【手把手教学】打造专属AI知识库：大模型本地部署与应用完整指南

于 2025-04-07 20:37:54 发布
阅读量1.2k 收藏 15
点赞数 12
文章标签： 人工智能 java 服务器 开发语言 数据库
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/xiangxueerfei/article/details/147051546
版权

一、引言

今天给大家分享的是手把手教你如何部署本地大模型以及搭建个人知识库

前排提示，文末有大模型AGI-CSDN独家资料包哦！

读完本文，你会学习到

  • 如何使用Ollama一键部署本地大模型
  • 通过搭建本地的聊天工具，了解ChatGPT的信息是如何流转的
  • RAG的概念以及所用到的一些核心技术
  • 如何通过AnythingLLM这款软件搭建完全本地化的数据库

虽然我们大多数人不需要在自己部署大模型，但是我期望在本文的帮助下，能够带你手把手折腾一遍。

这样在使用任何软件的时候，可以做到知其然，知其所以然。

二、你的硬件达标了么

所有人都会手把手教你部署XX大模型，听起来很诱人，因为不需要科学上网，不需要高昂的ChatGPT会员费用。

但是在开启下面的教程之前，我希望你能有个概念：运行大模型需要很高的机器配置，个人玩家的大多数都负担不起

所以：虽然你的本地可能可以搭建出一个知识库，但是它不一定能跑的起来

下面我通过一组数据来让大家有个感性的认知。以下文字来源于视频号博主：黄益贺，非作者实操

生成文字大模型

最低配置：8G RAM + 4G VRAM

建议配置：16G RAM + 8G VRAM

理想配置：32G RAM + 24G VRAM（如果要跑GPT-3.5差不多性能的大模型）

生成图片大模型（比如跑SD）

最低配置：16G RAM + 4G VRAM

建议配置：32G RAM + 12G VRAM

生成音频大模型

最低配置：8G VRAM +

建议配置：24G VRAM

而最低配置我就不建议了，真的非常慢，这个我已经用我自己8G的Mac电脑替你们试过了。

讲这个不是泼大家冷水，而是因为我的文章目标是要做到通俗易懂，不希望通过夸大的方式来吸引你的眼球。

这是这篇文章的第二次修改，我专门加的这段。原因就是因为好多小伙伴看了文章之后兴致冲冲的去实验，结果发现电脑根本带不动。

但是这并不妨碍我们去手把手实操一遍，因为实操可以加深我们对大模型构建的知识库底层原理的了解。

如果你想要私滑的体验知识库，可以参考我的另一篇文章造企业级知识库

好了，废话不多说，下面教程还是值得亲自上手搞一遍的，相信走完一遍流程后，你会对知识库有更深的理解。

三、Ollama的安装以及大模型下载

Ollama是什么

Ollama是一个开源的框架，旨在简化在本地运行大型语言模型（LLM）的过程。

Ollama作为一个轻量级、可扩展的框架，提供了一个简单的API来创建、运行和管理模型，以及一个预构建模型库，进一步降低了使用门槛。它不仅适用于自然语言处理研究和产品开发，还被设计为适合初学者或非技术人员使用，特别是那些希望在本地与大型语言模型交互的用户

总的来说，Ollama是一个高效、功能齐全的大模型服务工具，通过简单的安装指令和一条命令即可在本地运行大模型，极大地推动了大型语言模型的发展和应用

安装Ollama

官方下载地址：https://ollama.com/download

图片图片

当安ollama之后，我们可以通过访问如下链接来判断ollama是否安装成功

http://127.0.0.1:11434/

图片

使用Ollama运行本地大模型

当安装完成ollama之后，我们就可以在命令行中运行如下命令既可以

ollama run [model name]

其中[model name]就是你想运行的本地大模型的名称，如果你不知道应该选择哪个模型，可以通过model library进行查看。这里我们选择llama2大模型：llama2

考虑到我机器的配置以及不同版本的内存要求，我这里选择7b参数的模型

图片图片

图片

当我们运行大模型的时候，ollama会自动帮我们下载大模型到我们本地。

图片

三、通过Open WebUI使用大模型

在默认的情况下，我们需要在终端中跟大模型进行交互，但是这种方法太古老了。我们基本不会使用终端命令跟Mysql打交道，而是使用Navcat等客户端和Mysql进行交互。大模型也有其交互客户端，这就是Open WebUI

安装Open WebUI

Open WebUI是github上的一个开源项目，这里我们参考其官方文档进行下载和安装。

  1. 在安装之前，我们需要先安装Docker，安装说明如下：

  • 如果是Win或者Mac系统，参考文档：Docker Desktop release notes：

    • 注意：要下载跟自己的电脑系统适配的版本

    • 例如目前的最新版本的Docker仅支持Mac OS12.0以后的系统

  • 如果Linux系统，请自己上网找教程（日常都可以使用Linux系统了，安装Docker小Case！）

  1. 在官方文档中我们会看到两种安装Open WebUI的方式：
  • ollama和open webui一起安装
  • 仅仅安装open webui

由于我们已经安装了ollama，因此我们只需要安装open webui即可，复制如下命令：

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

图片

当Open WebUI安装下载完成之后，我们就可以愉快的玩耍啦！

使用Open WebUI

  1. 首先访问如下网址
http://localhost:3000/auth/

当你打开这个页面的时候，会让你登陆，这个时候我们随便使用一个邮箱注册一个账号即可

图片图片

  1. 和本地大模型进行对话

登陆成功之后，如果你已经使用过ChatGPT等类似的大模型对话网站，我相信你对这个页面并不陌生。

Open WebUI一般有两种使用方式

  • 第一种是聊天对话

    • 图片

  • 第二种是RAG能力，也就是可以让模型根据文档内容来回答问题。这种能力就是构建知识库的基础之一

    • 图片

如果你的要求不高的话，我们已经搭建了一个本地大模型了，并且通过Web UI实现了和大模型进行对话的功能。

相信通过这么一通折腾，你就理解了ChatGPT的信息流，至于为什么ChatGPT的访问速度比我们自己的要快，而且回答效果要好，有两个原因

  • 快：是因为GPT大模型部署的服务器配置高
  • 好：是因为GPT大模型的训练参数多，数据更优以及训练算法更好

暂时无法在飞书文档外展示此内容

如果你想要更加灵活的掌握你的知识库，请接着往下看

四、RAG是什么

因为利用大模型的能力搭建知识库本身就是一个RAG技术的应用。

所以在进行本地知识库的搭建实操之前，我们需要先对RAG有一个大概的了解。

以下内容会有些干，我会尽量用通俗易懂的描述进行讲解。

我们都知道大模型的训练数据是有截止日期的，那当我们需要依靠不包含在大模型训练集中的数据时，我们该怎么做呢？实现这一点的主要方法就是通过检索增强生成RAG（Retrieval Augmented Generation）。

在这个过程中，首先检索外部数据，然后在生成步骤中将这些数据传递给LLM。

我们可以将一个RAG的应用抽象为下图的5个过程：

图片

  • 文档加载（Document Loading）：从多种不同来源加载文档。LangChain提供了100多种不同的文档加载器，包括PDF在内的非结构化的数据、SQL在内的结构化的数据，以及Python、Java之类的代码等

  • 文本分割（Splitting）：文本分割器把Documents 切分为指定大小的块，我把它们称为“文档块”或者“文档片”

  • 存储（Storage）： 存储涉及到两个环节，分别是：

    • 将切分好的文档块进行嵌入（Embedding）转换成向量的形式
    • 将Embedding后的向量数据存储到向量数据库

  • 检索（Retrieval）：一旦数据进入向量数据库，我们仍然需要将数据检索出来，我们会通过某种检索算法找到与输入问题相似的嵌入片

  • Output（输出）：把问题以及检索出来的嵌入片一起提交给LLM，LLM会通过问题和检索出来的提示一起来生成更加合理的答案

文本加载器（Document Loaders）

文本加载器就是将用户提供的文本加载到内存中，便于进行后续的处理

文本切割器（Text Splitters）

文本分割器把Documents 切分为指定大小的块，我把它们称为“文档块”或者“文档片”

文本切割通常有以下几个原因

  • 为了更好的进行文本嵌入以及向量数据库的存储
  • 通常大语言模型都有上下文的限制，如果不进行切割，文本在传递给大模型的时候可能超出上下文限制导致大模型随机丢失信息

文本切割器的概念是非常容易理解的，这里我们简单了解下文本切割器的工作流程

  1. 将文本切割成小的，语义上有意义的块（通常是句子）
  2. 开始将这些小块组成一个较大的块，直到达到某个块的大小（这个会通过某种函数测量）
  3. 一旦达到该大小，就将该块作为自己的文本片段，并开始创建一个新的文本块，同时保留一些重叠（以保持块之间的上下文）。

文本嵌入模型（Text Embedding models）

文本嵌入模型是用来将文本转换成数值向量的工具，这些向量能够捕捉文本的语义信息，使得相似的文本在向量空间中彼此接近。这对于各种自然语言处理任务，如文本相似性比较、聚类和检索等，都是非常有用的。下面是一段对嵌入的解释

词嵌入（Word Embedding）是自然语言处理和机器学习中的一个概念，它将文字或词语转换为一系列数字，通常是一个向量。简单地说，词嵌入就是一个为每个词分配的数字列表。这些数字不是随机的，而是捕获了这个词的含义和它在文本中的上下文。因此，语义上相似或相关的词在这个数字空间中会比较接近。

举个例子，通过某种词嵌入技术，我们可能会得到：

“国王” -> [1.2, 0.5, 3.1, …]

“皇帝” -> [1.3, 0.6, 2.9, …]

“苹果” -> [0.9, -1.2, 0.3, …]

从这些向量中，我们可以看到“国王”和“皇帝”这两个词的向量在某种程度上是相似的，而与“苹果”这个词相比，它们的向量则相差很大，因为这两个概念在语义上是不同的。

词嵌入的优点是，它提供了一种将文本数据转化为计算机可以理解和处理的形式，同时保留了词语之间的语义关系。这在许多自然语言处理任务中都是非常有用的，比如文本分类、机器翻译和情感分析等。

向量数据库（Vector Stores）

图片

向量存储（Vector stores）是用于存储和检索文本嵌入向量的工具。

这些向量是文本数据的数值表示，它们使得计算机能够理解和处理自然语言。

向量存储对于支持复杂的搜索和检索任务至关重要，尤其是在处理大量文本数据时。

向量存储的主要功能包括：

  • 高效地存储大量的文本向量
  • 快速检索与给定向量最相似的文本向量
  • 支持复杂的查询操作，如范围搜索和最近邻搜索

文本检索

一旦数据进入向量数据库，我们仍然需要将数据检索出来，我们会通过某种检索算法找到与输入问题相似的嵌入片。这里主要利用了大模型的能力

五、本地知识库进阶

如果想要对知识库进行更加灵活的掌控，我们需要一个额外的软件：AnythingLLM。

这个软件包含了所有Open WebUI的能力，并且额外支持了以下能力

  • 选择文本嵌入模型
  • 选择向量数据库

AnythingLLM安装和配置

安装地址：https://useanything.com/download

当我们安装完成之后，会进入到其配置页面，这里面主要分为三步

  1. 第一步：选择大模型

图片

  1. 第二步：选择文本嵌入模型

图片

  1. 第三步：选择向量数据库

图片

构建本地知识库

AnythingLLM中有一个Workspace的概念，我们可以创建自己独有的Workspace跟其他的项目数据进行隔离。

  1. 首先创建一个工作空间

图片

  1. 上传文档并且在工作空间中进行文本嵌入

图片

  1. 选择对话模式

AnythingLLM提供了两种对话模式：

  • Chat模式：大模型会根据自己的训练数据和我们上传的文档数据综合给出答案
  • Query模式：大模型仅仅会依靠文档中的数据给出答案

图片

  1. 测试对话

当上述配置完成之后，我们就可以跟大模型进行对话了

图片

六、写在最后

我非常推崇的一句话送给大家：

看十遍不如实操一遍，实操十遍不如分享一遍

​

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

在这里插入图片描述

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
在这里插入图片描述
在这里插入图片描述

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

ROS学习（4）ROS编程初体验
韩若熙的博客
11-03 2014
本篇从几个小demo开始学习ROS编程，我的目录结构如下： 创建两个节点，分别为example1_a.cpp和example1_b.cpp,a文件将会发送带有节点名称的数据；b文件将这些数据显示到命令行窗口。 example1_a.cpp文件内容如下： example1_b.cpp文件内容如下： 二、编译运行节点 1、手动编辑CMakeLists.txt文件 2、编译节点 3、运行节点 效果如下，在b命令行窗口可以看到a节点发布的消息： 在功能包下创建msg文件夹，并创建一个新文件chapter2_
ROS从入门到精通系列（十九）ROS Callbacks and Spinning
Techblog of HaoWANG
09-18 381
目录 1. 单线程Spinning和多线程Spinning 1.1单线程Spinning 2. 多线程Spinning 2. 回调函数CallBack CallbackQueue::callAvailable() and callOne() Advanced: Using Different Callback Queues roscpp/Overview/Callbacks and Spinning - ROS Wikihttp://wiki.ros.org/roscpp/Ov...
ROS Callbacks and Spinning: ros::spin(), ros::spinOnce 与 ros::MultiThreadedSpinner,ros::AsyncSpinner
Fourier_Legend的博客
07-15 2664
http://wiki.ros.org/roscpp/Overview/Callbacks%20and%20Spinning 单线程回调函数 ros::spin() 与 ros::spinOnce() 这俩兄弟学名叫ROS消息回调处理函数。它俩通常会出现在ROS的主循环中，程序需要不断调用ros::spin() 或 ros::spinOnce()，两者区别在于前者调用后不会再返回，也就是你的主程...
ros::spin()、ros::MultiThreadedSpinner::spin()和ros::Rate()
gezongbo的博客
08-03 993
如果你使用了ros::spin()语句，那么后续的代码不会被执行，因为ros::spin()会一直阻塞在那里等待消息。所以，在你的例子中，如果你想使用ros::MultiThreadedSpinner::spin()来利用多线程处理消息，那么你应该将ros::spin()语句删除。在ROS中，有两种主要的方式来处理ROS节点的消息和回调：ros::spin()和ros::MultiThreadedSpinner::spin()。在上面的示例中，节点将以每秒4次的频率发布消息，直到节点被关闭。
深入解析Ubuntu 20.04中ROS的rosAsyncSpinner
最新发布
m0_73640344的博客
02-24 531
是ROS C++客户端库（roscpp）中提供的一个类，用于在独立的线程中处理回调函数。与传统的方法不同，允许多线程并发处理回调，从而提高节点的响应能力和处理效率。是ROS中实现高效、并发回调处理的重要工具。通过在独立线程中处理回调函数，提供了比传统更高的灵活性和性能，特别适用于需要同时处理多个任务或高频率回调的ROS节点。理解其工作原理和正确使用方法，有助于开发出响应迅速、性能优越的机器人应用程序。在多线程环境下，开发者还需注意线程安全和资源同步，以充分发挥的优势。
动手学 ROS（7）：精讲多线程之 MultiThreadedSpinner
君君的博客
12-24 1312
ros 多线程spinner
ROS Spinning-----简介
倔强不倒翁的博客
11-20 2249
ROS Spinning简介
ROS C++ : 使用ros::AsyncSpinner，实现多线程处理ROS消息
BullKing8185的博客
10-04 1774
ROS C++ : 使用ros::AsyncSpinner，实现多线程处理ROS消息 1、原理说明 1.1、ros::MultiThreadedSpinner 1.2、ros::AsyncSpinner 1.3、多线程原理 1.3.1、 消息发布 1.3.2、 消息订阅 2、ros::AsyncSpinner 示例1 3、ros::AsyncSpinner 示例2 4、使用 ros::AsyncSpinner， 多线程处理回调示例
ros 消息队列与缓冲区_回调函数ros::spin()与ros::spinOnce()
weixin_42279592的博客
01-14 1240
ros::spin()这句话的意思是循环且监听反馈函数(callback)。循环就是指程序运行到这里，就会一直在这里循环了。监听反馈函数的意思是，如果这个节点有callback函数，那写一句ros::spin()在这里，就可以在有对应消息到来的时候，运行callback函数里面的内容。就目前而言，以我愚见，我觉得写这句话适用于写在程序的末尾(因为写在这句话后面的代码不会被执行)，适用于订阅节点，且...
掌握ROS性能调优的艺术：打造高效机器人系统
07-21
ROS_INFO("Spinning in main thread..."); ros::spinOnce(); loop_rate.sleep(); } return 0; } ``` #### 四、总结 ROS作为一款广泛使用的机器人操作系统，其性能直接影响到机器人的工作效率和可靠性。通过...
ROS的单线程Spinning和多线程Spinning
weixin_33953249的博客
03-17 649
单线程Spinning ros::spin()是最简单的单线程自旋, 它会一直调用直到结束 用法: ros::spin(); 另一个单线程spinning是ros::spinOnce(),它定期调用等待在那个点上的所有回调 用法: ros::spinOnce(); 简单的我们自己实现一个用法相同的ros::spin() 这样: ros::getGlobalCallbackQueu...
ROS学习笔记5 ——Spinning和回调队列
罗伯特祥的博客
07-23 2723
roscpp不会为你的程序指定线程模型，这意味着roscpp使用线程在后台做网络管理、调度等，它永远不会暴露线程给应用程序。 注意：回调队列/Spinning没有对roscpp内部网络通信的影响，他们只会影响用户的回调发生时。他们影响订阅队列的效果，因为你多快处理您的回调和信息多快能到达决定消息是否会丢弃。 ...
ROS学习之 cpp回调函数和轮转(spin)
shiyue0010的专栏
07-18 1万+
wiki链接: http://wiki.ros.org/roscpp/Overview/Callbacks%20and%20Spinning 资料(云飞机器人实验室的一篇小文): http://www.yfworld.com/?p=2318 这篇文章会帮助理解ros::spin()调用和回调函数的关系,其参考链接:http://answers.ros.org/question/11887/
ROS 中的多线程、Nodelet、DDS、QoS、Pluginlib
HamRadioDXer的QQ空间
10-18 406
对于一些只订阅一个话题的简单节点来说，我们使用ros::spin()进入接收循环，每当有订阅的话题发布时，进入回调函数接收和处理消息数据。但是更多的时候，一个节点往往要接收和处理不同来源的数据，并且这些数据的产生频率也各不相同，当我们在一个回调函数里耗费太多时间时，会导致其他回调函数被阻塞，导致数据丢失。这种场合需要给一个节点开辟多个线程，保证数据流的畅通。 https://blog.csdn....
ROS中的多线程
热门推荐
tobebest_lah的博客
12-04 1万+
ROS中的多线程ROS多线程消息回调处理函数 ROS多线程 消息回调处理函数 ros::spin()和ros::spinOnce() 两者区别在于前者调用后不会再返回，也就是你的主程序到这儿就不往下执行了，而后者在调用后还可以继续执行之后的程序。 如果你的程序写了相关的消息订阅函数，那么程序在执行过程中，除了主程序以外，ROS还会自动在后台按照你规定的格式，接受订阅的消息，但是所接到的消息并不是立...
ROS单线程与多线程
JeSuisDavid的博客
09-22 536
学习Moveit时遇到了ros读线程的 概念，在网上找了一些资料，分享一下： 基本概念： 异步，并发与多线程： 一文搞懂搞懂异步和多线程的区别 回调： 两个例子让你彻底理解java回调机制 关于ROS多线程 ROS单线程与多线程 ROS Spin ROS官方文档 ...
一文搞懂ROS2的spin_some, spin和ROS的spinOnce
weixin_38529150的博客
06-13 3685
ROS2有spin_some, spin，而ROS有spinOnce，spin，他们有什么区别和联系呢？如果你学过ROS，那么只用看第一部分。如果你直接学ROS2，也建议按顺序看，加深理解。所谓阻塞，就是函数一旦进入角色，就困在自己的世界出不来。比如spin。所谓非阻塞，就是该干活的时候干活，该休息的时候休息。每次干活只干一件，那是spinOnce；一旦有机会干，可以多干，那是spin_some。就到这里。希望对你有所帮助。
ROS中的多线程使用
linzs.online
10-05 1万+
ROS里面每个节点都是用默认的单线程来处理任务，以前很多时候都没有注意使用多线程的方式来处理回调函数，今天在这里总结一下。
ROS单线程与多线程处理
ZPC8210的博客
12-05 210
这意味着ros::spin()和ros::spinOnce()不会调用这些回调函数。如果将NULL(默认值)作为setCallbackQueue的参数会导致使用全局队列(由ros::spin()和ros::spinOnce()服务)。在上面的spin()实现中使用了对ros::getGlobalCallbackQueue()的调用。ros::MultiThreadSpinner是一个阻塞式的spin，类似于ros::spin()。在上面的例子中，所有的用户回调函数都会在ros::spin()内部被调用。
ROS USB接口 rplidar
10-05
ROS (Robot Operating System) 提供了一个强大的框架用于构建机器人系统，其中USB接口通常用于连接外部设备，如rplidar雷达传感器。RPLIDAR是一款由LidarTech公司生产的激光雷达测距仪，常用于提供360度角的环境信息，包括距离、角度等数据。 在ROS中，要使用RPLIDAR与USB相连并获取其数据，你需要按照以下步骤操作： 1. **硬件准备**：确保RPLIDAR已经通过USB线连接到你的计算机，并且RPLIDAR软件正常运行，它能将数据发送到设备端口。 2. **安装驱动**：通常RPLIDAR需要特定的驱动程序，比如Linux上可能会有libusb或libuvc库的支持。你可以从LidarTech官方下载适合的驱动。 3. **节点通信**：创建一个ROS节点来监听来自RPLIDAR的数据。这通常涉及到编写一个nodelet或者直接使用像`sensor_msgs/LaserScan`这样的ROS消息类型来订阅和发布数据。 4. **包管理**：使用`rosdep`或`apt-get`（对于Ubuntu）等工具安装必要的依赖包，如`roscpp`, `sensor_msgs`, `message_generation`等。 5. **配置文件**：在`launch`文件中配置你的RPLIDAR设备，指定正确的设备路径和参数。 示例代码片段可能如下： ```cpp #include <sensor_msgs/LaserScan.h> // ...其他头文件... void spin() { ros::Rate loop_rate(10); // 更新频率 sensor_msgs::LaserScan scan; // ...读取RPLIDAR数据并填充scan变量... pub.publish(scan); loop_rate.sleep(); } int main(int argc, char *argv[]) { // ...初始化ROS节点... ros::init(argc, argv, "rplidar_node"); rclcpp::spin_some(context_); // 避免阻塞主线程 node_->spin(); // 调用spinning函数处理消息循环 } ```
评论
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

打赏作者

程序员二飞

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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