企业官网建设流程全解析

简介：本资源是一套基于ROS平台的激光雷达自主跟随与SLAM建图实战项目，面向计算机、人工智能、自动化等专业的在校学生、教师及初学者，解决机器人环境感知与实时建图的核心实践问题，可直接用于课程设计、毕业设计、项目演示或进阶学习。压缩包共9个文件，含3个launch启动脚本（负责节点调度与参数加载）、2个核心Python源码（follower.py实现跟随逻辑，laserTracker.py处理雷达数据）、1个YAML配置文件（定义SLAM参数）、1个README.md文档（含运行说明与注意事项）、1个XML功能包描述及1个TXT说明文件，整体仅11KB，轻量易部署。已有430人学习下载，资源源自作者高分毕设（答辩平均96分），所有代码均经实机测试验证通过，功能完整可靠；提供清晰的模块划分与典型ROS工程结构，附带可复现的参数配置与基础调试指引，便于理解激光雷达数据流、TF坐标变换及SLAM流程闭环。

1. 激光雷达跟随不是“让小车追着人跑”：这是带闭环校正的SLAM在线建图+动态目标跟踪双模系统

很多人第一次看到“激光雷达跟随”四个字，下意识以为就是写个订阅/scan话题、算个最近障碍物方向、发个/cmd_vel让它往那儿转——结果一上真实小车，要么原地打转像喝醉，要么追着墙角跑三分钟不回头。这根本不是跟随，是玄学导航。真正能落地的激光雷达跟随，必须同时解决三件事：建图不能漂移、目标不能丢帧、运动不能抖动。本资源是一套完整跑通的ROS机器人SLAM建图+动态目标跟随系统，核心不是单点算法，而是把slam_toolbox（非Gmapping，支持回环检测）和people_tracker（基于聚类+卡尔曼滤波的实时人形目标跟踪）在ROS Noetic下深度耦合，所有Python节点都带参数热重载、状态机切换逻辑和异常降级策略。它不依赖摄像头或IMU，纯靠16线激光雷达（如速腾RS-LiDAR-16）就能在3×3米室内稳定建图并锁定移动人体，建图精度±2cm，跟随延迟<300ms。适合正在做ROS小车毕业设计、智能巡检原型开发，或想搞懂SLAM与跟踪如何协同而非堆模块的工程师——你不需要从零写EKF，但得知道为什么min_cluster_size: 8比默认5更稳，为什么scan_topic必须用/scan_raw而不是/scan。

2. 从ROS环境到激光雷达驱动：五步完成硬件链路打通

这套系统对ROS版本、激光雷达型号、Ubuntu内核有明确适配边界。我实测过速腾RS-LiDAR-16、镭神N10、禾赛Pandar40P三种主流16线雷达，在Noetic+Ubuntu 20.04上全部跑通，但绝不能直接套用ROS2 Humble或Melodic。下面步骤按真实调试顺序展开，跳过任何“安装ROS”基础教程——如果你还没装好ROS Noetic，先去官网看ros-noetic-desktop-full安装指南，别在这儿卡住。

2.1 确认Ubuntu内核与ROS版本锁死关系

提示：ROS Noetic只支持Ubuntu 20.04 LTS，且必须用5.4.x内核。
很多用户在虚拟机或新装系统里用Ubuntu 22.04装Noetic，编译slam_toolbox时会报std::filesystem找不到——这不是你的代码问题，是C++17标准库缺失。检查命令：

lsb_release -a && uname -r

输出必须是：

Distributor ID: Ubuntu Description: Ubuntu 20.04.6 LTS Release: 20.04 Codename: focal 5.4.0-180-generic

如果不是，请重装Ubuntu 20.04或用apt install linux-image-5.4.0-180-generic降级内核。别信“改CMakeLists.txt加-std=c++17就能解决”，那是黑匣子式自救，后续tf2时间戳会全乱。

2.2 鱼香ROS一键安装后必须做的三件事

鱼香ROS（fishbot）确实省事，但它默认关闭了realtime调度和serial权限，而这恰恰是激光雷达稳定出数的关键。执行完sudo ./fishbot_install.sh后，立刻运行：

# 1. 加入dialout组（否则/dev/ttyUSB0权限拒绝） sudo usermod -a -G dialout $USER # 2. 启用实时调度（避免激光数据被内核进程抢占） sudo systemctl enable rt-preempt sudo systemctl start rt-preempt # 3. 重启udev规则（鱼香脚本没 reload 这个） sudo udevadm control --reload-rules sudo udevadm trigger

做完这三步，拔插雷达USB线，dmesg | grep tty应看到cp210x converter detected，ls -l /dev/ttyUSB*显示crw-rw---- 1 root dialout。如果还是Permission denied，别急着查Python代码——90%是这步漏了。

2.3 速腾16线雷达驱动编译与topic校验

速腾官方提供robosense_driverROS包，但其master分支默认发布/velodyne_points（点云），而本系统要求/scan（2D激光扫描）。必须切到ros-noetic分支并修改配置：

cd ~/catkin_ws/src git clone https://github.com/RoboSense-Technology/ros_rslidar.git cd ros_rslidar git checkout ros-noetic # 修改 launch/rslidar_16.launch：把 <param name="pointcloud" value="true"/> 改为 false # 并确保 <param name="frame_id" value="laser"/> 与 urdf 中一致 cd ~/catkin_ws && catkin_make source devel/setup.bash roslaunch rslidar_pointcloud rslidar_16.launch

启动后立刻验证：

rostopic list | grep scan rostopic hz /scan # 必须稳定在10Hz±0.2Hz rostopic echo /scan/ranges | head -n 5 # 前5个range值应在0.1~30.0之间，无inf/nan

如果rostopic hz跳变剧烈（如5Hz→15Hz→0Hz），说明雷达供电不足——换用带外接电源的USB集线器，绝不能直插笔记本USB口。这是血泪经验：我们实验室三台小车，两台因USB供电不稳导致SLAM建图错位达1.2米。

2.4 SLAM建图节点参数硬编码解析

本系统不用slam_gmapping，因其无回环检测，长距离行走必然漂移。选用slam_toolbox，但它的online_async模式需手动配置闭环阈值。关键参数在config/mapper_params_online.yaml中：

# config/mapper_params_online.yaml loop_closure: loop_closure_threshold: 0.25 # 回环匹配得分阈值，0.25是实测平衡点：太低误闭合，太高不闭合 loop_search_radius: 2.0 # 在2米内搜索历史位姿，超过此值不触发闭环 min_loop_closure_travel: 1.5 # 至少移动1.5米才允许闭环，防原地抖动误判

注意：loop_closure_threshold不是越大越好。我曾设成0.4，结果小车在L型走廊拐角处反复触发错误闭环，地图撕裂成两半。实测0.25对应实际距离误差约8cm，足够支撑跟随任务。该参数必须配合map_frame: map和odom_frame: odom严格对齐TF树，否则闭环坐标变换会崩。

2.5 跟随目标检测节点初始化逻辑

people_tracker节点不依赖OpenCV或YOLO，纯靠激光聚类。其核心是laser_filters预处理+laser_geometry投影+pcl_ros聚类。启动前必须确认：

• laser_filter已过滤地面点（Z轴<-0.1m）和高噪点（range>25m）
• cluster_min_points: 8（非默认5）——实测人体腿部激光点群最少稳定在8个，设5会导致猫狗误识别
• max_cluster_distance: 0.3（簇内点最大欧氏距离）——大于0.35会把相邻两人合并为一簇

验证命令：

roslaunch people_tracker tracker.launch rostopic echo /tracked_persons # 应输出 person_id, x, y, vx, vy，且person_id连续不跳变 rviz -d $(rospack find people_tracker)/rviz/tracker.rviz # 可视化聚类框和轨迹

若/tracked_persons为空，先rostopic echo /scan确认有数据；仍有问题则检查laser_filter是否启用——本系统filter_chain中range_filter必须开启，否则远距离弱反射点（如穿深色衣服的人）会被直接丢弃。

3. SLAM建图与动态跟随的双模协同机制：状态机驱动的topic路由

单纯把slam_toolbox和people_tracker两个节点rosrun起来，它们只是各自吐数据，无法形成“建图时避障、跟随时冻结地图”的行为逻辑。本系统用自研mode_manager节点实现状态切换，其核心是基于ROS Service的同步控制+Topic重映射路由，而非简单rostopic pub发指令。

3.1 三种工作模式定义与触发条件

注意：following模式下slam_toolbox并非停止，而是进入pause_mapping状态——它仍接收/scan并做前端匹配，但不更新全局地图。这是防止跟随中突然有人挡路导致地图重绘撕裂的关键设计。

3.2 mode_manager节点状态机实现（Python）

核心逻辑在src/mode_manager.py中，采用threading.Event做状态同步，避免ROS callback竞争：

# src/mode_manager.py import rospy from std_srvs.srv import SetBool, SetBoolRequest, SetBoolResponse from geometry_msgs.msg import Twist from sensor_msgs.msg import LaserScan class ModeManager: def __init__(self): self.current_mode = "manual" self.mapping_active = threading.Event() self.following_active = threading.Event() # 订阅scan用于模式内决策（如following时检测前方障碍） self.scan_sub = rospy.Subscriber("/scan", LaserScan, self.scan_cb) # 发布cmd_vel的publisher（仅following模式启用） self.cmd_pub = rospy.Publisher("/cmd_vel", Twist, queue_size=1) # Service server：接收模式切换请求 self.mode_srv = rospy.Service("/mode_switch", SetBool, self.mode_cb) def mode_cb(self, req): if req.data: # True = mapping, False = following self.current_mode = "mapping" if req.data else "following" self.mapping_active.set() if req.data else self.mapping_active.clear() self.following_active.clear() if req.data else self.following_active.set() return SetBoolResponse(success=True, message=f"Mode set to {self.current_mode}") return SetBoolResponse(success=False, message="Invalid mode") def scan_cb(self, msg): # following模式下做紧急制动：最近点<0.5m时发零速 if self.following_active.is_set(): min_range = min([r for r in msg.ranges if 0.1 < r < 20.0]) if min_range < 0.5: twist = Twist() twist.linear.x = 0.0 self.cmd_pub.publish(twist)

这段代码的关键在于：mode_cb不直接调用slam_toolbox的pause_mapping服务，而是通过Event通知其他节点自行响应。这样避免Service调用阻塞主线程，也解耦了节点依赖——即使slam_toolbox崩溃，mode_manager仍能切回manual模式保底。

3.3 move_base在following模式下的代价地图重载

move_base默认使用global_costmap和local_costmap，但在following模式下，我们禁用global_costmap的static_layer（因地图已冻结），只保留obstacle_layer和inflation_layer。配置在config/following_costmap_params.yaml中：

global_costmap: plugins: - {name: obstacles, type: "costmap_2d::ObstacleLayer"} # 仅用激光实时障碍 - {name: inflation, type: "costmap_2d::InflationLayer"} static_map: false # 关键！冻结地图时不读取/map topic rolling_window: true width: 6.0 height: 6.0

启动时通过roslaunch参数注入：

roslaunch move_base move_base.launch costmap_params:=$(rospack find my_robot)/config/following_costmap_params.yaml

若忘记设static_map: false，move_base会持续订阅/map，而slam_toolbox在following模式下已停止发布/map，导致move_base报错Transform from map to base_link failed——这是新手最常踩的坑。

3.4 跟随控制器PID参数整定表

跟随效果取决于/tracked_persons到/cmd_vel的转换。本系统用纯PID，非DWA或TEB，因后者在纯激光场景下易震荡。参数经100+次实测标定：

PID计算在src/following_controller.py中，用scipy.integrate.cumtrapz做数值积分，避免离散累加误差。实测发现：distance_offset必须与激光雷达FOV匹配——速腾16线水平FOV为360°，设0.8m合理；若用镭神N10（FOV仅270°），需调至1.0m，否则侧方目标丢失。

3.5 避坑：SLAM与跟随协同的五大翻车现场

现象1：建图时地图缓慢旋转，最终成螺旋状

原因：robot_state_publisher发布的base_link→laserTF存在角度偏差，导致/scan坐标系歪斜。常见于URDF中<origin rpy="0 0 0">写成<origin rpy="0 0 0.1">（单位是弧度！0.1弧度≈5.7度）。
解决：用rosrun tf view_frames生成PDF，检查base_link→laser的yaw角是否恒为0。若偏差>0.05rad，修改URDF并roslaunch robot_description description.launch重载。

现象2：跟随过程中突然停止，/cmd_vel归零但/tracked_persons仍有输出

原因：mode_manager的scan_cb中min_range < 0.5触发制动，但未重置PID积分项，导致解除制动后积分饱和，输出极大负速度。
解决：在scan_cb紧急制动分支末尾加self.pid.reset_integral()，reset_integral()方法需在PID类中实现为self.integral = 0.0。

现象3：slam_toolbox日志频繁打印Failed to insert keyframe

原因：keyframe_thresh_dist（关键帧插入距离阈值）设得太小。默认0.2m，但在地毯或反光地面，轮式里程计跳变大，导致每走0.15m就插一帧，内存溢出。
解决：将config/mapper_params_online.yaml中keyframe_thresh_dist: 0.4，并同步增大keyframe_thresh_rot: 0.3（弧度）。

现象4：RVIZ中/map显示正常，但/tf树里map→odom断开

原因：slam_toolbox的publish_tf参数为false，或tf_prefix不匹配。本系统强制设publish_tf: true且tf_prefix: ""。
解决：检查launch文件中<param name="publish_tf" value="true"/>，并确认<node pkg="slam_toolbox" ...>未带tf_prefix参数。

现象5：多人场景下/tracked_persons的person_id频繁跳变（如0→2→0→1）

原因：cluster_min_points: 8过低，导致人体被拆成多个簇；或max_cluster_distance: 0.3过高，使相邻人合并。
解决：实测调整为cluster_min_points: 10+max_cluster_distance: 0.25，并在tracker.launch中加<param name="min_cluster_size" value="10"/>。

4. Python源码包结构与关键模块复用指南：不只是“抄代码”，是理解数据流

本资源的Python源码不是脚本集合，而是一个可独立部署的ROS Package（my_slam_following），所有节点均遵循ROS最佳实践：参数化、可重载、带单元测试桩。下载解压后目录结构如下：

my_slam_following/ ├── cfg/ # 动态参数配置（rqt_reconfigure用） │ └── Tracker.cfg ├── config/ # YAML参数文件 │ ├── mapper_params_online.yaml │ ├── following_costmap_params.yaml │ └── pid_params.yaml ├── launch/ # 启动文件 │ ├── slam_following.launch # 主启动（含mode_manager） │ ├── tracker.launch │ └── rslidar_16.launch ├── src/ │ ├── mode_manager.py # 状态机中枢 │ ├── following_controller.py # PID跟随控制器 │ ├── scan_preprocessor.py # 激光滤波与地面剔除 │ └── test_pid.py # PID参数验证脚本（非节点，可直接python运行） ├── scripts/ # 辅助脚本 │ └── calibrate_lidar.sh # 激光雷达零点校准（需配合标定板） └── CMakeLists.txt + package.xml

4.1scan_preprocessor.py：激光数据清洗的不可替代层

很多用户跳过此步，直接把原始/scan喂给people_tracker，结果在木地板或玻璃门边大量误检。本模块做三件事：

• 地面剔除：用laser_geometry将/scan转为点云，Z轴滤波（-0.15m ~ 0.3m）
• 离群点剔除：统计每个角度range值，剔除偏离均值3σ的点（防强反射干扰）
• 插值补全：对range为inf的angle，用邻近5个有效点线性插值

核心代码段：

# src/scan_preprocessor.py def preprocess_scan(self, scan_msg): # Step1: 转点云并剔除地面 cloud = self.laser_projector.projectLaser(scan_msg, 0) # 0=不压缩 points = np.array(list(pc2.read_points(cloud, skip_nans=True, field_names=("x", "y", "z")))) valid_mask = (points[:, 2] > -0.15) & (points[:, 2] < 0.3) # Z过滤 points = points[valid_mask] # Step2: 离群点剔除（按角度分组） angles = np.arctan2(points[:, 1], points[:, 0]) ranges = np.sqrt(points[:, 0]**2 + points[:, 1]**2) # 按angle bin分组，每组算range均值和std angle_bins = np.linspace(-np.pi, np.pi, 360) cleaned_ranges = [] for i in range(len(angle_bins)-1): mask = (angles >= angle_bins[i]) & (angles < angle_bins[i+1]) if np.sum(mask) == 0: continue group_ranges = ranges[mask] mean_r, std_r = np.mean(group_ranges), np.std(group_ranges) # 剔除3σ外点 clean_mask = np.abs(group_ranges - mean_r) < 3 * std_r cleaned_ranges.extend(group_ranges[clean_mask]) # Step3: 插值补全（伪代码，实际用scipy.interpolate.interp1d） # ... return cleaned_scan_msg

为什么不能用laser_filters包替代？因为laser_filters的RangeFilter只做简单截断（如range_min: 0.1），无法处理地板反射导致的Z轴污染——这是纯激光跟随必须跨过的门槛。

4.2test_pid.py：脱离ROS环境验证PID参数

这是最被低估的模块。你不必每次改PID都roslaunch整个系统，用此脚本可纯Python验证：

# scripts/test_pid.py from following_controller import PIDController import numpy as np import matplotlib.pyplot as plt # 模拟目标距离变化（单位：米） target_dist = np.array([1.0, 0.9, 0.8, 0.75, 0.7, 0.65, 0.6, 0.55, 0.5, 0.45]) # 实际距离（含噪声） actual_dist = target_dist + np.random.normal(0, 0.02, len(target_dist)) pid = PIDController(kp=0.8, ki=0.05, kd=0.3, dt=0.1) output = [] for t, a in zip(target_dist, actual_dist): err = t - a out = pid.update(err) output.append(out) plt.plot(output); plt.xlabel('Step'); plt.ylabel('Cmd Vel (m/s)'); plt.show()

运行后观察曲线：若输出在0.4~0.6m/s间平滑收敛，说明参数可用；若出现大幅振荡，则调低kp或提高kd。这是我每次部署新雷达必跑的后悔药——省下2小时ROS调试时间。

4.3cfg/Tracker.cfg：动态参数调参的正确姿势

ROS的dynamic_reconfigure不是摆设。本系统所有PID参数、聚类阈值均可运行时调整：

# cfg/Tracker.cfg PACKAGE='my_slam_following' from dynamic_reconfigure.parameter_generator_catkin import * gen = ParameterGenerator() gen.add("kp_linear", double_t, 0, "Linear velocity P gain", 0.8, 0.1, 2.0) gen.add("cluster_min_points", int_t, 0, "Minimum points per cluster", 10, 5, 20) exit(gen.generate(PACKAGE, "my_slam_following", "Tracker"))

启动后运行：

rosrun rqt_reconfigure rqt_reconfigure

在my_slam_following节点下实时拖动滑块，参数立即生效。注意：rqt_reconfigure修改的参数只在当前session有效，永久生效需写回config/pid_params.yaml。

4.4scripts/calibrate_lidar.sh：激光雷达零点校准实战

速腾/镭神雷达出厂有±0.5°角度偏差，不校准会导致建图偏移。本脚本用棋盘格标定法：

#!/bin/bash # scripts/calibrate_lidar.sh echo "Place chessboard 1m in front of lidar, press Enter to start..." read roslaunch my_slam_following calibrate.launch # 启动标定launch # 此launch会发布/chessboard_pose，并监听/laser_scan # 标定完成后，自动计算yaw_offset并写入config/lidar_offset.yaml

标定原理：用cv_bridge从摄像头获取棋盘格位姿，与激光扫描拟合的平面法向量对比，算出yaw角差。实测单次标定耗时<90秒，精度达±0.1°，比厂商工具更准。

4.5 避坑：Python源码复用的三大陷阱

陷阱1：直接import rospy却未rospy.init_node()

现象：ImportError: No module named rospy或ROS not initialized。
原因：rospy必须在if __name__ == '__main__':内rospy.init_node()后才能用。
解决：所有节点脚本末尾必须有：

if __name__ == '__main__': rospy.init_node('following_controller', anonymous=True) controller = FollowingController() rospy.spin()

陷阱2：numpy版本冲突导致tf2报错

现象：AttributeError: module 'numpy' has no attribute 'float128'。
原因：ROS Noetic依赖numpy<1.20，但pip install可能装1.23+。
解决：pip install "numpy<1.20"，然后sudo apt install python3-numpy确保系统级一致。

陷阱3：cv2未安装却在scan_preprocessor.py中import cv2

现象：ModuleNotFoundError: No module named 'cv2'。
原因：laser_geometry依赖cv2做点云投影，但鱼香ROS不默认装。
解决：sudo apt install python3-opencv，不要用pip install opencv-python——ROS节点必须用系统opencv。

5. 文档说明包的隐藏价值：不是说明书，是故障排查索引树

本资源附带的docs/目录不是PDF堆砌，而是按故障现象组织的Markdown索引树，每篇文档对应一个真实翻车场景。它不教你ROS基础，只回答：“我遇到XXX，该怎么查？”——这才是工程师真正需要的文档。

5.1docs/01-slam_drift.md：建图漂移的七层归因分析

按OSI模型类比，从物理层到应用层逐层排查：

• Layer 1（物理）：激光雷达供电电压是否≥4.75V？用万用表测USB口。
• Layer 2（驱动）：rostopic hz /scan是否稳定？不稳定则换USB线或加磁环。
• Layer 3（TF）：rosrun tf tf_echo base_link laser输出Translation是否在±0.005m内波动？
• Layer 4（里程计）：/odom的twist.linear.x与实际轮速是否匹配？用rostopic echo /odom/twist/twist/linear/x对比编码器。
• Layer 5（SLAM）：slam_toolbox日志中Loop closure score是否>0.2？低于此值说明闭环失败。
• Layer 6（地图）：rosrun map_server map_saver -f /tmp/map保存地图，用eog /tmp/map.pgm目视检查是否扭曲。
• Layer 7（环境）：是否在镜面/玻璃/纯色墙面环境？SLAM在此类环境必然失败，需加人工路标。

5.2docs/02-following_jitter.md：跟随抖动的频谱诊断法

抖动不是随机的，有特征频率。用rostopic echo /cmd_vel导出CSV，用Python分析：

import pandas as pd import numpy as np from scipy.signal import welch df = pd.read_csv('cmd_vel.csv') freqs, psd = welch(df['linear.x'], fs=10) # 10Hz采样率 # 若主峰在0.5Hz → 机械共振；1.2Hz → PID参数震荡；5Hz → 电源纹波 print(f"Dominant freq: {freqs[np.argmax(psd)]} Hz")

文档中给出各频率对应解决方案，比如0.5Hz需加固雷达支架，1.2Hz需降低kp_linear。

5.3docs/03-multi_lidar_fusion.md：多方向激光雷达融合的拓扑约束

当加装前/后/侧向雷达时，不能简单rostopic relay。必须满足：

• 所有雷达frame_id不同（如front_laser,rear_laser）
• robot_state_publisher的URDF中，每个<link>对应一个frame_id
• laser_geometry投影时，指定target_frame为base_link
• costmap的obstacle_layer中，observation_sources列出所有/scan_front,/scan_rear等

文档提供urdf/multi_lidar.urdf.xacro模板，含xacro:macro定义多雷达安装位姿。

5.4docs/04-ros_humble_migration.md：迁移到ROS2 Humble的三处硬伤

虽本系统为Noetic设计，但文档明确指出哪些模块无法平移：

• slam_toolbox：Humble版不支持online_async模式，需改用slam_toolbox的sync模式，建图延迟增加200ms。
• people_tracker：Humble无laser_filters的LaserScan消息兼容层，需重写滤波逻辑。
• mode_manager：Humble的SetBool服务类型路径变为std_srvs.srv.SetBool，且rospy替换为rclpy，需重写事件同步逻辑。

提示：文档明确建议——若必须用Humble，放弃本方案，改用nav2的bt_navigator+dwb_controller组合。本系统不提供Humble适配补丁，因架构差异过大。

5.5 避坑：文档阅读的两个致命误区

误区1：把docs/当教程从头读

现象：花2小时读完01-slam_drift.md，结果自己遇到的是03-multi_lidar_fusion.md的问题。
正解：文档是索引树，不是线性书。遇到问题，先看现象关键词（如“地图旋转”→查01-slam_drift.md，“跟随抖动”→查02-following_jitter.md），直奔对应章节。

误区2：忽略docs/README.md中的版本锁死声明

现象：在Ubuntu 22.04上硬跑Noetic文档，所有命令报错。
正解：docs/README.md首行即写明Tested on Ubuntu 20.04 + ROS Noetic only。所有文档假设环境已正确搭建，不负责教环境配置——这是工程师的基本共识。

6. 最后一公里：用rosbag录制真实场景并做离线回放验证

再完美的代码，不经过真实场景检验都是空中楼阁。本系统交付前，我在实验室录了37段rosbag，覆盖瓷砖、地毯、镜面墙、强光窗边、多人穿行等场景。你拿到源码后，第一件事不是roslaunch，而是用这些bag验证你的硬件链路是否真通。

6.1 录制自己的验证bag：四步精准捕获

别用rosbag record -a——它会录下所有topic，bag文件超1GB且难分析。只录关键流：

# 1. 启动雷达和基础节点 roslaunch rslidar_pointcloud rslidar_16.launch # 2. 录制核心topic（-O指定输出路径，-j启用压缩） rosbag record -O ~/bags/following_test.bag \ /scan \ /tf \ /tracked_persons \ /cmd_vel \ /map \ /odom # 3. 让人匀速走直线、L型折返、绕圈，持续2分钟 # 4. Ctrl+C停止，检查bag大小：正常应为80~120MB（压缩后）

注意：/tf必须录制！很多人漏录，导致回放时rviz报No transform from [map] to [base_link]——因为/tf是动态广播的，不录就无法回放坐标系。

6.2 回放bag并注入到SLAM系统

关键是要让slam_toolbox从bag中读取/scan，而非实时雷达：

# 1. 启动SLAM节点（不启动雷达驱动） roslaunch slam_toolbox online_async_launch.launch # 2. 播放bag，--clock发布仿真时间（让SLAM相信这是实时数据） rosbag play --clock ~/bags/following_test.bag # 3. 观察rviz：/map应逐步构建，/tf中map→odom应平滑变化

若/map静止不动，检查slam_toolbox日志是否报No scan received——大概率是bag中/scan的`header.frame_id

本文还有配套的精品资源，点击获取