用EGO-swarm实现多无人机编队飞行：手把手教你修改simple_run.launch参数

用EGO-swarm实现多无人机编队飞行：手把手教你修改simple_run.launch参数

当你第一次打开EGO-swarm的代码仓库，面对那些嵌套的launch文件和看似复杂的参数配置时，是不是感觉有点无从下手？很多开发者都卡在了这一步：明明按照教程编译成功了，但一运行simple_run.launch，要么Gazebo里空空如也，要么Rviz里看不到预期的集群轨迹。问题的核心往往不在于算法本身，而在于对这套仿真框架的启动逻辑理解不够透彻。

今天，我们就来彻底拆解EGO-swarm的launch架构。我会带你像读一本侦探小说一样，从simple_run.launch这个“入口”开始，一步步追踪它是如何调用swarm.launch和rviz.launch，最终让一群无人机在仿真环境中“活”起来的。更重要的是，我会手把手教你如何修改关键参数——比如无人机数量、起始位置、地图环境——来适配你自己的实验需求。无论你是想验证新的编队算法，还是为实体无人机集群测试做前期仿真，这篇文章都能帮你扫清障碍。

1. 从“入口”开始：理解simple_run.launch的骨架

很多人在尝试修改EGO-swarm时，第一个困惑就是：该改哪个文件？答案就在ego_planner功能包下的launch文件夹里。你会看到几个关键的launch文件，其中simple_run.launch是最高层的启动入口。把它想象成项目的主函数，它自己不干具体的活，而是负责协调和组织其他“模块”启动。

用文本编辑器打开simple_run.launch，它的结构通常非常简洁：

<launch> <!-- 加载全局参数到参数服务器 --> <rosparam file="$(find ego_planner)/config/planning.yaml" command="load"/> <!-- 启动swarm核心节点 --> <include file="$(find ego_planner)/launch/swarm.launch"> <arg name="drone_num" value="4"/> </include> <!-- 启动可视化界面 --> <include file="$(find ego_planner)/launch/rviz.launch"/> </launch>

这段代码做了三件事：

1. 加载全局配置：将planning.yaml中的路径规划参数（如最大速度、加速度、安全距离等）加载到ROS参数服务器，供所有节点读取。
2. 启动集群核心：通过<include>标签调用swarm.launch，并传递了一个参数drone_num，这里默认值是4。这就是你修改无人机数量的第一个关键位置。
3. 启动可视化工具：调用rviz.launch来打开Rviz，用于显示无人机轨迹、地图和传感器数据。

注意：这里有一个历史遗留的“坑”。你可能会发现，在文件系统中功能包的文件夹名是plan_manage，但launch文件里find命令查找的却是ego_planner。这是因为在代码演进过程中，功能包名（由package.xml定义）被改为了ego_planner，但文件夹名可能没有同步更改。只要package.xml里的名字是ego_planner，ROS就能正确找到它。如果你在运行launch文件时遇到“找不到功能包”的错误，首先检查package.xml中的<name>标签。

1.1 参数传递的“管道”：arg与param的区别

在修改launch文件时，你必须清楚<arg>和<param>的区别，这是精准控制仿真的基础。

• <arg>：相当于启动时传入的命令行变量，只在launch文件内部有效，用于在文件内部或向被包含的launch文件传递临时值。例如上面例子中的<arg name="drone_num" value="4"/>。
• <param>和<rosparam>：用于设置ROS参数服务器上的参数。这些参数对所有ROS节点都是全局可见的，节点在运行时可以动态读取。<rosparam>通常用于批量加载YAML格式的配置文件。

一个常见的需求是，你想从命令行动态指定无人机数量，而不是每次去修改launch文件。这时可以这样改写simple_run.launch：

<launch> <!-- 定义一个命令行参数，默认值为4 --> <arg name="drone_num" default="4"/> <arg name="map_type" default="simulation"/> <!-- 新增：地图类型参数 --> <rosparam file="$(find ego_planner)/config/planning.yaml" command="load"/> <!-- 将arg的值传递给swarm.launch --> <include file="$(find ego_planner)/launch/swarm.launch"> <arg name="drone_num" value="$(arg drone_num)"/> <arg name="map_type" value="$(arg map_type)"/> </include> <include file="$(find ego_planner)/launch/rviz.launch"/> </launch>

这样，你就能在启动时通过命令行灵活配置了：

roslaunch ego_planner simple_run.launch drone_num:=8 map_type:=outdoor

2. 深入核心：拆解swarm.launch的集群生成逻辑

swarm.launch是仿真的心脏。它负责生成指定数量的无人机模型、为每架无人机启动独立的规划器节点、传感器模拟节点，并初始化它们在Gazebo或Rviz中的状态。理解它的结构，你就能掌控整个集群的“出生”和“行为”。

2.1 无人机“复制”：利用循环与命名空间

EGO-swarm采用了一种非常经典的ROS多机器人仿真模式：为每架无人机创建独立的命名空间。这保证了话题、服务、参数相互隔离，避免冲突。在swarm.launch中，通常使用<group>标签配合ROS的$(eval ...)功能来实现循环：

<launch> <arg name="drone_num"/> <arg name="map_type"/> <!-- 加载全局地图或环境参数 --> <group if="$(eval map_type == 'simulation')"> <include file="$(find uav_simulator)/launch/gazebo_empty_world.launch"> <arg name="world_name" value="$(find uav_simulator)/worlds/indoor.world"/> </include> <param name="use_sim_time" value="true"/> </group> <!-- 循环生成每一架无人机 --> <group ns="drone$(arg drone_id)"> <!-- 为每架无人机设置唯一的ID参数 --> <param name="drone_id" type="int" value="$(arg drone_id)"/> <!-- 在Gazebo中生成模型 --> <node pkg="uav_simulator" type="spawn_model" name="spawner_$(arg drone_id)" args="-urdf -param robot_description -model drone$(arg drone_id) -x $(arg start_x) -y $(arg start_y) -z $(arg start_z)"/> <!-- 启动该无人机的规划器节点 --> <node pkg="ego_planner" type="ego_planner_node" name="planner" output="screen"> <remap from="~odom" to="/drone$(arg drone_id)/visual_slam/odom" /> <remap from="~goal" to="/drone$(arg drone_id)/move_base_simple/goal" /> </node> <!-- 启动传感器模拟节点（如激光雷达、深度相机） --> <include file="$(find uav_simulator)/launch/fake_sensor.launch"> <arg name="drone_id" value="$(arg drone_id)"/> </include> </group> </launch>

关键修改点解析：

1. 起始坐标：上面代码中-x $(arg start_x) -y $(arg start_y) -z $(arg start_z)就是Gazebo中生成模型的位置。为了让集群初始位置分散开，避免碰撞，你需要在循环外部预先计算或定义一个位置列表，然后在循环内为每架无人机分配不同的(start_x, start_y, start_z)。一种实用的方法是在YAML配置文件中定义起始点数组。
2. 地图环境：<group if="$(eval map_type == 'simulation')">展示了如何根据参数选择不同的仿真环境。你可以扩展这个逻辑，为outdoor、forest、dynamic等不同场景加载不同的世界文件或点云地图。

2.2 配置文件的动态加载

硬编码参数在launch文件里会显得很乱。最佳实践是将无人机配置（如起始位姿、模型类型、传感器配置）写入YAML文件。swarm.launch可以这样加载：

<!-- 在循环外部加载包含所有无人机起始位置的配置 --> <rosparam file="$(find ego_planner)/config/drone_start_positions.yaml" command="load"/> <!-- 在循环内部，通过索引读取对应ID的起始位置 --> <group ns="drone$(arg drone_id)"> <param name="start_x" value="$(optenv START_POSITIONS_$(arg drone_id)_x 0.0)"/> <param name="start_y" value="$(optenv START_POSITIONS_$(arg drone_id)_y 0.0)"/> <param name="start_z" value="$(optenv START_POSITIONS_$(arg drone_id)_z 1.0)"/> ... </group>

对应的drone_start_positions.yaml文件内容可以是：

START_POSITIONS: 0: [0.0, 0.0, 1.0] 1: [1.5, 0.0, 1.0] 2: [0.0, 1.5, 1.0] 3: [1.5, 1.5, 1.0] 4: [-1.5, 0.0, 1.5] # ... 更多无人机位置

3. 仿真与现实的桥梁：参数映射与对照

EGO-swarm的强大之处在于其算法模块与仿真、硬件平台解耦良好。这意味着，为仿真调好的参数，经过适当转换，可以应用到真实无人机上。理解这两套参数体系的对应关系，是迈向实物实验的关键一步。

3.1 核心参数对照表

下表列出了仿真中常用的关键参数及其在真实飞控（以PX4/ROS为例）中可能对应的参数或话题。

3.2 从仿真到实物的关键调整步骤

1. 替换状态反馈源：在实物启动的launch文件中，注释掉或移除仿真用的fake_odom或gazebo插件，替换为连接真实状态源的节点（如vrpn_client或mavros）。
2. 适配控制接口：修改规划器输出话题的订阅者。可能需要编写一个简单的转换节点，将EGO-planner输出的Twist或Pose消息，转换为飞控API（如MAVROS的setpoint_raw）要求的消息格式。
3. 重映射感知话题：确保规划器订阅的点云话题名称与实物传感器发布的话题名称一致。使用<remap>标签可以轻松完成。
4. 调参保守化：首次实物飞行，务必大幅降低max_vel和max_acc，先确保基础控制和避障功能稳定，再逐步提升性能。
5. 安全机制叠加：实物系统必须引入仿真中没有的安全层，例如：紧急停止开关、地理围栏、低电量自动返航、以及基于飞控的失控保护。

4. 实战：定制一个室内十字编队飞行实验

假设我们要实现一个简单的任务：4架无人机从房间四角起飞，在中央汇合形成一个十字形编队，然后保持队形飞向另一个目标点。我们将通过修改launch和配置文件来实现。

4.1 步骤一：定义起始与编队目标

首先，创建或修改config/drone_start_positions.yaml：

# 四角起飞位置 (房间尺寸假设为5x5米) start_positions: 0: [-2.0, -2.0, 1.0] # 左下角 1: [ 2.0, -2.0, 1.0] # 右下角 2: [-2.0, 2.0, 1.0] # 左上角 3: [ 2.0, 2.0, 1.0] # 右上角 # 十字编队中心位置及相对偏移 (相对于中心点[0,0,1.5]) formation_center: [0.0, 0.0, 1.5] formation_offsets: 0: [-0.5, 0.0, 0.0] # 中心左侧 1: [ 0.5, 0.0, 0.0] # 中心右侧 2: [ 0.0, -0.5, 0.0] # 中心下侧 3: [ 0.0, 0.5, 0.0] # 中心上侧 # 最终目标点 final_goal: [3.0, 0.0, 2.0]

4.2 步骤二：修改swarm.launch以加载编队信息

在swarm.launch的循环中，除了加载起始位置，还需要将编队偏移和最终目标作为参数传递给每个无人机的规划器节点。

<!-- 在循环内部，无人机规划器节点附近 --> <node pkg="ego_planner" type="ego_planner_node" name="planner" output="screen"> <remap from="~odom" to="/drone$(arg drone_id)/visual_slam/odom" /> <remap from="~goal" to="/drone$(arg drone_id)/move_base_simple/goal" /> <!-- 注入编队偏移参数 --> <param name="formation_offset_x" value="$(optenv FORMATION_OFFSETS_$(arg drone_id)_x 0.0)"/> <param name="formation_offset_y" value="$(optenv FORMATION_OFFSETS_$(arg drone_id)_y 0.0)"/> <param name="formation_offset_z" value="$(optenv FORMATION_OFFSETS_$(arg drone_id)_z 0.0)"/> <param name="final_goal_x" value="$(optenv FINAL_GOAL_x 0.0)"/> <param name="final_goal_y" value="$(optenv FINAL_GOAL_y 0.0)"/> <param name="final_goal_z" value="$(optenv FINAL_GOAL_z 1.5)"/> </node>

4.3 步骤三：编写编队逻辑脚本（Python示例）

你需要一个编队管理节点来协调集群行为。这个节点可以订阅所有无人机的位置，计算编队目标，并通过/droneX/move_base_simple/goal话题向每架无人机发布阶段性目标。这里给出一个简化的逻辑框架：

#!/usr/bin/env python import rospy from geometry_msgs.msg import PoseStamped import yaml class FormationManager: def __init__(self): rospy.init_node('formation_manager') # 从参数服务器加载编队配置 self.start_pos = rospy.get_param('/start_positions') self.offsets = rospy.get_param('/formation_offsets') self.center = rospy.get_param('/formation_center') self.final_goal = rospy.get_param('/final_goal') # 为每架无人机创建目标发布器 self.goal_pubs = [] for i in range(len(self.start_pos)): pub = rospy.Publisher(f'/drone{i}/move_base_simple/goal', PoseStamped, queue_size=10) self.goal_pubs.append(pub) rospy.sleep(2) # 等待所有节点启动 self.run_formation_mission() def run_formation_mission(self): # 阶段1：发布初始位置作为第一个目标（实际上已在起点，可跳过或用于确认） # 阶段2：发布编队中心+各自偏移量作为目标，形成十字 rospy.loginfo("Moving to formation...") for i, pub in enumerate(self.goal_pubs): goal = PoseStamped() goal.header.frame_id = "world" goal.pose.position.x = self.center[0] + self.offsets[str(i)][0] goal.pose.position.y = self.center[1] + self.offsets[str(i)][1] goal.pose.position.z = self.center[2] + self.offsets[str(i)][2] goal.pose.orientation.w = 1.0 pub.publish(goal) rospy.sleep(10) # 等待无人机到达编队位置 # 阶段3：发布最终目标，编队整体移动 rospy.loginfo("Moving formation to final goal...") for i, pub in enumerate(self.goal_pubs): goal = PoseStamped() goal.header.frame_id = "world" # 最终目标点加上各自的编队偏移 goal.pose.position.x = self.final_goal[0] + self.offsets[str(i)][0] goal.pose.position.y = self.final_goal[1] + self.offsets[str(i)][1] goal.pose.position.z = self.final_goal[2] + self.offsets[str(i)][2] goal.pose.orientation.w = 1.0 pub.publish(goal) if __name__ == '__main__': try: FormationManager() rospy.spin() except rospy.ROSInterruptException: pass

将这个脚本保存为formation_manager.py，放在一个ROS功能包中，并在你的主launch文件里启动它，它就能接管集群的任务调度了。

4.4 步骤四：调整Rviz显示

最后，为了让观察更直观，你可能需要调整rviz.launch或Rviz配置文件，固定显示所有无人机的轨迹和模型。确保在Rviz中正确添加了TF、Marker（用于显示轨迹和目标点）以及PointCloud2（用于显示障碍物）等显示类型。

经过以上四步，你就完成了一个从参数修改、逻辑编写到可视化调试的完整定制流程。这不仅仅是运行一个Demo，而是真正理解了如何驾驭EGO-swarm这套框架，去实现你脑海中的集群飞行构想。