当旭日X3派遇上ChatGPT，我们能「chat」什么

地平线旭日®X3派（下文简称旭日X3派）是一款拥有着高算力，面向生态开发者的嵌入式开发板，可用于机器人、无人驾驶、智能家居等领域，并搭载了TogetherROS开发平台，可高效进行机器人开发。ChatGPT是一款由OpenAI开发的自然语言处理模型，可以理解人类语言、自动生成文本、回答问题和完成其他任务，还可以与其他技术联动，实现更加复杂的应用。
旭日X3派遇上ChatGPT会碰撞出什么火花呢？本文使用旭日X3派作为载体，在OriginBot上使用ChatGPT进行问答。相关问题欢迎大家注册加入地平线开发者社区交流讨论，配置文件及代码详见地平线开发者社区。

环境配置

1、解释OriginBot小车代码

1.jfif

2、解释运动学模型

3、使用OpenCV在OriginBot小车上实现巡线功能

3.1.png

4、在ROS2环境中实现gmapping或者cartographer

5、总结对话

5.jfif

综上，我们发现ChatGPT有着记忆储存的功能，它区别于SiRi传统的一问一答，能根据聊天的上下文进行互动并归纳总结所有的问题，协助我们完成编程。并且ChatGPT在回复消息时是逐字的显示，很难感觉到是和机器人在对话，仿佛它只是个博学的朋友。

它在针对简单编程问题的处理上可谓是非常惊艳，在ROS相关的问题上，比我们人类更有耐心解答，有时会画出重点并扩展更多的相关知识帮助你去解决问题掌握技术。

既然ChatGPT都能接入WX，那么它和旭日X3派一定也能「chat」一下！不妨我们直接询问ChatGPT，该如何使得旭日X3派和ChatGPT联系起来！它给了我们这样的一个答案：

模型部署

1、部署基本环境

进入旭日X3派，执行以下命令（此处使用的是OriginBot v1.0.2的镜像）：

pip3 install openai

2、学习OpenAI API如何使用

import openai

# 将OpenAI访问令牌设置为环境变量
openai.api_key = "YOUR_API_KEY"

# 调用OpenAI GPT-3模型，生成回答
response = openai.Completion.create(
    engine="text-davinci-002",
    prompt="你好！",
    max_tokens=1024,  # 最大1024个标记
    temperature=0.7,
    n=1,
    stop=None,
)

# 输出生成的回答
print(response.choices[0].text)

3、书写节点代码

import rclpy
from rclpy.node import Node
from std_msgs.msg import String
import openai

class OpenAINode(Node):
    def __init__(self):
        super().__init__('openai_node')
        self.publisher_ = self.create_publisher(String, 'openai_text', 10)
        self.subscription = self.create_subscription(
            String,
            'user_input',
            self.listener_callback,
            10)
        self.subscription  # 防止被Python垃圾回收机制删除

    def listener_callback(self, msg):
        # 处理从ROS话题订阅到的输入
        input_text = msg.data
        # 调用OpenAI的GPT-3模型生成文本
        openai.api_key = 'YOUR_API_KEY'
        response = openai.Completion.create(
          engine="davinci",
          prompt=input_text,
          max_tokens=60,
          n=1,
          stop=None,
          temperature=0.7
        )
        # 将生成的文本发布到ROS话题
        self.publisher_.publish(response.choices[0].text)

def main(args=None):
    rclpy.init(args=args)
    openai_node = OpenAINode()
    rclpy.spin(openai_node)
    openai_node.destroy_node()
    rclpy.shutdown()

if __name__ == '__main__':
    main()

4、部署到旭日X3派中

此处，即可按照古月老师的ROS2 21讲的方式来创建一个基于python的功能包。

5、程序运行

可以看到，此处运行状态与理想情况有较大出入。回到这一段代码：

import openai

# 将OpenAI访问令牌设置为环境变量
openai.api_key = "YOUR_API_KEY"

# 调用OpenAI GPT-3模型，生成回答
response = openai.Completion.create(
    engine="text-davinci-002",
    prompt="你好！",
    max_tokens=1024,  # 最大1024个标记
    temperature=0.7,
    n=1,
    stop=None,
)

# 输出生成的回答
print(response.choices[0].text)

当前，engine使用的模型，此处是”text-davinci-002“，prompt是指输入文本，max_tokens指的是最大输出文字。首先，打印出所有的模型，示例代码如下：

import openai

# 将OpenAI访问令牌设置为环境变量
openai.api_key = "YOUR_API_KEY"

# 获取OpenAI最新的语言模型名称
models = openai.Model.list()
latest_model = models['data'][0].id

print("最新的OpenAI语言模型是：", latest_model)
print("\n")
printf("所有的模型如下:", models)

与当前WX接入ChatGPT方式进行对照发现，可将其理解为Transformer模型，直接把当前和之前所有的问题和回答都当成输入，生成最终的代码：

import rclpy
from rclpy.node import Node
from std_msgs.msg import String
import openai

class OpenAINode(Node):
    def __init__(self):
        super().__init__('openai_node')
        self.publisher_ = self.create_publisher(String, 'chatgpt_node', 10)
        self.subscription = self.create_subscription(
            String,
            'user_input',
            self.listener_callback,
            10)
        self.history = ""

    def listener_callback(self, msg):
        # 处理从ROS话题订阅到的输入
        input_text = msg.data 
        self.history += input_text 
        self.history += " "
        # 调用OpenAI的GPT-3模型生成文本
        openai.api_key = 'KEY'
        #models = openai.Model.list()
        #latest_model = models['data'][0].id
        #print(models)
        response = openai.Completion.create(
          engine="text-davinci-003",
          prompt=self.history+input_text,
          max_tokens=1024,
          n=1,
          stop=None,
          temperature=0.7
        )
        # 将生成的文本发布到ROS话题
        msg = String()
        msg.data = response.choices[0].text
        print(msg.data)
        self.history += msg.data
        self.history += " "
        

def main(args=None):
    rclpy.init(args=args)
    chatgpt_node = OpenAINode()
    rclpy.spin(chatgpt_node)
    chatgpt_node.destroy_node()
    rclpy.shutdown()

if __name__ == '__main__':
    main()

效果如下：

本文转自地平线发者社区
原作者：Lxxxb
原链接：https://developer.horizon.ai/...

环境配置

模型部署

推荐阅读

目录