ROS学习笔记（六）ROS视觉处理（简单的色彩识别）

最新推荐文章于 2024-04-22 22:12:43 发布
最新推荐文章于 2024-04-22 22:12:43 发布
阅读量715 收藏 17
点赞数 6
分类专栏： ROS操作系统 文章标签： 学习 笔记 ubuntu opencv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_51473106/article/details/130686042
版权

ROS学习笔记（六）ROS视觉处理（简单的色彩识别）

1. 摄像头驱动（usb_cam）

安装ROS系统的usb驱动程序usb_cam

cd catkin_ws/src
git clone https://github.com/bosch-ros-pkg/usb_cam.git
sudo apt-get install libv4l-dev
cd ~/catkin_ws
catkin_make
source devel/setup.bash

修改 usb_cam-test.launch文件

<launch>
  <node name="usb_cam" pkg="usb_cam" type="usb_cam_node" output="screen" 
>
    <param name="video_device" value="/dev/video0" />
    <param name="image_width" value="640" />
    <param name="image_height" value="480" />
    <param name="pixel_format" value="yuyv" />
    <param name="color_format" value="yuv422p" />
    <param name="camera_frame_id" value="usb_cam" />
    <param name="io_method" value="mmap"/>
  </node>
  <node name="image_view" pkg="image_view" type="image_view" 
respawn="false" output="screen">
    <remap from="image" to="/usb_cam/image_raw"/>
    <param name="autosize" value="true" />
  </node>
 </launch>

安装ROS系统的图像查看器image_view

sudo apt install ros-noetic-image-view

连接笔记本摄像头到VMware虚拟机系统上：虚拟机->可移动设备->Camera

用以下命令打开摄像头

roslaunch usb_cam usb_cam-test.launch

2. 驱动摄像头

创建cv_image功能包

cd catkin_ws/src
catkin_create_pkg cv_image std_msgs roscpp cv_bridge sensor_msgs image_transport

创建节点

在cv_image/src下编写图像处理程序cv_image_node.cpp

#include <ros/ros.h>
#include <cv_bridge/cv_bridge.h>
#include <sensor_msgs/image_encodings.h>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>

using namespace cv;

void Cam_RGB_Callback(const sensor_msgs::ImageConstPtr &msg)
{
  cv_bridge::CvImagePtr cv_ptr;
  try
  {
    cv_ptr = cv_bridge::toCvCopy(msg, sensor_msgs::image_encodings::BGR8);
    }
    catch (cv_bridge::Exception &e)
    {
      ROS_ERROR("cv_bridge exception:%s", e.what());
    }
    
    Mat imgOriginal = cv_ptr->image;
    imshow("RGB", imgOriginal);
    waitKey(1);
}

int main(int argc, char **argv)
{
  ros::init(argc, argv, "cv_image_node");
  ros::NodeHandle nh;
  ros::Subscriber rgb_sub = nh.subscribe("/usb_cam/image_raw", 1, Cam_RGB_Callback);
  namedWindow("RGB");
  ros::spin();
 }

修改CMakeLists.txt和package.xml文件

加上OpenCV的依赖并链接相应库

find_package(catkin REQUIRED COMPONENTS
  cv_bridge
  image_transport
  roscpp
  sensor_msgs
  std_msgs
)
find_package(OpenCV REQUIRED)
 
include_directories(
  ${catkin_INCLUDE_DIRS}
  ${OpenCV_INCLUDE_DIRS}
)
 
add_executable(cv_image_node src/cv_image_node.cpp)
target_link_libraries(cv_image_node ${catkin_LIBRARIES} ${OpenCV_LIBS})

在package.xml文件，在里面添加

<build_depend>opencv2</build_depend>
<build_export_depend>opencv2</build_export_depend>
<exec_depend>opencv2</exec_depend>

编译运行

编译

cd ~/catkin_ws
catkin_make

运行该程序：

roscore

rosrun usb_cam usb_cam_node

rosrun cv_image cv_image_node

运行结果：

3. 仿真环境图像获取

启动wpr仿真环境

roslaunch wpr_simulation wpb_balls.launch

在这里插入图片描述

创建节点

在cv_image/src中新建文件cv_hsv_code.cpp

#include <ros/ros.h>
#include <image_transport/image_transport.h>
#include <cv_bridge/cv_bridge.h>
#include <sensor_msgs/image_encodings.h>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp> 

using namespace cv;
using namespace std;

static int iLowH = 10;
static int iHighH = 40;
static int iLowS = 90; 
static int iHighS = 255;
static int iLowV = 1;
static int iHighV = 255;

void Cam_RGB_Callback(const sensor_msgs::Image msg)
{
    //ROS_INFO("Cam_RGB_Callback");
    cv_bridge::CvImagePtr cv_ptr;
    try
    {
         // 将ROS图像消息转换为OpenCV图像
        cv_ptr = cv_bridge::toCvCopy(msg, sensor_msgs::image_encodings::BGR8);
    }
    catch (cv_bridge::Exception& e)
    {
        // 如果转换失败，输出错误信息
        ROS_ERROR("cv_bridge exception: %s", e.what());
        return;
    }
    // 获取原始图像
    Mat imgOriginal = cv_ptr->image;
    //将RGB图片转换成HSV
    Mat imgHSV;
    vector<Mat> hsvSplit;
    cvtColor(imgOriginal, imgHSV, COLOR_BGR2HSV);

    //在HSV空间做直方图均衡化
    split(imgHSV, hsvSplit);
    equalizeHist(hsvSplit[2],hsvSplit[2]);
    merge(hsvSplit,imgHSV);
    Mat imgThresholded;
    
    //使用上面的Hue,Saturation和Value的阈值范围对图像进行二值化
    inRange(imgHSV, Scalar(iLowH, iLowS, iLowV), Scalar(iHighH, iHighS, iHighV), imgThresholded); 
    //开操作 (去除一些噪点)

    Mat element = getStructuringElement(MORPH_RECT, Size(5, 5));
    morphologyEx(imgThresholded, imgThresholded, MORPH_OPEN, element);
    
    //闭操作 (连接一些连通域)
    morphologyEx(imgThresholded, imgThresholded, MORPH_CLOSE, element);
    //遍历二值化后的图像数据
    int nTargetX = 0;
    int nTargetY = 0;
    int nPixCount = 0;
    int nImgWidth = imgThresholded.cols;
    int nImgHeight = imgThresholded.rows;
    int nImgChannels = imgThresholded.channels();
    //printf("w= %d   h= %d   size = %d\n",nImgWidth,nImgHeight,nImgChannels);
    
    for (int y = 0; y < nImgHeight; y++)
    {
        for(int x = 0; x < nImgWidth; x++)
        {
            //printf("%d  ",imgThresholded.data[y*nImgWidth + x]);
            if(imgThresholded.data[y*nImgWidth + x] == 255)
            {
                nTargetX += x;
                nTargetY += y;
                nPixCount ++;
            }
        }
    }
    
    if(nPixCount > 0)
    {
        nTargetX /= nPixCount;
        nTargetY /= nPixCount;
        printf("颜色质心坐标( %d , %d )  点数 = %d \n",nTargetX,nTargetY,nPixCount);
        //画坐标
        Point line_begin = Point(nTargetX-10,nTargetY);
        Point line_end = Point(nTargetX+10,nTargetY);
        line(imgOriginal,line_begin,line_end,Scalar(255,0,0));
        line_begin.x = nTargetX; line_begin.y = nTargetY-10; 
        line_end.x = nTargetX; line_end.y = nTargetY+10; 
        line(imgOriginal,line_begin,line_end,Scalar(255,0,0));
    }
    else
    {
        printf("目标颜色消失...\n");
    }
    //显示处理结果
    imshow("RGB", imgOriginal);
    imshow("HSV", imgHSV);
    imshow("Result", imgThresholded);
    cv::waitKey(5);
 }

int main(int argc, char **argv)
{
    ros::init(argc, argv, "demo_cv_hsv");
   
    ros::NodeHandle nh;
    ros::Subscriber rgb_sub = nh.subscribe("kinect2/qhd/image_color_rect", 1 , Cam_RGB_Callback);
    ros::Rate loop_rate(30);
    //生成图像显示和参数调节的窗口空见
    namedWindow("Threshold", WINDOW_AUTOSIZE);
    createTrackbar("LowH", "Threshold", &iLowH, 179); //Hue (0 - 179)
    createTrackbar("HighH", "Threshold", &iHighH, 179);
    createTrackbar("LowS", "Threshold", &iLowS, 255); //Saturation (0 - 255)
    createTrackbar("HighS", "Threshold", &iHighS, 255);
    createTrackbar("LowV", "Threshold", &iLowV, 255); //Value (0 - 255)
    createTrackbar("HighV", "Threshold", &iHighV, 255);
    namedWindow("RGB"); 
    namedWindow("HSV"); 
    namedWindow("Result"); 
    while( ros::ok())
    {
        ros::spinOnce();
        loop_rate.sleep();
    }
}

修改CMakeLists.txt

添加以下内容：

add_executable(cv_hsv_code src/cv_hsv_code.cpp)
target_link_libraries(cv_hsv_code ${catkin_LIBRARIES} ${OpenCV_INCLUDE_DIRS})

编译运行

编译

cd ~/catkin_ws
catkin_make

启动仿真环境，测试程序：

roslaunch wpr_simulation wpb_balls.launch

rosrun cv_image cv_hsv_code

rosrun wpr_simulation keyboard_vel_ctrl

4 识别红色和绿色物体

创建节点

在cv_image/src中新建文件cv_color.cpp

#include <ros/ros.h>
#include <cv_bridge/cv_bridge.h>
#include <sensor_msgs/image_encodings.h>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>

using namespace cv;

void Cam_RGB_Callback(const sensor_msgs::ImageConstPtr &msg)// 摄像头回调函数
{
  // 定义一个cv_bridge指针
    cv_bridge::CvImagePtr cv_ptr;
    try
    {
       // 将ROS图像转换为OpenCV图像
        cv_ptr = cv_bridge::toCvCopy(msg, sensor_msgs::image_encodings::BGR8);
    }
    catch (cv_bridge::Exception &e)
    {
        ROS_ERROR("cv_bridge exception:%s", e.what());
    }

    // 获取原始图像
    Mat imgOriginal = cv_ptr->image;
    Mat imgHSV;// 定义一个HSV图像
    cvtColor(imgOriginal, imgHSV, COLOR_BGR2HSV); // 将原始图像转换为HSV图像

    Mat mask_red, mask_green;// 红色和绿色物体的二值图像
    inRange(imgHSV, Scalar(0, 70, 50), Scalar(10, 255, 255), mask_red);
    inRange(imgHSV, Scalar(50, 70, 50), Scalar(100, 255, 255), mask_green);
  
    Mat kernel = getStructuringElement(MORPH_ELLIPSE, Size(5, 5));// 形态学操作的内核大小
    dilate(mask_red, mask_red, kernel);
    dilate(mask_green, mask_green, kernel);
    erode(mask_red, mask_red, kernel);
    erode(mask_green, mask_green, kernel);

    Mat res_red, res_green;// 红色和绿色物体的结果图像
    bitwise_and(imgOriginal, imgOriginal, res_red, mask_red);
    bitwise_and(imgOriginal, imgOriginal, res_green, mask_green);
    

    imshow("RGB", imgOriginal);//显示原始图像
    resize(imgOriginal, imgOriginal, Size(imgOriginal.cols/2, imgOriginal.rows/2));// 调整原始图像的大小
    imshow("Red", res_red);
    imshow("Green", res_green);
    waitKey(100);
}

int main(int argc, char **argv)
{
   // 初始化ROS节点
    ros::init(argc, argv, "cv_image_node");
    ros::NodeHandle nh;// 定义ROS句柄
    // 订阅图像话题
    ros::Subscriber rgb_sub = nh.subscribe("/usb_cam/image_raw", 1, Cam_RGB_Callback);
    namedWindow("RGB");
    namedWindow("Red");
    namedWindow("Green");
    ros::spin();
}

修改CMakeLists.txt

添加以下内容：

add_executable(cv_color src/cv_color.cpp)
target_link_libraries(cv_color ${catkin_LIBRARIES} ${OpenCV_INCLUDE_DIRS})

编译运行

编译

cd ~/catkin_ws
catkin_make

运行程序

roscore

rosrun usb_cam usb_cam_node

rosrun cv_image cv_color

运行结果：
在这里插入图片描述
在这里插入图片描述

5 识别和追踪红色（绿色）物体

创建节点

在cv_image/src中新建文件color.cpp

#include <ros/ros.h>
#include <image_transport/image_transport.h>
#include <cv_bridge/cv_bridge.h>
#include <sensor_msgs/image_encodings.h>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp> 

using namespace cv;
using namespace std;

//红色物体
static int iLowH = 0;
static int iHighH = 10;
static int iLowS = 100;
static int iHighS = 255;
static int iLowV = 100;
static int iHighV = 255;

// // 绿色物体
// static int iLowH = 40;
// static int iHighH = 80;
// static int iLowS = 50;
// static int iHighS = 255;
// static int iLowV = 50;
// static int iHighV = 255;


void Cam_RGB_Callback(const sensor_msgs::Image msg)
{
    //ROS_INFO("Cam_RGB_Callback");
    cv_bridge::CvImagePtr cv_ptr;
    try
    {
         // 将ROS图像消息转换为OpenCV图像
        cv_ptr = cv_bridge::toCvCopy(msg, sensor_msgs::image_encodings::BGR8);
    }
    catch (cv_bridge::Exception& e)
    {
        // 如果转换失败，输出错误信息
        ROS_ERROR("cv_bridge exception: %s", e.what());
        return;
    }
    // 获取原始图像
    Mat imgOriginal = cv_ptr->image;
    //将RGB图片转换成HSV
    Mat imgHSV;
    vector<Mat> hsvSplit;
    cvtColor(imgOriginal, imgHSV, COLOR_BGR2HSV);

    //在HSV空间做直方图均衡化
    split(imgHSV, hsvSplit);
    equalizeHist(hsvSplit[2],hsvSplit[2]);
    merge(hsvSplit,imgHSV);
    Mat imgThresholded;
    
    //使用上面的Hue,Saturation和Value的阈值范围对图像进行二值化
    inRange(imgHSV, Scalar(iLowH, iLowS, iLowV), Scalar(iHighH, iHighS, iHighV), imgThresholded); 
    //开操作 (去除一些噪点)

    Mat element = getStructuringElement(MORPH_RECT, Size(5, 5));
    morphologyEx(imgThresholded, imgThresholded, MORPH_OPEN, element);
    
    //闭操作 (连接一些连通域)
    morphologyEx(imgThresholded, imgThresholded, MORPH_CLOSE, element);
    //遍历二值化后的图像数据
    int nTargetX = 0;
    int nTargetY = 0;
    int nPixCount = 0;
    int nImgWidth = imgThresholded.cols;
    int nImgHeight = imgThresholded.rows;
    int nImgChannels = imgThresholded.channels();
    //printf("w= %d   h= %d   size = %d\n",nImgWidth,nImgHeight,nImgChannels);
    
    for (int y = 0; y < nImgHeight; y++)
    {
        for(int x = 0; x < nImgWidth; x++)
        {
            //printf("%d  ",imgThresholded.data[y*nImgWidth + x]);
            if(imgThresholded.data[y*nImgWidth + x] == 255)
            {
                nTargetX += x;
                nTargetY += y;
                nPixCount ++;
            }
        }
    }
    
    if(nPixCount > 0)
    {
        nTargetX /= nPixCount;
        nTargetY /= nPixCount;
        printf("颜色质心坐标( %d , %d )  点数 = %d \n",nTargetX,nTargetY,nPixCount);
        //画坐标
        Point line_begin = Point(nTargetX-10,nTargetY);
        Point line_end = Point(nTargetX+10,nTargetY);
        line(imgOriginal,line_begin,line_end,Scalar(255,0,0));
        line_begin.x = nTargetX; line_begin.y = nTargetY-10; 
        line_end.x = nTargetX; line_end.y = nTargetY+10; 
        line(imgOriginal,line_begin,line_end,Scalar(255,0,0));
    }
    else
    {
        printf("目标颜色消失...\n");
    }
    //显示处理结果
    imshow("RGB", imgOriginal);
    imshow("HSV", imgHSV);
    imshow("Result", imgThresholded);
    cv::waitKey(5);
 }

int main(int argc, char **argv)
{
    ros::init(argc, argv, "demo_cv_hsv");
   
    ros::NodeHandle nh;
    ros::Subscriber rgb_sub = nh.subscribe("/usb_cam/image_raw", 1 , Cam_RGB_Callback);
    ros::Rate loop_rate(30);
    //生成图像显示和参数调节的窗口空见
    namedWindow("Threshold", WINDOW_AUTOSIZE);
    createTrackbar("LowH", "Threshold", &iLowH, 179); //Hue (0 - 179)
    createTrackbar("HighH", "Threshold", &iHighH, 179);
    createTrackbar("LowS", "Threshold", &iLowS, 255); //Saturation (0 - 255)
    createTrackbar("HighS", "Threshold", &iHighS, 255);
    createTrackbar("LowV", "Threshold", &iLowV, 255); //Value (0 - 255)
    createTrackbar("HighV", "Threshold", &iHighV, 255);
    namedWindow("RGB"); 
    namedWindow("HSV"); 
    namedWindow("Result"); 
    while( ros::ok())
    {
        ros::spinOnce();
        loop_rate.sleep();
    }
}

修改CMakeLists.txt

添加以下内容：

add_executable(color src/color.cpp)
target_link_libraries(color ${catkin_LIBRARIES} ${OpenCV_INCLUDE_DIRS})

编译运行

编译

cd ~/catkin_ws
catkin_make

运行程序

roscore

rosrun usb_cam usb_cam_node

rosrun cv_image color

运行结果：
在这里插入图片描述

cww cww
关注
  • 6
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
在ROS中基于颜色做简单的物体识别
愿万事胜意
06-08 7753
ROS无法直接进行图像处理，需要借助于opencv，要使用cv_bridge把ROS 的图像数据格式转为Opencv可以使用的数据格式。即是一个提供ROS和OpenCV库提供之间的接口的开发包。然后可以将opencv处理好的图像再转换回ros中的数据格式。 包含的头文件如下： #include <stdio.h> #include <stdlib.h> #incl...
ROS:二维坐标映射到三维坐标上(彩色与深度图像匹配)（基于深度相机D415）
07-31
对应博文：https://blog.csdn.net/qq_23670601/article/details/97970892 - 最近在用D435做物体识别抓取的时候发现二维坐标到三维坐标没有一个直接能用的从二维像素点坐标转换到三维坐标的ROS节点，自己之前写过的kinect V2的坐标映射的通用性太差，所以这次写了一个节点，利用深度相机ROS节点发布的深度与彩色对齐的图像话题和图像信息内外参话题，将二维坐标映射到三维坐标系。 - 我挂上来的这个节点是将鼠标指向的二维坐标转换到三维坐标系下，并发布话题可视化到了rviz中，因为我自己的物体识别发布的像素坐标话题是一个自己写的消息文件，这次就不放出来了，需要用的把我这里的鼠标反馈的坐标改成你自己的坐标就行了。
基于YOLOV5 的ROS2功能包——快速实现目标识别功能
最新发布
weixin_45897172的博客
04-22 1618
运行结果如下：实时显示识别结果。
​在 ROS中基于 颜色做简单的物体识别​
诗筱涵的博客
10-26 1463
转载自：在ROS中基于颜色做简单的物体识别_愿万事胜意-CSDN博客 在ROS中基于颜色做简单的物体识别 编程芝士 2019-06-08 14:28:51 4566 正在上传…重新上传取消​ 收藏 41 分类专栏： ROS 视觉 版权 ​ROS 同时被 2 个专栏收录 22 篇文章 9 订阅 订阅专栏 ​视觉 16 篇文章 1 订阅 订阅专栏 ROS无法直接进行图像处理，需要借助于opencv，要使用cv_bridge把ROS 的图像数据格式转为Opencv可以使用的数据...
ROS(机器视觉)
weixin_30779691的博客
08-29 578
通过ROS打开摄像头 查看话题信息和消息 图像数据： 默认调用笔记本自带摄像头，如需调用外接摄像头，需要将其中video0改成video1。 转载于:https://www.cnblogs.com/112358nizhipeng/p/9534536.html...
ROS HSV颜色筛选
qq_45947519的博客
10-06 337
安装并测试usb_cam功能包 看到一段话，作者将ROS中的各个概念解释地很清楚，工作空间（work space）是ROS中非常重要的一个概念，可以把工作空间理解为一个大的工厂，里面的分成几个大的生产车间（package），每一个生产车间中会有若干个具有不同技能的工人（node）。当工厂运转时，每个车间中的工人node同时工作，他们通过话题（topic）进行信息沟通。各个大的车间之间也存在这互相依赖的关系，共同组成一个有机的整体。 ...
颜色识别
qq_45488834的博客
04-09 345
计算机视觉中的颜色识别是指计算机系统能够自动识别图像或视频中的不同颜色，以便进行分析、分类、跟踪和其他视觉任务。颜色是物体的一个重要属性，它提供了有关对象的重要信息。颜色识别在各种应用中都有重要作用，包括工业自动化、机器人技术、医学影像处理、安全监控、自动驾驶汽车、农业和许多其他领域。
ROS学习笔记之——多机器人探索环境
01-06
本博文是基于这个ROS软件包（https://github.com/hrnr/m-explore）的学习笔记 目录 multi robot exploration nav_msgs/OccupancyGrid  map_msgs/OccupancyGridUpdate move_base multirobot_map_merge 参考资料 ...
ROS2学习笔记之创建工作空间篇
01-20
ROS2学习笔记之创建工作空间篇背景前期准备学习内容1. Source ROS 2 环境变量2. 创建一个新的文件夹3. 下载一个简单的例子4. 解决依赖关系5. 使用colcon编译工作空间6. 加载新建的工作空间7. 修改新建的工作空间中的...
ROS基础知识学习笔记（9）—Robot_Localization
01-20
链接：https://kapernikov.com/the-ros-robot_localization-package/ github源代码链接：https://github.com/Kapernikov/ros_robot_localization_tutorial 虚拟传感器 This tutorial uses the turtlesim package as ...
读取ros包中rgb和depth图，python代码
11-05
可以将ros包中的颜色图和深度图读取出来，并保存到对应文件夹下。 使用时仅需要修改对应话题和路径即可。
ROS讲义学习笔记.pdf
06-22
思慕课程ROS的讲义学习笔记。总结了讲义中提到的一些指令及其使用方法，方便查阅。也简单介绍了ROS的通信方式。
ROS入门级教程学习笔记.pdf
06-22
这一篇学习笔记是根据ROS官方教程来写的，跟上一篇相比不注重指令记录，而是注重编译文件的修改和节点源文件的编写。笔记记录了topic和service两种通信方式的具体实现方法。
ROS材料颜色设置
czl441516589的博客
04-14 1001
ROS环境下模型材料（颜色）设定 如图是使用diffuse标签进行颜色的设定
颜色识别2
Liu Wj的博客
08-24 417
原文链接：http://www.doc88.com/p-6857451208287.html
4.1-基于opencv的形状与颜色识别
irony0327的博客
07-24 820
由于继承了父类的rgb_image_callback回调函数，因此进入该回调函数，并调用子类重写的图像处理方法process_image。这里我们实现了一个扩展类，继承了ros_opencv.py，在这个扩展类中，我们通过一系列函数变换,能够提取出摄像头视野中的黄色圆形。主函数中通过rospy.spin()不断触发所有回调函数，当回调函数对应的消息队列中存在消息时，进入回调函数。rospy.spin()不断触发所有回调函数，当回调函数对应的消息队列中存在消息时，进入回调函数。执行完毕后返回主函数。
【OpenCV】C++红绿灯轮廓识别+ROS话题实现
Roy_Yuan_的博客
05-17 4861
根据需求需要使用Opencv实现红绿灯检测的功能，于是在猿力猪大佬的【OpenCV】红绿灯识别 轮廓识别 C++ OpenCV 案例实现文章的基础上，将Opencv 3中的写法改成了Opencv 4，在具体图片处理的部分也按照我自己的逻辑进行了一些改动，并写成ROS工作空间包含了完整的话题读取，图片处理及监测结果显示。
ROS 摄像头使用
huangjunsheng123的博客
11-08 2346
ROS usb 摄像头调试
ROS学习笔记（十四）
09-09
在ROS学习笔记（十四）中，我们学习了如何使用roswtf命令来检查ROS系统并发现问题。引用中介绍了如何使用roswtf命令来进行系统检查，包括静态检查和图检查。如果系统没有问题，那么输出信息中会显示"Static checks summary: No errors or warnings"。然而，如果roscore没有运行，那么图检查将被忽略。 引用中给出了一个错误报告的例子，当ROS_PACKAGE_PATH环境变量中存在错误路径时，roswtf会报告错误。在这种情况下，输出信息中会显示"Found 1 error(s). ERROR Not all paths in ROS_PACKAGE_PATH [bad] point to an existing directory"。 最后，引用中再次运行roswtf命令，这次进行了运行时检查。输出信息中显示"Online checks summary: Found 1 warning(s)"，其中警告指出rosout节点订阅了一个没有节点向其发布的话题。尽管出现了警告，但由于除了roscore没有其他节点在运行，我们可以忽略这些警告。 综上所述，ROS学习笔记（十四）介绍了如何使用roswtf命令进行系统检查，并说明了不同情况下的输出信息含义。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值