_output),dim=1) #4(reg)+1(max)+80(cls)

#out = torch.cat((reg_output,cls_output),dim=1) #4+80这种组合节约npu时间，但是后处理时间增加,cpu占用高

output_for_rknn.append( out )

return output_for_rknn

def forward(self, x):

if self.export_rknn:

return self._rknn_opt_head(x)

if self.training:

cls_score_list = []

reg_distri_list = []

reg_lrtb_list = []

代码修改完成后进行模型导出：

参考链接：https://github.com/meituan/YOLOv6/tree/main/deploy/ONNX

将img的高度设置为352，宽度设置为640，导出最小模型yolov6n.pt：

python ./deploy/ONNX/export_onnx.py \

--weights yolov6n.pt \

--img 352 640 \

--batch 1 \

--simplify

yolov6n.onnx模型可视化，使用Netron工具打开模型：

可以看到模型输入图像尺寸为1x3x352x640：

模型其中一个分支输出尺寸为1x85x11x20：

(2)模型转换

模型转换之前需要在电脑安装rknn-toolkit2，大致转换代码如下：

def export_rknn_inference(img):

# Create RKNN object

rknn = RKNN(verbose=False)

# pre-process config

print('--> Config model')

rknn.config(mean_values=[[0, 0, 0]], std_values=[[255, 255, 255]],target_platform='rk3566')

print('done')

# Load ONNX model

print('--> Loading model')

ret = rknn.load_onnx(model=ONNX_MODEL)

if ret != 0:

print('Load model failed!')

exit(ret)

print('done')

# Build model

print('--> Building model')

ret = rknn.build(do_quantization=QUANTIZE_ON, dataset=DATASET)

if ret != 0:

print('Build model failed!')

exit(ret)

print('done')

# Export RKNN model

print('--> Export rknn model')

ret = rknn.export_rknn(RKNN_MODEL)

if ret != 0:

print('Export rknn model failed!')

exit(ret)

print('done')

# Init runtime environment

print('--> Init runtime environment')

ret = rknn.init_runtime()

if ret != 0:

print('Init runtime environment failed!')

exit(ret)

print('done')

# Inference

print('--> Running model')

outputs = rknn.inference(inputs=[img])

rknn.release()

print('done')

return outputs

转换后得到yolov6n.rknn文件，使用python接口推理可以得到绘制了检测结果的图片：

也可以用Netron工具可视化查看：

输出层：

(3)模型部署代码

模型部署代码运行在开发板上，使用C++代码实现推理，主要修改后处理代码：

static int process_float(float *input, int grid_h, int grid_w, int height, int width, int stride,

std::vector &boxes, std::vector &objProbs, std::vector &classId,

float threshold, int32_t zp, float scale,int OBJ_CLASS_NUM)

{

int validCount = 0;

int grid_len = grid_h * grid_w;

//printf("hxw %dx%d %dx%d %d\n",grid_h,grid_w,height,width,stride);

for (int i = 0; i < grid_h; i++)

{

for (int j = 0; j < grid_w; j++)

{

if( input[4 * grid_len + i*grid_w + j] < threshold )//4+1+80

{

continue;//这一步可以节约大量后处理时间，并且减少CPU占用

//但是将ReduMax放在模型推理中完成，模型推理也调用的是CPU，所以CPU会在推理时偏高

}

//4+1+80 or 4+80

float *in_ptr = input + i*grid_w + j;

//float prob_max = in_ptr[4 * grid_len];

float prob_max = in_ptr[5 * grid_len];

int maxClassId = 0;

for (int c = 1; c < OBJ_CLASS_NUM; c++)

{

//float prob = in_ptr[(4 + c) * grid_len];

float prob = in_ptr[(5 + c) * grid_len];

if (prob > prob_max)

{

maxClassId = c;

prob_max = prob;

}

}

if (prob_max >= threshold)

{

float box_x = j + 0.5 - in_ptr[0 * grid_len];

float box_y = i + 0.5 - in_ptr[1 * grid_len];

float box_x2 = j + 0.5 + in_ptr[2 * grid_len];

float box_y2 = i + 0.5 + in_ptr[3 * grid_len];

float box_w = box_x2-box_x;

float box_h = box_y2-box_y;

//printf("prob=%f\n",maxClassProbs);

// objProbs.push_back(maxClassProbs);

// classId.push_back(maxClassId);

objProbs.push_back(prob_max);

classId.push_back(maxClassId);

boxes.push_back(box_x*stride);

boxes.push_back(box_y*stride);

boxes.push_back(box_w*stride);

boxes.push_back(box_h*stride);

validCount++;

}

}

}

return validCount;

}

5.SLAM和导航节点

最后是slam和导航节点，slam和导航基本都是用ROS自带的功能包，只需要根据自己机器人情况修改配置文件，例如调整机器人的尺寸配置，修改机器人的最大速度限制等。

(1)启动功能包

在小白机器人上启动SLAM和导航的命令如下：

cd ~/newbot_ws

source devel/setup.bash

roslaunch robot_navigation blank_map_move_base.launch #空地图下测试路径规划(map坐标系和odom坐标系永远一致)

#先要打开雷达

roslaunch robot_navigation robot_slam.launch #SLAM建图测试

cd maps && rosrun map_server map_saver -f map #进入robot_navigation包里的maps目录，执行map_server保存地图

roslaunch robot_navigation robot_navigation.launch #加载上一部保存的地图、定位和路径规划测试

电脑上可视化建图和导航效果：

$ rviz #在电脑上执行，打开pkg_launch/rviz/robot.rviz文件可视化建图和导航结果

(2)修改配置文件

以下改动量比较大的两个配置文件，首先要调整机器人的尺寸配置，还需要修改机器人的速度限制：

newbot_ws/src/robot_navigation/config/robot/costmap_common_params.yaml配置文件：

obstacle_range: 3.0 #障碍物范围 机器人只会更新其地图包含距离移动基座obstacle_range米以内的障碍物的信息

raytrace_range: 3.5 #光线追踪范围 机器人将尝试清除raytrace_range米外的空间，在代价地图中清除raytrace_range米外的障碍物

#footprint: [[-0.07, -0.06], [-0.07, 0.06], [0.05, 0.06], [0.05, -0.06]]

robot_radius: 0.07 #圆形机器人半径 直径12cm,半径6cm

inflation_radius: 0.2 #1.0 #膨胀半径 如果机器人经常撞到障碍物就需要增大该值!!!!!，若经常无法通过狭窄地方就减小该值!!!!!

cost_scaling_factor: 3.0 #3.0 # exponential rate at which the obstacle cost drops off(default: 10)

map_type: costmap

observation_sources: scan

scan: {sensor_frame: laser_link, data_type: LaserScan, topic: scan, marking: true, clearing: true}

#marking表示是否可以使用该传感器来标记障碍物

#clearing表示是否可以使用该传感器来清除障碍物标记为自由空间

#参数参考了github turtlebot3代码

#https://github.com/ROBOTIS-GIT/turtlebot3/tree/master/turtlebot3_navigation/param/costmap_common_params_burger.yaml

newbot_ws/src/robot_navigation/config/robot/dwa_local_planner_params.yaml配置文件：

DWAPlannerROS:

# Robot Configuration Parameters

max_vel_x: 0.10 #0.22 #机器人的最大 x 速度 默认值：0.55

min_vel_x: -0.10 #-0.22 #机器人的最小x速度（以m / s为单位），向后运动为负 默认值：0.0

max_vel_y: 0.0 #机器人的最大 y 速度

min_vel_y: 0.0 #机器人的最小 y 速度

# The velocity when robot is moving in a straight line

max_vel_trans: 0.10 #0.22 #机器人最大平移速度的绝对值 默认值：0.55

min_vel_trans: 0.05 #0.11 #机器人最小平移速度的绝对值 默认值：0.1

max_vel_theta: 2.0 #2.75 #机器人最大旋转速度的绝对值 默认值：1.0

min_vel_theta: 1.0 #1.37 #机器人最小旋转速度的绝对值 默认值：0.4

acc_lim_x: 2.5 #机器人的 x 加速度极限 默认值：2.5

acc_lim_y: 0.0 #机器人的 y 加速度极限 默认值：2.5

acc_lim_theta: 3.2 #机器人的旋转加速度极限 默认值：3.2

# Goal Tolerance Parameters

xy_goal_tolerance: 0.05 #实现目标时控制器在 x 和 y 距离内的公差 默认值：0.10

yaw_goal_tolerance: 0.17 #控制器在实现目标时偏航/旋转时的弧度公差 默认值：0.05

latch_xy_goal_tolerance: false ##如果被锁定，如果机器人到达目标xy位置，它将简单地在原地旋转，即使它最终超出了目标公差 默认值：假

# Forward Simulation Parameters

sim_time: 2.0 #1.5 #向前模拟轨迹的时间 默认值：1.7 太小不停地拐弯，轨迹不流畅；太大走大圈和轨迹不符合

vx_samples: 6 #20 #探索 x 速度空间时要使用的样本数 默认值：3

vy_samples: 0 #探索 y 速度空间时要使用的样本数 默认值：10

vth_samples: 40 #40 #探索θ速度空间时要使用的样本数量 默认值：20

controller_frequency: 10.0 #调用此控制器的频率（以 Hz 为单位） 默认值：20.0

# Trajectory Scoring Parameters

path_distance_bias: 32.0 #32.0 #控制器应保持与给定路径的接近程度的权重 默认值：32.0 #本地规划器与全局路径保持一致的权重 较大的值将使本地规划器更倾向于跟踪全局路径

goal_distance_bias: 20.0 #20.0 #控制器应尝试达到其本地目标的权重也控制速度 默认值：24.0 #会使机器人与全局路径的匹配度偏低

occdist_scale: 0.01 #0.02 #控制器应尝试避免障碍物的权重 默认值：0.01

forward_point_distance: 0.325 #从机器人中心点到放置一个附加得分点的距离 默认值：0.325

stop_time_buffer: 0.2 #机器人在碰撞前必须停止的时间量，以使轨迹在几秒钟内被视为有效 默认值：0.2

scaling_speed: 0.25 #开始缩放机器人占地面积的速度的绝对值，以 m/s 为单位 默认值：0.25

max_scaling_factor: 0.2 #将机器人的占地面积缩小到以下列的最大系数 默认值：0.2

# Oscillation Prevention Parameters

oscillation_reset_dist: 0.05 #在振荡标志重置之前，机器人必须以米为单位行进多远 默认值：0.05

# Debugging

publish_traj_pc : true

publish_cost_grid_pc: true

holonomic_robot: false #是否为全向机器人 值为false时为差分机器人; 为true时表示全向机器人

#http://wiki.ros.org/dwa_local_planner?distro=noetic

#参数参考:

#https://blog.csdn.net/weixin_42005898/article/details/98478759

#导航调优指南.pdf

#https://blog.csdn.net/luohuiwu/article/details/92985584

B站视频链接

【开源】如何手工打造一台理想中的机器人？:https://www.bilibili.com/video/BV1LWUYYjEUg/

电饭锅们出来军训了ʕ ᵔᴥᵔ ʔ:https://www.bilibili.com/video/BV1TTDBYnE8H/