Python基础学习第十八课：AI机器人开发实战

以下是Python基础学习第十八课的完整内容，聚焦Python在人工智能与机器人领域的跨界应用，涵盖机器人操作系统（ROS）集成、计算机视觉与自主导航，带你迈入智能机器人开发领域：

 

Python基础学习第十八课：AI机器人开发实战

 

一、课程目标

 

1. 掌握ROS（Robot Operating System）基础与Python节点开发

2. 学习OpenCV计算机视觉在机器人中的应用

3. 实现基于深度强化学习的自主导航

4. 构建一个模拟环境下的智能机器人系统

 

二、ROS与Python集成开发

 

1. ROS基础概念

 

- 节点（Node）：执行特定任务的进程（如传感器数据采集、路径规划）。

- 话题（Topic）：节点间通过发布/订阅模式通信的通道。

- 服务（Service）：同步请求-响应模式的通信。

 

(1) 安装ROS与工具包

 

# 安装ROS Noetic（Ubuntu 20.04）

sudo apt install ros-noetic-desktop-full

# 安装ROS Python客户端库

sudo apt install python3-rosdep python3-catkin-tools

 

(2) 创建ROS工作空间

 

mkdir -p ~/catkin_ws/src

cd ~/catkin_ws/

catkin_make # 编译工作空间

source devel/setup.bash # 激活环境

 

2. Python节点开发示例

 

(1) 发布传感器数据（

"sensor_publisher.py"）

 

#!/usr/bin/env python3

import rospy

from std_msgs.msg import String

 

rospy.init_node('sensor_publisher') # 初始化节点

pub = rospy.Publisher('sensor_data', String, queue_size=10) # 创建发布者

rate = rospy.Rate(1) # 1Hz频率

 

while not rospy.is_shutdown():

    msg = String()

    msg.data = "Temperature: 26.5C, Humidity: 45%"

    pub.publish(msg) # 发布消息

    rate.sleep()

 

运行节点：

 

chmod +x sensor_publisher.py # 添加可执行权限

rosrun your_package sensor_publisher.py

 

(2) 订阅并处理数据（

"data_subscriber.py"）

 

#!/usr/bin/env python3

import rospy

from std_msgs.msg import String

 

def callback(msg):

    rospy.loginfo(f"收到传感器数据: {msg.data}")

 

rospy.init_node('data_subscriber')

rospy.Subscriber('sensor_data', String, callback) # 订阅话题

rospy.spin() # 进入循环等待消息

 

三、计算机视觉在机器人中的应用

 

1. OpenCV基础功能

 

(1) 图像采集与处理

 

import cv2

 

# 从摄像头捕获图像

cap = cv2.VideoCapture(0) # 0表示默认摄像头

ret, frame = cap.read()

if ret:

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 转为灰度图

    cv2.imwrite("captured_image.jpg", gray) # 保存图像

cap.release()

 

(2) 目标检测（Haar级联分类器）

 

# 加载预训练的人脸检测模型

face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

 

# 检测人脸

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)

 

# 绘制检测框

for (x, y, w, h) in faces:

    cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)

cv2.imshow('Face Detection', frame)

cv2.waitKey(0)

 

2. ROS与OpenCV集成（机器人视觉节点）

 

(1) 订阅摄像头话题并处理图像

 

#!/usr/bin/env python3

import rospy

from sensor_msgs.msg import Image

from cv_bridge import CvBridge

import cv2

 

bridge = CvBridge()

def image_callback(msg):

    try:

        cv_image = bridge.imgmsg_to_cv2(msg, "bgr8") # ROS图像→OpenCV格式

        gray = cv2.cvtColor(cv_image, cv2.COLOR_BGR2GRAY)

        cv2.imshow("Robot Camera", gray)

        cv2.waitKey(1)

    except Exception as e:

        rospy.logerr(f"图像处理错误: {e}")

 

rospy.init_node('robot_vision')

rospy.Subscriber('/camera/image_raw', Image, image_callback)

rospy.spin()

 

四、自主导航与强化学习

 

1. ROS导航栈基础

 

- SLAM（同步定位与建图）：

"gmapping"、

"hector_slam"

- 路径规划：

"move_base"包

- 代价地图：全局地图与局部避障

 

(1) 启动ROS导航模拟器

 

# 安装TurtleSim模拟器（教学用）

sudo apt install ros-noetic-turtlesim

# 启动模拟器

rosrun turtlesim turtlesim_node

 

(2) Python控制机器人移动（

"navigation_controller.py"）

 

#!/usr/bin/env python3

import rospy

from geometry_msgs.msg import Twist

 

rospy.init_node('navigation_controller')

pub = rospy.Publisher('/cmd_vel', Twist, queue_size=10)

rate = rospy.Rate(1)

 

while not rospy.is_shutdown():

    twist = Twist()

    twist.linear.x = 0.2 # 前进速度 (m/s)

    twist.angular.z = 0.1 # 转向速度 (rad/s)

    pub.publish(twist)

    rate.sleep()

 

2. 深度强化学习导航（基于Stable-Baselines3）

 

(1) 安装强化学习库

 

pip install stable-baselines3[extra] gymnasium

 

(2) 训练智能体（

"dqn_navigation.py"）

 

import gymnasium as gym

from stable_baselines3 import DQN

 

# 创建自定义环境（需继承gym.Env）

env = gym.make('TurtleBot3Nav-v0') # 假设已定义环境

 

model = DQN("CnnPolicy", env, verbose=1)

model.learn(total_timesteps=10000) # 训练1万步

model.save("dqn_navigation_model") # 保存模型

 

(3) 测试训练好的模型

 

model = DQN.load("dqn_navigation_model")

obs = env.reset()

while True:

    action, _ = model.predict(obs)

    obs, reward, done, info = env.step(action)

    if done:

        obs = env.reset()

 

五、综合案例：智能仓储机器人

 

1. 系统架构

 

摄像头（OpenCV） → 目标检测（YOLOv8） → ROS导航栈 → 机械臂控制（MoveIt）

 

2. 关键代码片段

 

(1) YOLOv8目标检测（

"object_detector.py"）

 

from ultralytics import YOLO

 

model = YOLO("yolov8n.pt") # 加载预训练模型

results = model(frame) # 输入OpenCV图像帧

detections = results[0].boxes.xyxy # 获取边界框坐标

 

(2) ROS机械臂控制（

"arm_controller.py"）

 

from moveit_commander import MoveGroupCommander

 

arm = MoveGroupCommander("arm")

arm.set_joint_value_target([0.5, -0.3, 0.2]) # 设置目标关节角度

arm.go(wait=True) # 执行运动

 

六、课后练习

 

1. 基础题：

   - 用ROS发布/订阅自定义消息类型（如

"TemperatureReading"）。

   - 使用OpenCV实现二维码识别，并将结果通过ROS话题发布。

2. 进阶题：

   - 在Gazebo仿真环境中训练机器人避障（使用TurtleBot3+ROS）。

   - 结合TensorFlow Object Detection API实现自定义物体检测模型，并部署到机器人。

 

七、常见问题解答

 

1. Q：ROS与Python版本兼容性？A：

   - ROS Noetic仅支持Python 3.8+

   - ROS Melodic支持Python 2.7/3.5+

2. Q：如何调试ROS节点？A：

   - 使用

"rqt_graph"可视化节点关系：

rqt_graph

   - 查看话题数据：

rostopic echo /sensor_data

3. Q：强化学习训练不收敛怎么办？A：

   - 调整超参数（如学习率、折扣因子

"gamma"）。

   - 使用更复杂的网络结构（如

"ActorCriticPolicy"替代

"CnnPolicy"）。

 

通过本课，你已掌握Python在智能机器人开发中的核心技能！从ROS通信到计算机视觉与自主导航，具备构建全功能机器人的能力。下一步可探索多机器人协作系统或边缘计算部署（NVIDIA Jetson），成为机器人技术专家。 🤖🚀