预约通道
内容课程
在AI操控机器人系列第一期的手势控制教程中，身为地平线资深程序员的奶爸，使用地平线发布的机器人开发平台TogetherROS软件栈，搭建了手势操控机器人。
当孩子的小伙伴们还是带个手套或者使用遥控器指挥机器人跑跑时，手势控制这么AI的机器人让小朋友得意了很长一段时间。（点击一下，内容回顾）
可是好景不长，小朋友对待玩具都是喜新厌旧的，这就给我提了新的需求，小小年纪就展现了当产品经理的潜力。
“能不能让机器人跟在我后面跑，就像咱们家狗狗那样呢？”
为了体现老爸的厉害，这个人体跟随机器人必须搞起（其实是机器人开发平台里面丰富的算法让我这么有底气）。
一、功能介绍
大家先看一下最终实现的功能。
从跟随效果来看，当人移动时，机器人能够迅速跟随人移动，得益于地平线旭日®️X3派（以下简称X3派）上5Tops算力的BPU可以实现低延迟（30ms左右）、高帧率（满帧30fps）、远距离（>8m）、低系统负载（4核CPU只占用了单核<40%）的算法推理能力。
开始码代码前，先来简单分析一下人体跟随机器人需要具备哪些基本模块。
传感
对于人体跟随这类基于视觉的AI算法应用，首先需要有视觉传感器来捕捉图像数据。
感知
获取到传感器发布的图像后，通过视觉算法进行推理，检测到人体，实现感知的能力。
交互
检测到人体之后，需要定义并实现对应不同人体检测结果的功能应用，如人体在机器人的右边需要控制机器人向右转动。
控制
根据“交互”模块输出的控制指令，实现对机器人的机械控制。
机器人本体
当然还需要一个具备运动能力的机器人本体，接收控制指令并控制电机运动，实现最终的机器人跟随人体的效果。
地平线发布的机器人平台TogetherROS软件栈内置了丰富易用的机器人开发组件，包含搭建一个智能机器人应用（如人体跟随机器人和第一期的机器人手势控制）所涉及到的所有功能模块，完全开源免费，并允许开发者二次开发，接下来开始搞起。
二、准备工作
准备搭建机器人人体跟随应用案例的硬件设备和软件包。
硬件
硬件包括：
①X3派
②F37 MIPI摄像头
③机器人
X3派和TogetherROS适配了本末双足机器人和小R科技的麦轮小车。这边为了让孩子觉得机器人足够高大上，就用本末的轮足机器人来介绍，没有的同学也不用担心，文章后面会介绍自己搭建机器人的方式。
④其他配件
a.USB Type C接口电源线。至少搭配5V@2A适配器，用于X3派供电。
b.串口线，连接方式如下：
c.TF存储卡和读卡器。旭日X3派开发板采用TF存储卡作为系统启动介质，推荐使用至少8GB容量、速率C10以上的TF存储卡，以便满足Ubuntu系统及更多应用功能包对存储空间的需求。
安装系统
参考旭日X3派的用户手册的安装系统章节，安装完成（或者已经安装过）需要更新系统。
系统配置
配置X3派的无线网络，参考X3派的用户手册的无线网络章节。
无线网络配置成功之后，查询IP地址：
可以看到，X3派的无线网路分配的IP地址为192.168.1.147，下面开始使用这个地址和root账号（密码为root）通过ssh远程连接到X3派，登录成功后的状态如下：
安装TogetherROS
使用apt命令通过DEB包安装TogetherROS。
登录旭日X3派ssh root@192.168.1.147，执行命令sudo apt install hhp，安装过程如下：
root@ubuntu:~# sudo apt install hhp
Reading package lists... Done
Building dependency tree
Reading state information... Done
The following NEW packages will be installed:
hhp0 upgraded, 1 newly installed, 0 to remove and 52 not upgraded.
Need to get 384 MB of archives.
After this operation, 512 MB of additional disk space will be used.
Get:1 http://42.62.85.28/ubuntu-ports focal/main arm64 hhp arm64 1.0.1 [384 MB]
Fetched 384 MB in 6min 43s (954 kB/s)
Selecting previously unselected package hhp.(Reading database ... 110406 files and directories currently installed.)
Preparing to unpack .../archives/hhp_1.0.1_arm64.deb ...
Unpacking hhp (1.0.1) ...
Setting up hhp (1.0.1) ...
Generating locales (this might take a while)...
en_US.ISO-8859-1... done
en_US.UTF-8... done
Generation complete. 查看/opt目录下文件：
root@ubuntu:/userdata# ls /opt/
tros 可以看到TogetherROS已安装在/opt目录下，说明安装成功。至此，准备工作结束，下面开始使用这些硬件设备和软件包搭建机器人人体跟随App。
三、使用介绍
接下来开始搞各个功能模块，再一步步组装起来，分别验证其功能。
安装和测试F37摄像头
将F37摄像头通过MIPI线连接到X3派上，连接方式如下：
直接使用TogetherROS中的ROS package测试F37的功能。以下通过脚本启动摄像头采集，图像编码，web展示功能包，实现将F37摄像头采集到的图像进行编码后，通过PC端web浏览器实时查看采集到的图像。 登录旭日X3派ssh root@192.168.1.147后，在终端（以下默认终端都是通过ssh登录）中输入以下命令启动：
# 配置 TogetherROS 环境：
source /opt/tros/local_setup.bash
# 启动脚本
ros2 launch websocket hobot_websocket.launch.py 启动成功的终端状态如下：
摄像头开始采集图像并对外发布图像消息。PC浏览器（chrome/firefox/edge）输入X3派IP地址，即可查看F37实时采集到的图像效果：
说明F37摄像头已安装成功并能够对外发布图像消息。
测试人体检测算法和交互功能
X3派上打开一个终端，启动人体检测和控制的脚本：
# 配置TogetherROS环境
source /opt/tros/setup.bash
# 从TogetherROS的安装路径中拷贝出运行示例需要的配置文件。
cp -r /opt/tros/lib/mono2d_body_detection/config/ .
#启动launch文件
ros2 launch body_tracking hobot_body_tracking_without_gesture.launch.py 启动成功后，当有人体出现在F37摄像头前时，终端输出如下信息：
[body_tracking-5] [INFO] [1657615485.941625685] [TrackingManager]: track_id: 1, frame_ts: 485910, tracking_sta(0:INITING, 1:TRACKING, 2:LOST): 1, gesture: 0, y pixel to robot: 2, present_rect: 540 6 954 542
[body_tracking-5] [INFO] [1657615485.941724902] [TrackingManager]: UpdateTrackAngle: frame_ts: 485910, track_id: 1, angel_with_robot: 45
[body_tracking-5] [INFO] [1657615485.942362166] [TrackingManager]: rotate direction: 0, step: 0.500000
[body_tracking-5] [WARN] [1657615485.942528139] [RobotCmdVelNode]: RobotCtl, angular: 0 0 -0.5, linear: 0 0 0, pub twist ts: 1657615485942515 以上log显示机器人在跟随目标编号为1（track_id: 1）的人体（tracking_sta: 1），人体不在机器人的正前方，和机器人之间的角度为45度，跟随交互模块控制机器人以0.5r/s的速度向人体方向转动（rotate direction: 0, step: 0.500000）。 在PC端浏览器上会实时渲染显示摄像头采集到的图像，人体、人头、人脸和人手检测框和目标编号结果，人体骨骼关键点以及实时的性能统计数据，如下图：
其中浏览器下方显示的fps为实时的AI推理输出的帧率，和F37摄像头采集图像的帧率30fps一致。ai_delay（单位为毫秒）为28，表示的是单帧推理的延迟，从传感Node发布图像数据开始，经过感知算法Node推理后，发布包含人体检测结果的AI msg的耗时。 板端使用top命令查看系统资源占用如下图所示，其中mono2d_body_detection为人体检测算法推理进程，此时CPU使用率为38.9%。
经过以上测试，说明在X3派上，TogetherROS的人体检测算法运行成功，并且算法可以实现低延迟（30ms）、高帧率（满帧30fps）、远距离（>8m）、低系统负载（单核CPU占用<40%）的算法推理效果，体现了X3 BPU强大的算力。
人体检测算法测试完成后，接着测试人体跟随功能。X3派上另起一个终端，执行如下命令查询X3派上的话题列表：
# 配置TogetherROS环境
source /opt/tros/setup.bash
ros2 topic list 输出如下：
其中/cmd_vel话题是人体跟随控制节点发布的控制命令消息。在当前终端执行ros2 topic echo /cmd_vel命令查询X3派上的话题信息，当人体出现在F37摄像头前并且偏离正前方时，终端输出如下：
可以看到，此时人体跟随控制节点发布发布出的/cmd_vel话题的angular z数据为-0.5，表示以0.5r/s的速度转动。 说明人体识别算法和交互功能的软件包已安装成功，并能够通过/cmd_vel话题对外发布机器人运动控制消息。
将X3派安装到机器人上
将X3派安装到机器人上，并测试在X3派上通过发布/cmd_vel话题控制机器人运动的功能。连接了F37摄像头的X3派直接固定在机器人上，并将机器人的USB控制接口插到X3派上。 安装效果如下：
对于支持使用ROS开发的机器人，一般会提供一个基于ROS开发的机器人运动控制Node，功能为订阅/cmd_vel话题的控制消息（ROS2中定义的用于机器人控制的消息，消息类型为geometry_msgs/msg/Twist），根据控制协议，通过USB等接口向机器人发送运动控制指令，实现控制机器人运动的目的。
本文使用的本末双足机器人使用的是USB接口，并提供了运行在X3派上的运动控制package，package订阅到/cmd_vel话题的控制消息后，通过USB向机器人下发控制指令，实现对机器人的控制。 在X3派上启动本末双足机器人运行控制Node。打开一个终端，执行如下命令：
# 配置TogetherROS环境
source /opt/tros/setup.bash
#启动本末机器人运动控制package
ros2 run diablo_sdk ros_bridge_example 执行成功后终端中输出如下信息：
X3派上重新打开一个终端，通过发布/cmd_vel话题消息控制机器人以0.3r/s的速度转动：
# 配置TogetherROS环境
source /opt/tros/setup.bash
ros2 topic pub -r 10 /cmd_vel geometry_msgs/Twist '{linear: {x: 0, y: 0, z: 0}, angular: {x: 0, y: 0, z: 0.3}}' 执行成功后终端中输出如下信息：
机器人收到控制指令后转动的效果如下：
说明机器人能够按照发布的控制命令消息正确的实现运动。
对于其他机器人应该怎么安装
如果手里是其他的移动机器人，例如有一个使用树莓派或者Jetson Nano作为上位机的机器人，也可以将X3派安装在机器人上，代替树莓派或者Jetson Nano，实现控制机器人运动。 安装方法如下：
①编译可以运行在X3派上的运动控制package；
a.X3派上安装ROS2软件系统构建和编译工具：
apt update
apt-get install python3-catkin-pkg
pip3 install empy
pip3 install -U colcon-common-extensions b.将原先运行在树莓派或者Jetson Nano上的机器人运动控制ROS2 package源码拷贝到X3派上；
c.在X3派上，package源码工程所在路径下，直接使用source /opt/tros/setup.bash; colcon build命令编译package；
d.如果原先运动控制package是基于ROS1开发，源码需要适配到ROS2。只需要适配"cmd_vel"话题消息的订阅和处理，如果原先的ROS1 package中有其他功能，可以先不关注。
②安装
a.将X3派固定在机器人上，如果空间有限，可以将原先的树莓派或者Jetson Nano拆除；
b.使用USB Type C给X3派供电，如果机器人上无Type C供电输出，也可以使用移动电源（输出至少5V&直流 2A）给X3派供电；
c.将机器人的USB控制接口插到X3派上。
③测试
a.X3派上启动新编译的机器人运动控制package；
b.X3派上重新打开一个终端，通过发布/cmd_vel话题消息控制机器人以0.3r/s的速度转动：
# 配置TogetherROS环境
source /opt/tros/setup.bash
ros2 topic pub -r 10 /cmd_vel geometry_msgs/Twist '{linear: {x: 0, y: 0, z: 0}, angular: {x: 0, y: 0, z: 0.3}}' 如果机器人正常转动，说明X3派安装成功。
四、完整的机器人人体跟随效果
下面开始测试完整的机器人人体跟随功能。
X3派上打开一个终端，启动人体检测和控制脚本
# 配置TogetherROS环境
source /opt/tros/setup.bash
# 从TogetherROS的安装路径中拷贝出运行示例需要的配置文件。
cp -r /opt/tros/lib/mono2d_body_detection/config/ .
#启动launch文件
ros2 launch body_tracking hobot_body_tracking_without_gesture.launch.py X3派上打开一个终端，启动机器人运动控制Node
# 配置TogetherROS环境
source /opt/tros/setup.bash
#启动本末机器人运动控制Node
ros2 run diablo_sdk ros_bridge_example机器人跟随人移动
五、原理分析
第4章节中，在X3派的两个终端中分别启动了hobot_body_tracking_without_gesture.launch.py脚本和运动控制Node，实现了机器人跟随人体的效果，本章节对实现的原理进行分析。
App运行时的Node和Topic信息
对于一个基于ROS开发的App，首先会想到这个App在运行时有哪些Node，这些Node发布和订阅了哪些Topic，以及这些Node之间的关联。
在X3派上使用ros2的命令行工具查询设备上运行的Node和Topic信息：
root@ubuntu:~# source /opt/tros/setup.bash
root@ubuntu:~# ros2 node list
/ai_msg_sub_node
/hobot_codec1658324595406906403
/horizon_tracking_RobotCmdVel
/mipi_cam
/mono2d_body_det
/ros_bridge_example
/tracking_strategy_parameter_node
/transform_listener_impl_5594bf54a0
/websocket
root@ubuntu:~# ros2 topic list
/cmd_vel
/hbmem_img080a1309022201080401012021072312
/hobot_mono2d_body_detection
/image_jpeg
/image_raw
/imu/data_raw
/odom
/parameter_events
/quat_odom
/raw_odom
/rosout
/tf
/tf_static 查询到X3派上运行着多个Node，这些ROS2 Node之间是基于pub&sub机制通信，通过topic将这些Node串联起来形成一个pipeline。
此App运行时Node以及Topic信息比较多，看不出Node之间的关联。可以在PC端通过rqt（PC端需要安装ROS2 Foxy版本，rqt，以及PC需要和X3派处于同一网段）的Node Graph功能可以可视化的展示X3派上运行的Node，Node发布和订阅的topic，以及Node之间的连接关系，如下图（其中椭圆形框内为Node名，矩形框内为topic名）：
可以看到，整个graph（pipeline）以mipi_cam Node（图像采集和发布）为起点，websocket Node（序列化图片和AI结果，用于可视化展示）和ros_bridge_example Node（机器人运动控制）为终点，起点和终点之间连接着多个Node。这些Node中ros_bridge_example Node是通过ros2 run diablo_sdk ros_bridge_example命令启动，其余Node都是通过hobot_body_tracking_without_gesture.launch.py脚本启动。
注意：/ai_msg_sub_node节点订阅到的/hobot_mono2d_body_detection话题消息实际是由/horizon_tracking_RobotCmdVel节点处理，导致显示的graph不连续，属于设计上的待完善点
App的Node介绍
对于复杂的包含多个Node的应用，ROS2提供了使用启动脚本通过launch批量启动Node的功能。
机器人跟随人体App使用hobot_body_tracking_without_gesture.launch.py脚本来启动这些Node，脚本内容如下：
import os
from launch import LaunchDescription
from launch_ros.actions import Node
from launch.actions import IncludeLaunchDescription
from launch.launch_description_sources import PythonLaunchDescriptionSource
from ament_index_python import get_package_share_directory
def generate_launch_description():
web_service_launch_include = IncludeLaunchDescription(
PythonLaunchDescriptionSource(
os.path.join(
get_package_share_directory('websocket'),
'launch/hobot_websocket_service.launch.py'))
)
return LaunchDescription([
web_service_launch_include,
# 启动图片发布pkg
Node(
package='mipi_cam',
executable='mipi_cam',
output='screen',
parameters=[
{"out_format": "nv12"},
{"image_width": 960},
{"image_height": 544},
{"io_method": "shared_mem"},
{"video_device": "F37"}
],
arguments=['--ros-args', '--log-level', 'error']
),
# 启动jpeg图片编码&发布pkg
Node(
package='hobot_codec',
executable='hobot_codec_republish',
output='screen',
parameters=[
{"channel": 1},
{"in_mode": "shared_mem"},
{"in_format": "nv12"},
{"out_mode": "ros"},
{"out_format": "jpeg"},
{"sub_topic": "/hbmem_img"},
{"pub_topic": "/image_jpeg"}
],
arguments=['--ros-args', '--log-level', 'error']
),
# 启动单目rgb人体、人头、人脸、人手框和人体关键点检测pkg
Node(
package='mono2d_body_detection',
executable='mono2d_body_detection',
output='screen',
parameters=[
{"ai_msg_pub_topic_name": "/hobot_mono2d_body_detection"}
],
arguments=['--ros-args', '--log-level', 'error']
),
# 启动web展示pkg
Node(
package='websocket',
executable='websocket',
output='screen',
parameters=[
{"image_topic": "/image_jpeg"},
{"image_type": "mjpeg"},
{"smart_topic": "/hobot_mono2d_body_detection"}
],
arguments=['--ros-args', '--log-level', 'error']
),
# 启动人体跟随pkg
Node(
package='body_tracking',
executable='body_tracking',
output='screen',
parameters=[
{"ai_msg_sub_topic_name": "/hobot_mono2d_body_detection"},
{"activate_wakeup_gesture": 0},
{"img_width": 960},
{"img_height": 544},
{"track_serial_lost_num_thr": 30},
{"move_step": 0.5},
{"rotate_step": 0.5},
{"activate_robot_move_thr": 5}
],
arguments=['--ros-args', '--log-level', 'info']
)
])
脚本中指定了多个Node，其中每个Node中的package配置项表示Node名，可以看到脚本中配置的Node名和5.1章节中查出来的一致。
在第1章节，分析了机器人人体跟随App所需要具备的功能模块，下面按照这些功能模块对Node进行分析。
传感
使用了TogetherROS中的Hobot Sensor组件中的mipi_cam Node，同时指定了Node的参数：
"out_format"：发布图片的格式为"nv12"
"image_width"：图片分辨率宽为960
"image_height"：图片分辨率高为544
"io_method"：发布出来的图片传输方式为"shared_mem"，即共享内存方式，对应消息的topic为"hbmem_img"
"video_device"：指定了使用的MIPI摄像头类型为"F37"，表示F37摄像头
参数指定了使用F37摄像头，发布的图片格式和分辨率可以直接用于算法推理，其中通过共享内存方式发布图片，可以极大地降低系统负载和传输延迟。
感知
使用了TogetherROS中的Boxs算法仓库中的人体检测和跟踪算法，订阅Hobot Sensor（mipi_cam Node）发布的图像消息，利用BPU处理器进行AI推理，发布包含人体、人头、人脸、人手框和人体骨骼关键点检测结果的AI msg，并通过多目标跟踪（multi-target tracking，即MOT）功能，实现检测框的跟踪和目标编号分配。
Node对应package名为'mono2d_body_detection'，同时指定了Node的参数：
"ai_msg_pub_topic_name"：发布包含人体检测框信息的AI感知结果的topic名为"/hobot_mono2d_body_detection"
人体检测和跟踪算法推理Node（Mono2dBodyDetNode）主要包含三部分逻辑独立的功能：
Node初始化和启动
配置算法使用的模型信息，创建消息的发布者和订阅者，启动目标跟踪算法引擎；
订阅消息和算法推理
在注册的图像消息回调中，处理图像数据并用于算法模型推理，回调中不等待算法推理完成；
推理结果的处理和发布
算法推理完成后，通过注册的回调PostProcess输出推理结果，回调中对检测结果按照时间顺序排序（NodeOutputManage）以及进行多目标跟踪算法（HobotMot）处理后，发布算法推理结果消息。
Node的设计和流程逻辑如下图：
交互
人体跟随策略Node订阅人体检测和跟踪算法发布的包含人体信息的AI msg，根据人体框和机器人的位置关系，发布前进、后退、左转、右转的控制消息，实现控制机器人运动。 Node发布的运动控制消息为ROS2中定义的消息，topic为“/cmd_vel”，消息类型为“geometry_msgs/msg/Twist”，Node对应package名为'body_tracking'，同时指定了Node的参数：
"ai_msg_sub_topic_name": 订阅包含人体检测信息的topic名为"/hobot_mono2d_body_detection"
"activate_wakeup_gesture": 唤醒手势开关，值为0表示不启用唤醒手势。一般在人较多，环境复杂的场景，通过启用唤醒手势避免误触发人体跟随功能。
"img_width": 人体检测模型输入图片像素的宽
"img_height": 人体检测模型输入图片像素的高
"track_serial_lost_num_thr": 人体连续消失帧数阈值，值为30，表示当跟随的人体连续消失30帧之后会重新选择跟随的人体
"move_step": 平移运动的步长（速度），0.5表示移动速度为0.5m/s，值越大速度越快
"rotate_step": 旋转运动的步长（速度），0.5表示旋转速度为0.5r/s，值越大速度越快
"activate_robot_move_thr": 激活机器人移动的阈值，单位为像素。当人体检测框的y像素值小于阈值（具体画面的上边界）时，激活机器人移动。
人体跟随策略选择第一次出现的人体作为跟随人体，如果有多个人体同时出现，选择最大宽度的人体检测框作为跟随人体；已有跟随人的情况下，其他的人体检测结果都无效。 Node输出的log中tracking_sta关键字表示跟随的状态，0表示未找到跟随人，1表示已有跟随人，2表示跟随人消失。Node启动后，未找到跟随人的情况下，输出log中tracking_sta值为0；当有跟随人时，输出log中tracking_sta值为1，同时通过track_id关键字输出跟随人的编号；只有当跟随人消失，即连续track_serial_lost_num_thr帧（配置为30帧，对于输出频率为30fps的F37摄像头，为1秒）未检测到跟随人，判断跟随人消失，开始重新选择跟随人，跟随人消失时输出log中tracking_sta值为2。
如果需要启用唤醒手势避免误触发，唤醒手势使用方法详见人体跟随策略的代码仓库。
控制
机器人运动控制Node订阅人体跟随策略Node发布的topic为“/cmd_vel”的控制消息，根据控制协议，通过USB总线向机器人下位机发布运动控制指令。对于不同类型的机器人，控制协议不同，对应于不同的运动控制Node。本文使用的是本末双足机器人，对应的运动控制Node启动方法为ros2 run diablo_sdk ros_bridge_example。此Node单独启动，不在启动脚本中。
App的系统设计
根据5.1和5.2章节的介绍，已经知道了机器人人体跟随App启动了哪些Node，这些Node的功能，Node之间的关系，以及使用这些Node如何实现通过人体跟随机器人的目标。下面进行理论总结，介绍此App的系统设计。对于一个复杂的机器人系统，一般在机器人上配置上位机和下位机两种处理器，机器人上位机的计算能力较强，执行复杂的机器人上层应用，同时能够最大程度屏蔽不同类型机器人的底层差异；机器人下位机一般使用低成本的MCU处理器，对机器人本体上的各类传感器和硬件进行数据采集/控制。
人体跟随App由两部分组成，分别为机器人和PC端，其中机器人部分又分为上位机和下位机。详细组成如下图：
机器人上位机为X3派，运行着多个ROS2 Node，除了5.2章节介绍的传感、感知、交互和控制功能，还有JPEG图像编码和WEB展示功能，将摄像头发布的图片编码压缩，以及将人体检测和跟踪算法发布的AI数据序列化后使用websocket协议发布，实现跨设备在PC端渲染展示和调试（机器人下位机属于机器人本体的一部分，详细说明略）。
从App的系统设计图中可以看出，搭载了X3派和TogetherROS的机器人，利用芯片的AI加速能力和TogetherROS中丰富的算法、机器人开发组件，可以实现快速开发智能机器人应用的目标。
六、FAQ
如何复现App效果？
复现App效果涉及到两部分：
（1）机器人人体跟随App
参考第2章准备工作，在X3派上安装TogetherROS。
（2）本末双足机器人和机器人运动控制package
获取方法详见产品信息：https://developer.horizon.ai/...
除了本末双足机器人，X3派和TogetherROS还适配了小R科技的麦轮小车，也可以使用小R小车直接体验App效果。
没有机器人的情况下可以体验App效果吗？
可以体验。 在没有机器人的情况下，可以使用此App控制gazebo仿真环境下的虚拟机器人运动。
如何将App适配到自己的机器人上？
本文以本末双足机器人为例介绍人体跟随App的效果，App本身不依赖于任何形态的机器人，App发布的运动控制消息为ROS2中定义的消息（topic为“/cmd_vel”，消息类型为“geometry_msgs/msg/Twist”，具体说明参考第5章的原理分析）。
如下图，可以将App的组成划分成红色和蓝色虚线框两个部分：
（1）红色虚线框部分
这部分功能不依赖于机器人，即可以直接移植到任意形态的机器人上。
移植方法为将X3派安装在机器人上，按照第2章节的准备工作，在X3派上安装摄像头传感器和TogetherROS。
（2）蓝色虚线框部分
这部分功能依赖于机器人，需要针对性的适配。根据机器人的状态不同，对应不同的适配方法。
状态1，原先机器人上有上位机和下位机，如原先使用树莓派或者Jetson Nano作为上位机，并且上位机上有机器人运动控制Node。需要在X3派上重新编译机器人运动控制Node。
状态2，原先机器人上只有下位机。需要开发机器人运动控制Node后（开发参考components/xrrobot · develop · HHP / app / xr_robot · GitLab (horizon.ai)），在X3派上编译机器人运动控制Node。
App支持哪些摄像头？
App对于摄像头类型没有要求，地平线机器人平台支持MIPI和USB两类摄像头。对于MIPI摄像头，支持F37和GC4663两种型号。
如何调整机器人的运动速度？
修改App启动脚本hobot_body_tracking_without_gesture.launch.py中人体跟随策略body_tracking Node中的move_step和rotate_step参数，可以控制机器人的平移和旋转速度：
# 启动人体跟随pkg
Node(
package='body_tracking',
executable='body_tracking',
output='screen',
parameters=[
{"ai_msg_sub_topic_name": "/hobot_mono2d_body_detection"},
{"activate_wakeup_gesture": 0},
{"img_width": 960},
{"img_height": 544},
{"track_serial_lost_num_thr": 30},
{"move_step": 0.5},
{"rotate_step": 0.5},
{"activate_robot_move_thr": 5}
],
arguments=['--ros-args', '--log-level', 'info']
) 可以开发一个python的Node扩展App功能吗？
可以，ROS2支持跨设备、跨平台、跨语言，TogetherROS完全兼容ROS2 Foxy版本，因此也支持这些特性。
例如根据检出的人体骨骼关键点，开发交互Node，控制人形机器人模仿人的肢体动作。订阅hobot_mono2d_body_detection话题消息（包含人体骨骼关键点信息），使用命令可以查询到话题的详细信息：
# ros2 topic info /hobot_mono2d_body_detection
Type: ai_msgs/msg/PerceptionTargets
Publisher count: 1
Subscription count: 1 消息类型为ai_msgs/msg/PerceptionTargets，因此需要从ai_msgs.msg中import PerceptionTargets消息package。
完整的python代码示例：
import rclpy
from rclpy.node import Node
from ai_msgs.msg import PerceptionTargets
class MinimalSubscriber(Node):
def __init__(self):
super().__init__('minimal_subscriber')
self.subscription = self.create_subscription(
PerceptionTargets,
'hobot_mono2d_body_detection',
self.listener_callback,
10)
self.subscription # prevent unused variable warning
def listener_callback(self, msg):
self.get_logger().info('I heard: "%s"\n' % msg)
def main(args=None):
rclpy.init(args=args)
minimal_subscriber = MinimalSubscriber()
rclpy.spin(minimal_subscriber)
# Destroy the node explicitly
# (optional - otherwise it will be done automatically
# when the garbage collector destroys the node object)
minimal_subscriber.destroy_node()
rclpy.shutdown()
if __name__ == '__main__':
main() 使用python开发完Node后，直接在X3派上编译并运行。运行并输出订阅到的消息：
如何开发一个自己的算法Node扩展App功能？
TogetherROS提供的Hobot DNN简化板端AI模型推理与部署，释放BPU算力，降低AI使用门槛。同时内置了常用的检测、分类和分割算法的模型后处理，帮助用户快速在X3派上集成部署自己的算法。
**本文转自地平线开发者社区
原作者：zhuk
原链接：https://developer.horizon.ai/...**
