企业官网建设流程全解析

做机器人或者搞SLAM的朋友，应该都有过这种经历：想验证一个建图算法，但找不到合适的传感器；或者好不容易弄到一台激光雷达，光是把驱动跑起来就折腾了好几天。我第一次接触思岚RPLIDAR C1的时候，最大的感受就是“这玩意儿是真的便宜”，但同时也在想——这么便宜的雷达，到底能不能稳?地跑起来？后来我用树莓派4B配合Ubuntu22.04，把RPLIDAR C1从SDK编译、串口调试、数据可视化到简单环境扫描，完整走了一遍，整体体验比预期要省心不少。

这篇文章就是我个人完整实操的记录，适合手里有树莓派4B、想低成本入门激光雷达和ROS2导航的玩家。文章会讲清楚硬件怎么接线、驱动怎么编译、数据怎么看、扫描结果怎么存，还会把我在实际过程中踩过的坑整理成排查手册。无论你是刚接触激光雷达的小白，还是准备给机器人配雷达的进阶玩家，这篇文章应该都能帮你少走不少弯路。

1. 项目定位与整体方案设计

1.1 为什么选择RPLIDAR C1做环境扫描

RPLIDAR C1在思岚的产品线里定位很明确：入门、低成本、低功耗，专门给教育机器人、扫地机器人原型和个人DIY项目设计的。它最吸引我的一点是性价比高，市面上几百块的雷达里，C1的测距精度和抗环境光干扰能力做得比较均衡，而且官方开源了全套SDK，对开发者的支持很到位。

另外，C1的核心是激光三角测距方案，工作频率大概在10Hz左右，测距半径对于家用环境扫描完全够用。我实测在3到6米的范围内，输出数据稳定性不错，墙角和家具边缘能扫出清晰的轮廓。对于“简单环境扫描”这种需求来说，C1的性能不会成为瓶颈，真正的瓶颈反而在树莓派4B的性能和系统环境配置上。

从功耗上看，C1比A系列雷达省电得多，直接用树莓派4B的USB口供电就能跑起来，不需要额外接降压模块或独立电源。这对我来说非常重要，因为我之前用某些雷达时需要外接5V电源，不仅接线麻烦，还会引入共地噪声，导致数据抖动。C1用一根USB线搞定供电和通信，硬件设计很干净。

1.2 方案选型对比：为什么必须配树莓派4B+Ubuntu22.04

很多人会问，不就有个雷达吗，直接用电脑连不行吗？当然行，但如果你后续打算把环境扫描扩展成自主建图、路径规划，那树莓派4B几乎是绕不开的硬件平台。

我选择树莓派4B的原因有三点：第一，它性能足够跑Ubuntu22.04桌面版和ROS2 Humble，虽然不能像PC那样全速跑重型算法，但对于雷达数据采集、点云可视化和cartographer建图这种中轻量任务，压力不大；第二，树莓派自带USB接口，C1直接插上就能识别，免去了串口转接的麻烦；第三，树莓派的GPIO和I2C接口方便以后扩展IMU、电机驱动，为后续做完整机器人留下空间。

至于Ubuntu22.04，它和ROS2 Humble是官方推荐的搭配版本，Humble LTS支持周期到2027年，稳定性和资料丰富度都很好。如果装Ubuntu20.04，虽然也能用，但ROS2对应的是Foxy，已经进入维护后期；如果想用新版的Nav2或者cartographer的Humble分支，还是建议直接上22.04。

方案整体链路是这样的：树莓派4B跑Ubuntu22.04，USB连接RPLIDAR C1，通过官方SDK读取激光原始数据，再把数据发布为ROS2话题，最终用rviz2或者Python脚本完成可视化与数据保存。这一套下来，你既理解了激光雷达底层数据流，也为后续做SLAM建图打好了基础。

1.3 硬件清单与版本核对

正式开始前，先把所有需要的东西列清楚。注意，树莓派4B建议选择4GB及以上内存版本，2GB版本在跑rviz2的时候会明显吃力，画面拖影严重。

一个容易忽略的细节是TF卡的速度。Ubuntu22.04桌面版启动后，系统读写压力不小，如果TF卡写入速度太慢，雷达数据保存和系统响应都会变卡。我第一张卡是杂牌Class4，跑ROS2的时候CPU动不动就满载，换了三星EVO Plus之后明显流畅。所以建议别在存储卡上省钱。

2. 树莓派4B系统安装与基础环境准备

2.1 Ubuntu22.04系统烧录与首次启动配置

树莓派安装Ubuntu22.04，最省事的方法是用Raspberry Pi Imager官方工具。这里要注意，不要直接选“Ubuntu 22.04”通用映像，而是下载树莓派的专用arm64版本，官方叫“Ubuntu Server 22.04.x”或者“Ubuntu Desktop 22.04.x”。如果图方便，推荐先装Server版本，再手动安装桌面，省掉很多不必要的预装软件。

烧录流程很简单，TF卡插电脑，打开Raspberry Pi Imager，选择镜像，点击烧录。重点在于烧录完成后，系统第一次启动会很慢，因为要自动扩展分区。这时候不要急，等两三分钟都是正常的。启动后默认用户名是ubuntu，密码是ubuntu，首次登录会强制要求改密码。

系统起来后，我习惯先做几件事：启用SSH服务、更新软件源、设置静态IP。静态IP对远程调试雷达特别有用，否则每次树莓派IP变了，你都要重新接显示器看。

sudo apt update sudo apt upgrade -y sudo apt install net-tools git vim -y

如果你在安装Ubuntu后出现没有无线WiFi驱动的情况，这一般是系统默认没有包含某些Broadcom固件。树莓派4B的WiFi模块在Ubuntu22.04下偶尔会遇到驱动未加载的问题，可以尝试更新固件后再看。

sudo apt install linux-firmware -y sudo reboot

2.2 安装ROS2 Humble完整步骤

ROS2的安装是整个环境准备里最容易出错的一步。官方文档其实写得已经很清楚，但很多人会在“添加ROS2软件源”时卡住，因为那个公钥链接在部分地区访问不稳定。我实操下来，推荐用镜像源方式安装，能省下不少时间。

先添加ROS2 apt仓库的key：

sudo apt install software-properties-common curl -y sudo add-apt-repository universe sudo curl -sSL https://raw.githubusercontent.com/ros/rosdistro/master/ros.key -o /usr/share/keyrings/ros-archive-keyring.gpg

然后把软件源写进sources.list，这里我把官方源替换成清华镜像源：

echo "deb [signed-by=/usr/share/keyrings/ros-archive-keyring.gpg] https://mirrors.tuna.tsinghua.edu.cn/ros2/ubuntu jammy main" | sudo tee /etc/apt/sources.list.d/ros2.list > /dev/null

更新后安装桌面版ROS2 Humble：

sudo apt update sudo apt install ros-humble-desktop -y

注意：如果你只是想在命令行下跑雷达驱动，装ros-humble-base就够了，能省将近1GB的磁盘空间。但如果你后面想用rviz2看点云，那就必须装桌面版。

安装完成后，把环境变量写进bashrc，这样每次开终端都能直接使用ROS2命令：

echo "source /opt/ros/humble/setup.bash" >> ~/.bashrc source ~/.bashrc

验证ROS2是否安装成功，跑一下小海龟测试是最直观的：

ros2 run turtlesim turtlesim_node

如果小海龟窗口弹出来了，说明ROS2环境没问题。如果提示找不到包，大概率是环境变量没生效，重新打开终端或者重新source一下。

2.3 基础编译工具与Python依赖准备

RPLIDAR C1驱动编译需要cmake、g++等基础工具，同时Python环境建议装好pyserial、matplotlib、numpy，方便后面直接读取雷达串口数据做可视化。

sudo apt install cmake g++ python3-pip python3-serial python3-numpy python3-matplotlib -y pip3 install pyserial --upgrade

这些库看起来简单，但很关键。特别是pyserial，如果版本过低，可能无法正确解析C1的高波特率数据包，导致读了半天全是乱码。建议安装后检查一下版本：

python3 -c "import serial; print(serial.__version__)"

3. RPLIDAR C1驱动安装与数据读取实战

3.1 双方案：从官方SDK编译到ROS2节点运行

思岚官方提供了两种使用方式：一是直接用C++ SDK来读取数据，适合想理解底层协议的朋友；二是通过ROS2驱动包直接发布/scan话题，适合专注上层应用的开发者。

我个人的建议是两种都试一遍。先用SDK验证雷达硬件本身有没有问题，再用ROS2驱动接入ROS生态，这样一旦后面数据异常，你能快速判断是硬件问题还是驱动配置问题，排查效率会高很多。

官方SDK的GitHub仓库是slamtec/rplidar_sdk，下载后用cmake编译：

git clone https://github.com/Slamtec/rplidar_sdk.git cd rplidar_sdk mkdir build && cd build cmake .. make

编译完成后，在output目录下会生成一个ultra_simple的可执行文件，这个工具会直接输出雷达扫描到的距离和角度数据。运行它会自动检测USB端口，如果检测不到，就手动指定端口：

./ultra_simple /dev/ttyUSB0

如果你能看到类似下面这样的持续输出，恭喜你，雷达硬件工作正常：

Theta: 0.00, Dist: 0.450, Quality: 79 Theta: 1.00, Dist: 0.452, Quality: 70 Theta: 2.00, Dist: 0.449, Quality: 78

3.2 USB串口权限与udev规则配置

权限问题是新手最容易踩的坑。树莓派默认情况下，普通用户是没有权限直接访问/dev/ttyUSB0端口的，如果不配置udev规则，运行SDK时会提示Permission denied。

最简单的临时解决办法是：

sudo chmod 666 /dev/ttyUSB0

但这个方法重启后会失效。正规做法是创建udev规则：

sudo vim /etc/udev/rules.d/99-rplidar.rules

写入以下内容：

KERNEL=="ttyUSB*", ATTRS{idVendor}=="10c4", ATTRS{idProduct}=="ea60", MODE:="0666", GROUP:="dialout", SYMLINK+="rplidar"

这里面的idVendor和idProduct是通过lsusb查到的，C1的USB转串口芯片一般显示为CP2102，对应的就是10c4:ea60。设置好后执行：

sudo udevadm control --reload-rules sudo udevadm trigger

配置完成后，重启系统，你会发现每次插上雷达，系统都会自动创建/dev/rplidar软链接，再也不用去猜到底是ttyUSB0还是ttyUSB1了。

提示：如果以后你同时插了多个USB串口设备，建议也加上SYMLINK，避免设备编号变化导致程序找不到雷达。

3.3 用Python脚本直接读取原始数据

如果你不想一开始就上ROS2，只是想快速验证数据流，写个Python脚本是最高效的方式。C1的串口默认波特率是256000，数据包格式在SDK文档里有详细说明，但直接解析协议有点繁琐。

更简单的方式是直接利用SDK编译出的动态库，但这对Python环境不太友好。这里我分享一个绕过协议解析的思路：用pyserial读取串口原始字节流，然后找帧头来切分数据包，再解析出角度和距离。

import serial import struct ser = serial.Serial('/dev/ttyUSB0', 256000, timeout=1) # 向雷达发送请求指令 (0xA5, 0x20 表示开始扫描) ser.write(b'\xA5\x20') while True: data = ser.read(5) if len(data) < 5: continue # 解析数据包，这里简化处理，仅当帧头匹配时输出 if data[0] == 0xA5 and data[1] & 0x1F == 0x01: angle_raw = struct.unpack('<H', data[2:4])[0] dist_raw = struct.unpack('<H', data[4:6])[0] angle = angle_raw / 64.0 dist = dist_raw / 4.0 print(f"Angle: {angle:.2f} deg, Distance: {dist:.2f} mm")

这个脚本虽然简陋，但能跑通数据流，理解整个过程之后再去看SDK源码，你会有一种豁然开朗的感觉。实际项目中，还是建议直接用官方SDK的接口，因为官方库已经处理好了数据校验、丢帧重传等问题。

3.4 ROS2驱动编译与话题发布

进入ROS2环节，思岚官方在GitHub上提供了rplidar_ros驱动包，支持ROS2 Humble。不过这个包不是预编译的，需要你自己建一个工作空间来编译。

mkdir -p ~/rplidar_ws/src cd ~/rplidar_ws/src git clone https://github.com/Slamtec/rplidar_ros.git cd ~/rplidar_ws colcon build source install/setup.bash

编译过程中如果提示缺少colcon或ament_cmake，先安装：

sudo apt install python3-colcon-common-extensions ros-humble-ament-cmake -y

启动雷达驱动，这个launch文件会自动创建/scan话题：

ros2 launch rplidar_ros view_rplidar.launch.py

如果一切正常，终端会滚动输出日志，rviz2窗口也会自动弹出，显示雷达扫描到的环境轮廓。如果rviz2窗口没弹出来，或者看不到点云，别急，这个问题我放在后面“常见问题排查”里详细说。

4. 简单环境扫描实现：从数据流到可视化地图

4.1 激光雷达测距原理与数据理解

既然标题是“环境扫描”，那你至少要明白雷达返回的数据到底代表什么。RPLIDAR C1采用的是三角测距法，原理很简单：雷达内部的激光发射器发出一束红外激光，打到障碍物表面后发生漫反射，接收器上的线性CCD/CMOS阵列捕捉反射光斑的位置，根据光斑偏移量和几何关系，就能算出障碍物距离。

这个原理决定了三角测距雷达的两个特点：一是近距离精度高，非常适合室内环境；二是对物体表面颜色和材质比较敏感，纯黑色物体反射率低，容易丢点，镜面或者透明玻璃基本测不到。所以实测时，最好不要正对黑丝绒窗帘或大玻璃窗做扫描，否则你会看到一圈数据里出现明显的空洞。

数据格式方面，每一帧扫描点包含三个关键信息：角度、距离、信号质量。角度单位是0.015625度步进，距离单位是0.25毫米步进，信号质量则是0-255的整数，数值越高说明该点的反射越稳定。

理解这个数据格式，你就能解释为什么有人扫同一个房间，出来的点云图差别很大——关键就看有没有做数据过滤。我习惯把质量值低于20的点直接丢掉，因为这些点通常是镜面反射、边缘拖尾或者环境光干扰产生的噪声点。

4.2 静态扫描：单帧环境轮廓可视化

雷达启动后，它默认会持续旋转扫描，每一圈生成一帧完整的环境轮廓。所谓静态扫描，就是保持雷达不动，取一帧或者几帧数据叠加，画出当前环境在2D平面上的轮廓。

用ROS2的话，可以订阅/scan话题，然后用Python写一个小节点来读取LaserScan消息，简单处理之后存为CSV文件或者直接画图。LaserScan消息里的range数组就是每个角度的距离值，非常直观。

import rclpy from rclpy.node import Node from sensor_msgs.msg import LaserScan class ScanListener(Node): def __init__(self): super().__init__('scan_listener') self.sub = self.create_subscription(LaserScan, '/scan', self.callback, 10) def callback(self, msg): # angle_min ~ angle_max, 角度步长 angle_increment print(f"Total points: {len(msg.ranges)}") print(f"Angle range: {msg.angle_min:.2f} ~ {msg.angle_max:.2f} rad") # 打印前方1米处的距离值 mid = len(msg.ranges) // 2 print(f"Forward distance: {msg.ranges[mid]:.2f} m") rclpy.init() rclpy.spin(ScanListener())

如果你更习惯用SDK原始数据，也可以把之前的Python脚本扩展一下，积累一定数量的点之后，用matplotlib画出俯视图：

import matplotlib.pyplot as plt import math points_x = [] points_y = [] # 假设你已经从雷达读取到 angle_deg 和 dist_mm for angle_deg, dist_mm in raw_points: angle_rad = math.radians(angle_deg) dist_m = dist_mm / 1000.0 points_x.append(dist_m * math.cos(angle_rad)) points_y.append(dist_m * math.sin(angle_rad)) plt.figure(figsize=(6, 6)) plt.scatter(points_x, points_y, c='blue', s=1) plt.axis('equal') plt.title('RPLIDAR C1 Static Scan') plt.show()

运行之后，你会看到雷达周围的环境轮廓被画成一个圆形的点云图，墙面的直线轮廓清晰可见。我第一次跑出来的时候还挺有成就感的，那种“传感器真的在感知环境”的直观反馈，比看任何文档都有说服力。

4.3 动态扫描：多帧拼接与数据保存

静态扫描只能反映雷达位姿固定时看到的环境，而“环境扫描”更常见的使用场景是：雷达放在小车上或者拿在手里缓慢移动，通过多帧数据拼接，扫描出整个房间的轮廓。

这一步的难点不在于数据采集，而在于数据对齐。如果只是简单地把所有帧的数据堆叠在一起，你会发现图像是糊的，因为雷达每帧的位姿并不完全相同。专业SLAM会通过里程计或者IMU计算位姿变化，但我们做简单环境扫描，可以用一个取巧的办法：保持雷达缓慢匀速移动，利用相邻帧之间的匹配来粗对齐。

为了不让本篇文章过于复杂，这里我给出一个最基础的方案：固定雷达位置，旋转雷达本体（或者将雷达放在转盘上），将每一圈扫描的起始角度对齐到同一个原点，然后逐帧叠加。这个方法虽然不能用于真实移动场景，但用来理解多帧拼接的概念足够了。

数据保存方面，建议直接存为numpy数组或者CSV，后续用任何工具都能读。保存示例：

import numpy as np all_scans = [] # 每一帧是 (N, 2) 的数组，存储 x, y for frame in frame_list: all_scans.append(frame) np.save('room_scan.npy', np.array(all_scans))

如果你确实想让雷达在移动中扫描，那我的建议是至少加一个IMU模块，或者参考后面讲的cartographer方案，它会自动处理点云匹配和位姿估计，比自己手动拼接靠谱得多。

4.4 从点云到占位栅格地图的简单实现

环境扫描做到最后，很多人的目标就是一张可以被机器人导航直接使用的二维栅格地图。这需要把点云数据投影到2D平面，然后对每个栅格判断“有障碍物”还是“无障碍物”。如果你不想安装复杂的SLAM库，自己写一个极简的栅格图生成器其实也不难。

思路如下：建立一个尺寸已知的二维数组，比如10米×10米的环境，栅格分辨率为0.05米，那就是200×200个栅格。遍历每个点，计算出它落在哪个栅格里，然后把这个栅格标记为占用。最后用matplotlib的imshow画出来，就是最原始的占据栅格图。

import matplotlib.pyplot as plt import numpy as np GRID_SIZE = 200 grid_map = np.zeros((GRID_SIZE, GRID_SIZE), dtype=np.uint8) # points: 所有扫描点的 (x, y)，单位米 for x, y in points: if -5 <= x <= 5 and -5 <= y <= 5: grid_x = int((x + 5) / 0.05) grid_y = int((y + 5) / 0.05) grid_map[grid_y, grid_x] = 1 plt.imshow(grid_map, cmap='gray_r', origin='lower') plt.title('Occupancy Grid from RPLIDAR C1') plt.show()

这个简易栅格图的问题很明显：没有处理噪声，也没有做膨胀处理，所以边界不够平滑。但它足够帮你理解SLAM建图的基本逻辑，后面再用cartographer这类完整方案时，你会更清楚它在干什么。

5. 常见问题排查与避坑实录

5.1 雷达不转或灯不亮：先查供电，再查驱动

RPLIDAR C1插上树莓派USB口之后，如果雷达不转动，首先摸一下雷达底部有没有温度。如果完全没温度，基本可以判断是供电问题，树莓派USB口可能进入了限流保护状态。

解决办法是拔掉雷达，用命令查看系统日志：

dmesg | grep usb

如果看到了over-current或者device descriptor read/64, error -71之类的日志，那就说明供电确实不足。这时候换一个单独带供电的USB HUB，或者给树莓派使用5V3A足安电源，问题基本就能解决。

如果雷达嗡嗡响，但数据出不来，那大概率是驱动或者端口权限问题。这时可以先用lsusb确认设备是否被识别，再用ls /dev/ttyUSB*确认端口存在。

5.2 数据乱跳、距离突然变0：多半是环境干扰

运行雷达的时候，距离数据偶尔变成0，或者某个角度突然跳出一大堆杂乱点，这通常是三种原因：一是环境里有强反射面，比如玻璃、镜子、金属抛光表面；二是雷达距离物体太近，小于最小测距范围；三是激光雷达受强光干扰。

处理办法是加数据过滤，我在实际扫描时会把距离为0的点直接剔除，同时把质量值低于某个阈值的点也过滤掉：

filtered = [(a, d) for a, d in raw if d > 0.15 and quality > 20]

0.15米是C1的最小有效测距，小于这个距离的数值本身就是无效的。质量阈值的调节要看你室内的光照条件，光线暗的时候可以把阈值调低到10，光线强的时候可能需要调到40以上。

5.3 rviz2里面看不到点云

这是ROS2入门者问得最多的问题。雷达驱动明明启动了，终端也有输出，但rviz2界面里就是黑漆漆一片，什么都没有。我排除了半天，最后发现90%的情况是Fixed Frame的问题。

rviz2默认的Fixed Frame是map，但雷达驱动发布的点云的坐标系是laser，坐标系名称对不上，点云自然就不显示。解决办法是在rviz2左侧的Displays面板里，点击Global Options，把Fixed Frame改成laser。

如果你的雷达驱动没有发布/tf变换，那就必须手动指定Fixed Frame为laser。如果launch文件里启动了robot_state_publisher，那最好把所有frame统一命名为laser或base_scan，避免混淆。

5.4 树莓派跑ROS2卡顿：性能调优三件套

树莓派4B跑Ubuntu22.04桌面版加ROS2，内存占用确实不低。我刚开始跑rviz2的时候，CPU经常飙到100%，拖动窗口都卡。后来做了三个优化，效果立竿见影。

第一，禁用系统自带的Gnome动画效果。在“设置-外观”里把动画关闭，或者使用轻量级桌面如LXDE。第二，给树莓派的GPU内存分多一点，在/boot/firmware/config.txt里设置gpu_mem=256。第三，启动rviz2时降低点云显示频率，把rviz2的刷新率改成5Hz，肉眼基本察觉不到，但CPU占用能下降一半。

如果你只是做数据采集而不需要实时可视化，更推荐直接在终端运行驱动，把/scan话题录成rosbag，之后放到电脑上回放分析，这样树莓派压力会小很多。

5.5 常见问题速查表

6. 从环境扫描到SLAM建图的扩展之路

一旦你理解了如何用RPLIDAR C1进行环境扫描，下一步就很自然地想试试完整的SLAM建图。这里我强烈推荐ROS2 cartographer，它和激光雷达的配合非常成熟，尤其适合室内环境。

Cartographer的核心思想是“前端扫描匹配+后端图优化”，它会自动处理点云匹配、位姿估计和回环检测，最终输出一张干净的栅格地图。相比自己手动拼接多帧扫描，cartographer的效果可以说是碾压级别的，墙线笔直，房间轮廓清晰。

在树莓派4B上运行cartographer的步骤也不复杂。先安装依赖包：

sudo apt install ros-humble-cartographer ros-humble-cartographer-ros -y

然后下载官方的cartographer_turtlebot示例配置，修改雷达话题名称和坐标系，让它默认订阅/scan话题。启动后，缓慢移动雷达扫描整个房间，按下保存地图的按键，系统就会生成.pgm和.yaml两个文件。

但要注意，树莓派4B的性能跑cartographer时不能和PC比，CPU通常会比较紧张。我建议扫描时不要开rviz2实时显示，或者把显示窗口放到电脑上用远程桌面/SSH转发来看，这样建图过程会流畅很多。

从环境扫描升级到SLAM建图，本质上就是从二维数据到姿态估计的跃迁。环境扫描只需要雷达一个传感器，建图往往还需要里程计或IMU来提供运动估计。如果暂时没有IMU，cartographer也可以纯靠雷达做scan-to-scan匹配，只是转弯时容易丢失位置信息。

我个人在实际操作中的体会是，很多看起来高深的建图系统，底层依赖的数据源其实就是RPLIDAR C1输出的那一个个微小角度和距离值。把环境扫描这一步吃透，理解激光雷达到底在测什么、数据格式是什么、噪声从哪来，后面玩SLAM、导航会顺手很多。

最后再分享一个小技巧：如果你把雷达放在桌面边缘，让它悬空扫描，对比桌面上方和下方两圈点云的差异，你能直观看到雷达的盲区范围和垂直视场角对数据的影响。这种小实验不用写代码，但对理解雷达物理特性特别有帮助。后续有空的话，我打算写一篇RPLIDAR C1配合cartographer在树莓派4B上完整建图的配置记录，这次先到这。