机器人系统全景图：感知-决策-执行三大模块详解

观熵

已于 2025-04-18 10:32:13 修改

阅读量2.2k

点赞数 20

分类专栏：机器人研发全栈进阶指南：从ROS到AI智能控制文章标签：机器人人工智能

于 2025-03-30 14:52:00 首次发布

本文链接：https://blog.csdn.net/sinat_28461591/article/details/146754185

版权

机器人研发全栈进阶指南：从ROS到AI智能控制专栏收录该内容

8 篇文章

订阅专栏

个人简介

作者简介：全栈研发，具备端到端系统落地能力，专注大模型的压缩部署、多模态理解与 Agent 架构设计。热爱“结构”与“秩序”，相信复杂系统背后总有简洁可控的可能。
我叫观熵。不是在控熵，就是在观测熵的流动
个人主页：观熵
个人邮箱：privatexxxx@163.com
座右铭：愿科技之光，不止照亮智能，也照亮人心！

专栏导航

观熵系列专栏导航：
AI前沿探索：从大模型进化、多模态交互、AIGC内容生成，到AI在行业中的落地应用，我们将深入剖析最前沿的AI技术，分享实用的开发经验，并探讨AI未来的发展趋势
AI开源框架实战：面向 AI 工程师的大模型框架实战指南，覆盖训练、推理、部署与评估的全链路最佳实践
计算机视觉：聚焦计算机视觉前沿技术，涵盖图像识别、目标检测、自动驾驶、医疗影像等领域的最新进展和应用案例
国产大模型部署实战：持续更新的国产开源大模型部署实战教程，覆盖从模型选型 → 环境配置 → 本地推理 → API封装 → 高性能部署 → 多模型管理的完整全流程
TensorFlow 全栈实战：从建模到部署：覆盖模型构建、训练优化、跨平台部署与工程交付，帮助开发者掌握从原型到上线的完整 AI 开发流程
PyTorch 全栈实战专栏： PyTorch 框架的全栈实战应用，涵盖从模型训练、优化、部署到维护的完整流程
深入理解 TensorRT：深入解析 TensorRT 的核心机制与部署实践，助力构建高性能 AI 推理系统
Megatron-LM 实战笔记：聚焦于 Megatron-LM 框架的实战应用，涵盖从预训练、微调到部署的全流程
AI Agent：系统学习并亲手构建一个完整的 AI Agent 系统，从基础理论、算法实战、框架应用，到私有部署、多端集成
DeepSeek 实战与解析：聚焦 DeepSeek 系列模型原理解析与实战应用，涵盖部署、推理、微调与多场景集成，助你高效上手国产大模型
端侧大模型：聚焦大模型在移动设备上的部署与优化，探索端侧智能的实现路径
行业大模型 · 数据全流程指南：大模型预训练数据的设计、采集、清洗与合规治理，聚焦行业场景，从需求定义到数据闭环，帮助您构建专属的智能数据基座
机器人研发全栈进阶指南：从ROS到AI智能控制：机器人系统架构、感知建图、路径规划、控制系统、AI智能决策、系统集成等核心能力模块
人工智能下的网络安全：通过实战案例和系统化方法，帮助开发者和安全工程师识别风险、构建防御机制，确保 AI 系统的稳定与安全
智能 DevOps 工厂：AI 驱动的持续交付实践：构建以 AI 为核心的智能 DevOps 平台，涵盖从 CI/CD 流水线、AIOps、MLOps 到 DevSecOps 的全流程实践。
C++学习笔记？：聚焦于现代 C++ 编程的核心概念与实践，涵盖 STL 源码剖析、内存管理、模板元编程等关键技术
AI × Quant 系统化落地实战：从数据、策略到实盘，打造全栈智能量化交易系统

一、什么是“机器人系统”？为什么必须系统化看待？

很多初学者刚接触机器人时，往往从“搭车”“装电机”“跑代码”开始，但随着项目复杂度提升，会发现：

传感器接上了，但识别不准；
控制器逻辑写了，但机器人乱动；
地图建出来了，但路径绕远、不避障；
能跑，但一断电重启就出错、不好调试；

这些问题看似五花八门，本质是缺乏“系统思维”来理解机器人。

📌 机器人 ≠ 硬件 + 程序，而是一个完整的系统工程

一个真正的机器人，远不是几行控制电机的代码那么简单。

它是一个集成了：

各类传感器（获取环境信息）、
多层级控制器（完成运动任务）、
智能决策系统（做路径、规避、抓取等动作选择）、
通信与协调机制（节点间数据同步）、
以及完整的软件架构与硬件适配

的闭环感知-控制系统（Perception-Control Loop）。

🧠 为什么一定要“系统化思考”？

因为机器人不是跑一段逻辑就能完成任务的程序，它是一个分布式、异步、多线程、高协同的实体：

多个模块并行运行（感知模块、控制模块、导航模块等）
各子系统必须在毫秒级完成协作
数据处理要考虑延迟、同步、频率、误差、反馈

🚨 举例说明：
假如你的激光雷达频率是 10Hz，路径规划模块刷新频率是 1Hz，而控制器是 50Hz，没有经过合理设计的数据流路由与缓冲机制，系统将出现：

延迟反馈
路径不一致
抖动控制
甚至运动失控

🤖 系统级思维模型：感知 → 决策 → 控制 → 执行

这就是为什么机器人工程普遍采用下图这样的分层结构👇：

+---------------------+
|     感知系统        |  相机、激光雷达、IMU 等
+---------------------+
            ↓
+---------------------+
|     决策系统        |  路径规划、避障策略、状态机、AI推理
+---------------------+
            ↓
+---------------------+
|     控制系统        |  控制器PID、MPC等、动作执行逻辑
+---------------------+
            ↓
+---------------------+
|     执行系统        |  电机、舵机、底盘、机械臂等硬件执行器
+---------------------+

这个结构的核心思想是：

每一层只关心自己的输入与输出；
彼此间通过接口进行解耦通信；
系统具备稳定性、可维护性、可调试性、可拓展性。

🎯 本文的目标：

帮助你彻底搞懂“机器人系统”是如何被组织、运行与协同的，为后续研发、项目实现、故障排查打下最坚实的思维框架。

📌 小结：

你写的代码不只是逻辑，而是机器人系统的一部分。理解结构，才能掌控复杂。

二、感知系统详解：机器人的“感官网络”

如果说人的眼睛和耳朵是连接世界的“感官”，那么在机器人系统中，感知模块就是它的“信息入口”。它负责获取环境信息、识别状态变化、估计位置与构建地图，是后续决策与控制的“基础输入”。

2.1 视觉系统（Vision）：让机器人看得见

现代机器人大多搭载视觉传感器，用于识别物体、估算距离、跟踪运动目标等。

📷 常见相机类型：

类型	特点	应用场景
RGB 相机	最常见，普通图像采集	目标识别、颜色检测
深度相机（如 RealSense）	获取像素点深度信息	3D建模、避障
双目相机	计算视差实现深度估计	视觉 SLAM、空间重建
工业相机	高帧率高精度	抓取识别、对位校准

🧰 常用处理技术：

图像识别：OpenCV / MediaPipe / YOLO
目标检测与跟踪：边框定位 + 多目标跟踪（MOT）
深度估计与点云生成：RGBD 转点云（PCL）
语义分割 / 目标语义感知：结合 AI 模型（SegFormer、SAM）

📌 示例应用：送餐机器人通过 YOLO 识别地面障碍物 → 建立动态避障路径。

2.2 激光与雷达系统：让机器人感知空间结构

🧪 激光雷达（LiDAR）基础：

类型	特点	应用
2D 雷达	水平平面扫描	建图、避障、SLAM
3D 雷达	多线束，空间点云	高精地图构建、自动驾驶
ToF 模块	点对点测距	室内定位辅助
超声波 / 红外	低精度低成本	辅助避障、边缘检测

🔍 应用重点：

实时建图（SLAM）：GMapping / Cartographer
点云处理：滤波、聚类、目标提取（使用 PCL 库）
避障功能：生成代价地图、检测动态障碍物

📌 示例应用：自主清扫机器人通过 2D LiDAR + SLAM 实时构建家居地图。

2.3 姿态感知与运动估计：让机器人知道“自己在哪里”

除了看清环境，机器人还要“知道自己”：

📦 关键传感器：

类型	功能	输出
IMU（惯性测量单元）	检测加速度/角速度	姿态、旋转
轮速计 / 编码器	检测轮子转动	位移、里程计
GPS / RTK	室外定位	经纬度 / 世界坐标系

📈 状态估计技术：

传感器融合算法：
- 线性 Kalman 滤波（KF）
- 扩展 Kalman 滤波（EKF）
- 无迹 Kalman 滤波（UKF）
- 图优化（GTSAM / g2o）
融合模型输出：机器人的精确位置、姿态、速度估计

📌 示例应用：四轮机器人使用 IMU + 编码器 + 雷达，融合后精度可达厘米级定位。

2.4 感知数据的输出与下游对接

感知模块并不是孤立存在的，它的最终产物通常包括：

输出类型	下游用途
当前地图（Grid/PointCloud）	路径规划模块用于导航避障
实时定位（pose/odom）	控制器调整方向和速度
障碍物位置	决策模块生成新路径
人/物目标坐标	行为控制模块用于跟踪/识别/抓取

感知数据通过 ROS 话题发布，例如：

/scan         # 激光数据
/camera/image # 相机图像流
/odom         # 里程计估计
/map          # 构建的地图数据

📌 小结：

感知模块就像是机器人的“眼耳鼻”，它决定了机器人能否认清世界、定位自己、看清障碍，而不是“瞎子摸象”。

三、决策系统详解：机器人的“大脑”与逻辑中枢

感知系统只是“输入”，只有当机器人能够分析环境状态、评估当前目标、生成可执行的策略时，才称得上真正“智能”。这就是决策系统的职责——它是整个机器人系统的“大脑”。

3.1 状态管理机制：让机器人知道“当前该做什么”

机器人在运行过程中通常会经历多个状态或任务切换：例如“待机 → 接收到指令 → 开始导航 → 发现障碍 → 调整路径 → 到达目的地”。

🧭 状态管理的两种主流方式：

名称	描述	特点
有限状态机 FSM（Finite State Machine）	手工设计任务流程，逐状态判断转移	结构简单、易于调试
行为树 Behavior Tree	用树状结构表达任务逻辑，支持并行、优雅扩展	更适合复杂任务、AI Agent

📌 示例：送餐机器人接单后可进入“取餐 → 导航 → 送达 → 返回 → 待命”流程，每一阶段可建模为状态或行为子树。

3.2 路径规划：从当前位置到目标点的“最优路线”

路径规划是机器人导航中最核心的功能之一，属于决策系统的“策略制定”部分。

💡 典型算法分类：

类型	算法	应用场景
全局路径规划	A*, Dijkstra, RRT, PRM	从起点到终点的整体路径规划
局部路径规划	DWA、TEB、MPC	实时避障、动态调整控制速度与方向
高级规划策略	Hybrid A, RRT + Map Replanning	考虑动态障碍和非完整性系统

ROS Navigation Stack 工作流程简述：

/odom + /scan + /map → costmap → global planner → local planner → cmd_vel

其中：

Global Planner 负责整体路径图
Local Planner 负责前几米范围内的速度与角度控制
Costmap 结合实时感知数据构建障碍分布图

📌 工具建议：

rviz 可视化路径和障碍地图
rqt_graph 查看模块间通信逻辑

3.3 AI 决策系统：让机器人能“学习”与“适应”

传统路径规划仍依赖人工设计的代价函数，而现代机器人越来越倾向于自学习、自适应、自优化的控制策略，这就引入了 AI 决策模块。

🤖 强化学习在机器人中的应用：

场景	应用
机械臂	强化学习控制末端移动策略
移动机器人	强化学习避障策略（无需显式建图）
多机器人系统	协同策略学习与任务分配

使用 OpenAI Gym + ROS 结合仿真平台（Gazebo / Isaac Sim），可进行端到端策略训练。

🎯 imitation learning 与模仿人类行为：

人类演示路径或动作，机器人学习模仿（如机械臂抓取演示 → 自动学习路径）
减少训练数据，提升泛化能力

3.4 大模型 × 机器人：Plan-to-Act 接口正在兴起

随着大语言模型（如通义千问、GPT-4、文心一言）的兴起，“自然语言指令 → 机器人执行”正成为可能。

示例流程：

用户输入：“请把桌上的水杯拿到厨房”
 ↓
大模型解析目标、对象、动作 → 生成动作序列
 ↓
通过接口指令调度 → 控制机械臂+移动平台 → 完成任务

📌 当前研究代表：

OpenAI：ChatGPT + API 调用控制小车
清华：xLRobot 系统，大模型 + 视觉 + 控制集成
Google：RT-2、RT-X 系列

📌 小结：

决策系统是机器人“行动的灵魂”，让它不仅仅“看得见”，还“做得对”。

通过合理的状态建模、路径规划、AI学习与语言驱动融合，机器人从“自动”走向“智能”，从“执行”迈向“协作”。

四、控制与执行系统详解：从决策到物理动作的传达

决策系统告诉机器人“该怎么走”，控制系统则负责将这些计划转化为实际可控的物理动作，驱动电机、舵机或机械臂精准运动。

可以说，控制系统是机器人最核心、最“理工味”的一层，是连接虚拟智能与现实物理世界的桥梁。

4.1 控制器的分类与设计：让运动“稳准快”

📏 控制的目标：

精确：能走准目标位置
平滑：没有抖动和突变
鲁棒：应对误差与干扰不炸锅

📌 控制器常用类型：

控制器	特点	场景
PID 控制器	最经典，反馈调节误差	舵机角度、电机速度控制
LQR（线性二次调节器）	最优化线性反馈控制	自平衡机器人、轨迹跟踪
MPC（模型预测控制）	多约束优化 + 预测未来路径	复杂路径跟随、四足/汽车模型

PID 控制器结构图：

目标速度
   ↓
[ PID计算 ]
   ↓
控制输出（PWM / 电流） → 执行器
   ↑
   传感器反馈（编码器、IMU）

📌 工具推荐：

ros_control + gazebo_ros_control 实现控制接口绑定
使用 rqt_plot 实时调试 PID 曲线

4.2 运动学与动力学：让控制“科学化”

🧠 基础概念：

名称	描述
正运动学（Forward Kinematics）	给定各关节角度，求末端位置
逆运动学（Inverse Kinematics）	给定末端目标位置，求各关节角度
动力学建模	考虑质量、摩擦、惯性，建模系统真实受力关系

📦 应用工具：

MoveIt + URDF + SRDF：用于构建机械臂模型与控制流程
IKFast / KDL：用于求逆运动学解
Mujoco / Isaac Sim：动力学仿真验证

📌 示例应用：

控制 UR5 机械臂抓取目标物 → 使用逆运动学计算目标角度 → 通过关节控制器执行动作 → 结合视觉反馈微调位置

4.3 执行器与硬件接口：让指令动起来

控制系统输出的“控制量”最终要通过硬件执行器来完成动作。

🛠 常见执行器类型：

类型	应用	接口
电机（有刷/无刷）	底盘驱动、轮控	PWM、PWM+编码器、FOC控制
舵机	转角控制（180°以内）	PWM、串口舵机总线
步进电机	精准定位（打印机、滑台）	步进驱动板（细分）
线性执行器	伸缩结构（升降平台）	PWM+限位控制
力/扭矩传感器	力控/抓取/人机交互	模拟量/串口

💡 控制方式：

速度控制：适用于移动机器人
位置控制：适用于机械臂、舵机
力/阻抗控制：适用于人机协作场景

📌 接口通信协议：

CAN 总线（常用于工业舵机、电机）
PWM 控制 + 编码器反馈闭环
EtherCAT / Modbus / SPI（高精度低延迟）

4.4 从控制指令到执行动作：典型闭环结构

路径规划输出目标 → 控制器计算控制量 → 驱动信号发给电机
            ↑                                       ↓
     实际运动误差 ← 传感器反馈（IMU、编码器）

这种“目标-控制-反馈”的闭环系统，要求：

控制频率高（常见为 50Hz~1000Hz）
反馈信号准（低延迟、抗干扰）
控制算法稳（防超调、抖动）

📌 小结：

控制系统决定了机器人的“执行能力上限”，只有控制稳定、动作精准，才能让机器人从“概念”走向“工程”。

它是最贴近电机、舵机、电流、硬件驱动的模块，是每一个机器人研发者不可忽视的基础核心。

五、通信机制详解：如何让机器人各系统高效协同工作

机器人系统本质上是一个多模块、分布式、高并发、强耦合的数据流架构。感知、决策、控制、执行等模块各司其职，却又高度依赖彼此的实时数据。这就要求整个系统具备良好的通信机制与消息传递架构。

在这一章，我们将全面拆解机器人中的通信机制，重点讲解 ROS / ROS2 通信架构、消息格式、坐标系统和实时性通信需求。

5.1 为什么机器人通信比你想的复杂？

🧩 原因一：多线程、异步执行

机器人运行中，每个模块都以不同频率运行：

相机 30Hz
雷达 10Hz
控制器 100Hz
状态估计器 50Hz
UI界面 / 云指令可能是异步触发

所有模块必须在数据频率不一致、帧率不一致、延迟不稳定的情况下实现高效通信与数据同步。

🧩 原因二：模块解耦 + 实时性要求共存

机器人既希望：

各模块独立开发与测试（解耦）
又要运行时毫秒级联动（实时）

这要求通信中间件必须兼顾灵活性 + 高效性 + 时间对齐能力

5.2 ROS 通信机制全解析

ROS（Robot Operating System）是目前主流的机器人中间件框架，解决的正是模块解耦 + 数据通信问题。

🧠 核心通信模型：

概念	描述	示例
Node（节点）	一个功能模块，如激光驱动/控制器	`/camera_node`
Topic（话题）	异步数据流通道，发布/订阅机制	`/scan`（激光）
Service（服务）	请求-响应机制，一问一答	`/reset_map`
Action	支持中间反馈与终止的任务接口	`/move_base`
TF / TF2	坐标系广播系统	`/tf` → base_link → map 转换关系

🔁 通信模式对比：

模式	异步/同步	是否可中断	典型用途
Topic	异步	否	激光、图像、IMU 数据流
Service	同步	否	重置地图、设定参数
Action	异步	✅ 是	移动、抓取等长时间任务

5.3 TF：机器人世界的“空间语言”

机器人中涉及多个空间参考坐标系：

地图（map）
里程计（odom）
机器人底座（base_link）
相机（camera_link）
机械臂末端（ee_link）

TF 库通过不断广播这些坐标关系，允许我们在任意时刻查询任意两个坐标系的变换关系。

📌 示例坐标树结构图（TF Tree）：

map → odom → base_link → laser_frame
                    ↘︎ camera_link

📌 工具推荐：

rviz 可视化 TF 坐标变换
tf_echo 命令查询两帧间实时变换

5.4 ROS2 通信机制升级亮点

ROS1 存在性能瓶颈、跨平台性差、实时性较弱等问题，ROS2 对其进行了全方位优化。

🔧 核心变化：

项目	ROS1	ROS2
底层通信	TCPROS / UDPROS	DDS（Data Distribution Service）
实时性	弱	✅ 原生支持实时
跨平台	Ubuntu为主	✅ 支持Windows、macOS、嵌入式
多机器人通信	需 hack	✅ 原生支持 DDS 多域
安全性	无原生机制	✅ 支持数据加密认证传输

📌 DDS 提供：

QoS 策略（可靠性 / 最小延迟）
多播传输优化
可插拔的传输层

5.5 通信中的数据同步与时间戳管理

机器人中常常需要对多个传感器数据时间对齐：

图像帧 vs 激光帧 vs IMU
编码器 vs 控制指令

ROS 提供 message_filters 工具包：

ApproximateTime 策略：按最近邻匹配
ExactTime 策略：精准对齐
时间戳（Header.stamp）与帧ID（Header.frame_id）是数据同步基础

5.6 通信性能调优与调试工具

工具	功能
`rqt_graph`	可视化通信图谱
`rostopic hz / echo / bw`	检查消息频率 / 内容 / 带宽
`rosbag record / play`	数据录制与回放
`ros2 topic info`	ROS2 查看话题状态
`perf / top / htop`	系统性能分析与瓶颈排查

📌 小结：

机器人研发不是单模块逻辑堆叠，而是一个高频交互的数据分布式系统。

通信系统是这个复杂系统稳定运行的“神经网络”，越大型、越高性能的机器人系统，对通信机制的要求就越高。

六、机器人系统集成：从理论到工程落地

前面五章中，我们逐一讲解了机器人系统的各大模块：感知、决策、控制、执行与通信。它们各自承担着独立职责，但唯有将这些模块合理连接并运行于一个统一架构中，机器人才能真正动起来、动得好、动得稳。

这一章，我们将聚焦“工程整合”，也就是你要如何把这些模块组织在一起形成一个可以部署的完整机器人系统。

6.1 机器人系统的运行主线（数据流逻辑）

一台典型的移动机器人运行数据流如下所示：

            +--------------+      +------------------+      +-----------------+
传感器数据 → | 感知系统    |  →  | 决策系统         |  →  | 控制系统        | → 电机执行动作
（激光/IMU/图像） |（SLAM、识别）|      |（路径规划、FSM）|      |（PID、MPC）      |
            +--------------+      +------------------+      +-----------------+

所有模块的运行和数据交换，最终都围绕一个核心框架组织：中间件（ROS/ROS2）。

6.2 模块之间的典型接口结构

模块	接口数据	数据格式（ROS话题）
相机	图像帧	`/camera/image_raw` (sensor_msgs/Image)
雷达	距离扫描	`/scan` (sensor_msgs/LaserScan)
SLAM模块	地图 / 位置	`/map`、`/odom` (nav_msgs/OccupancyGrid / Odometry)
AMCL定位	当前pose	`/amcl_pose` (geometry_msgs/PoseWithCovarianceStamped)
路径规划	导航路径	`/move_base/goal`、`/cmd_vel`
控制器	控制指令	`/cmd_vel` (geometry_msgs/Twist)
TF系统	坐标关系	`/tf`, `/tf_static` (tf2_msgs/TFMessage)

6.3 数据同步、频率协同与延迟处理

现实系统中常见问题：

视觉图像与雷达帧不同步 → 导致避障失败
控制指令频率太低 → 动作延迟或发抖
规划模块刷新慢 → 路径不够平滑

✅ 实际优化方式：

所有消息带时间戳 + 使用message_filters做同步
控制器频率固定，如ros_control运行在100Hz以上
高实时性模块建议直接使用 ROS2 + DDS 控制域隔离

6.4 工程组织建议：文件结构与模块封装

一个可维护的机器人项目应该具有清晰的功能划分和代码结构：

my_robot_ws/
├── src/
│   ├── perception/        # 感知模块（SLAM、识别）
│   ├── planning/          # 决策模块（路径规划、行为树）
│   ├── control/           # 控制器模块（PID/MPC）
│   ├── hardware/          # 驱动与设备接口
│   └── bringup/           # 启动器与launch文件
├── config/
│   ├── params.yaml        # 参数配置
│   └── robot.urdf         # 机器人模型
├── launch/
│   └── full_system.launch # 一键启动全系统
└── install / build / log  # 构建与运行日志目录

📌 工具建议：

使用roslaunch统一调起全部模块
使用rosparam配置运行参数
使用rviz检查系统运行状态
使用rosbag进行数据记录与回放调试

6.5 开发 → 仿真 → 部署的完整工作流

阶段	工具 / 平台	说明
开发	ROS + Python/C++	编写模块逻辑
仿真	Gazebo / Webots / Isaac Sim	调试地图、传感器、控制器
调试	RViz / rqt / rosbag	检查路径、坐标、消息频率等
部署	Jetson / 工控板 / STM32	下发到真实机器人运行
优化	Profiling / 参数调优	追踪性能瓶颈，优化响应

📌 小结：

“机器人=传感器 + 控制器 + AI + 通信”这句话不假，但最终一切都要在一套完整、稳定、可维护的系统架构中跑起来，才是真正的工程落地。

系统集成能力，是机器人研发者区别于算法工程师或硬件工程师的重要标签。

七、小结与脑图总结：构建你自己的机器人系统认知图谱

到这里，我们已经完成了对整个机器人系统的“地毯式解析”，从高层结构到底层实现，从理论模型到工程集成，一步步搭建起你对机器人全栈系统的结构性认知。

🧠 回顾：机器人系统的七大核心组成

模块	关键作用	关键技术/工具
感知系统	获取环境信息	相机、LiDAR、OpenCV、SLAM
决策系统	规划行为路径	状态机、A*/TEB、行为树、AI
控制系统	执行指令闭环控制	PID/MPC、运动学建模、MoveIt
执行系统	完成物理动作	电机、舵机、力控执行器
通信机制	实现模块协同	ROS/ROS2、Topic/TF/Action
集成架构	工程可运行系统	URDF、launch、仿真、部署
工程工具链	调试与优化	rviz、rosbag、docker、Jetson平台

🧭 思维导图建议（文字版结构）：

机器人系统认知图谱
├── 感知模块
│   ├── 相机 / 雷达 / IMU
│   └── OpenCV / PCL / SLAM
├── 决策模块
│   ├── 状态机 / 行为树
│   └── 路径规划 / AI学习
├── 控制模块
│   ├── PID / LQR / MPC
│   └── 运动学 / 动力学建模
├── 执行模块
│   └── 电机 / 舵机 / 抓手
├── 通信机制
│   ├── ROS1 / ROS2
│   ├── Topic / TF / Service / Action
│   └── DDS / 实时同步
├── 系统集成
│   ├── 模块封装结构
│   ├── 仿真平台
│   └── Jetson部署 / 工控板调度

📌 提示：可使用 XMind / ProcessOn / draw.io 等工具将上述结构图形化，整理为你的知识图谱。