机器人仿真技术前沿综述

零、这一节你会学到什么

为什么机器人研究离不开仿真？在虚拟世界里，我们可以低成本地验证算法、复现实验，甚至让机器人"摔"上千次而不心疼。仿真既是控制工程师的实验室，也是具身智能研究者的训练场。

从控制工程的视角出发，你会理解仿真的本质定义、三大核心价值与"仿不全"的固有局限，并对比 Gazebo、Webots、Ignition、Unity 四大平台，看清本课程为何选择 Gazebo。
进入具身智能的世界，你将认识 Body、Brain、Environment 三元结构，回顾从 Shakey 到 Atlas 再到 RT-2 的技术演进，理解 Sim2Real 的核心挑战，并纵览七款主流仿真器。
最后，我们将从 ROS2 的 Turtlesim 起步，掌握话题、服务、动作三种通信范式，探索多机协同，并搭建通往 Gazebo 的桥梁。

这三条线索交织在一起，为你打开机器人仿真的全景图。准备好了吗？让我们从"零"开始。

本节自由探索项目

试着同时启动 Turtlesim 和 Gazebo，观察两者的界面差异与操作手感——一个是极简的二维沙盘，一个是逼真的三维世界，你更喜欢哪一种？

❝

仿真不是现实的替代品，而是通往现实的桥梁。每一个在虚拟世界中跑通的算法，都在为真实世界中的机器人铺路。

从控制工程到具身智能，从 Turtlesim 到 Gazebo——这条路，从今天开始。

——博士创新站

一、控制理论与控制工程视角下的"机器人仿真"

1.1 什么是机器人仿真

机器人仿真，就是通过软件来模仿硬件的特性，用于验证机器人算法、架构等。这个定义简单直白。

仿真的核心是用软件模型替代物理实体，在虚拟环境中复现机器人的运动学、动力学、感知与控制行为。它属于数字孪生（Digital Twin）概念的早期形态，是算法验证和系统集成的核心。

仿真与真机不是替代关系，而是互补关系。仿真回答"能不能做"，真机回答"做得好不好"。仿真里跑不通的算法，上真机大概率也会出问题。但仿真里表现完美的方案，真机未必能直接复现。

高中生导读

你可以把机器人仿真理解为"虚拟实验室"。就像物理课上的电路仿真软件，不用去焊电路，就能知道电流会怎么流。机器人仿真也是一样，不用造一台机器人，就能在电脑里看它会不会撞墙、能不能走到目标点。

1.2 为什么需要仿真

解决真机资源不足

机器人价格昂贵。在创业公司的真实场景中，不同部门抢机器人的现象时常发生：算法组在调试导航，视觉组等着标定摄像头，硬件组又要测功耗——一台机器根本不够用。

在教学场景里，这个问题更突出。学生人数多，真机数量有限，仿真提供了"人手一台"的虚拟实验环境。每个人都能在自己的电脑上搭建机器人系统，不用排队等硬件。

保证环境的一致和稳定

真机存在硬件个体差异、磨损、松动等问题。一个典型案例：同一套代码，A 机器人运行正常，B 机器人却频繁丢位置。排查了两天，最后发现是 B 的 IMU 模块松了一颗螺丝。

仿真环境可以完全复现，排除硬件不确定性的干扰。可重复性是实验科学的基础。如果每次实验条件都不一样，你就无法判断结果变化来自算法改进，还是硬件波动。

场景灵活，加速迭代

仿真软件可以快速更改环境、障碍物、地形、光照等参数。你可以测试极端场景：机器人在悬崖边会不会掉下去？碰撞后能不能恢复？

控制算法的参数调优尤其受益于仿真。你可以在虚拟环境中批量测试不同的 PID 参数组合，筛选出最优方案后再上真机验证。这缩短了研发周期，降低了试错成本。

对比维度	真机实验	仿真实验
成本	硬件购置与维护费用高	仅需电脑，成本极低
可重复性	受硬件个体差异影响	环境完全可控，结果可复现
安全性	存在碰撞、损坏风险	无物理风险，可大胆尝试
场景灵活性	修改环境需重新搭建	参数化调整，秒级切换
调试效率	需排队共享设备	人手一套，并行开发
真实度	100% 真实物理世界	存在"仿不全"的固有差距

三大价值总结

仿真不是"玩游戏"，而是严肃的工程验证手段。它的核心价值概括为三点：资源普惠（人手一台虚拟机器人）、结果可信（排除干扰，确保实验可重复）、迭代加速（低成本试错，快速收敛最优方案）。

1.3 仿真的局限性

机器人仿真的主要缺陷就是"仿不全"。现实世界非常复杂，光线、材质、电磁干扰等等，仿真平台无法做到 100% 还原。

物理层面的差距最为直接。仿真中的摩擦力模型往往是理想化的，真实地面的摩擦系数会随温度、湿度变化。接触碰撞的细微差异、柔性体的变形，都很难精确建模。

感知层面的差距同样显著。仿真中的摄像头是"完美"的传感器，没有噪点、没有镜头畸变、光照永远均匀。真实摄像头的信噪比、动态范围，都会给视觉算法带来额外的挑战。

还有一些因素几乎无法建模：电机运转时的电磁干扰、无线通信的丢包和延迟、电源波动对传感器读数的影响等等。有做机械臂动力学的工程师坦言，"从来没做过仿真"，因为仿真与真实环境差别过大，结果对真机调试几乎没有参考价值。

"仿不全"的风险

仿真结果不能等同于真机表现。从仿真到真机的迁移（Sim-to-Real）是机器人学的重要课题，至今没有万能解法。建议采用"仿真验证 + 真机微调"的两阶段策略：先在仿真里把算法跑通，再上真机做参数适配。

1.4 ROS2 常用仿真平台

相较于 ROS，ROS2 支持更多更专业的仿真平台。下面介绍四个最常用的选择。

Gazebo 是 ROS 生态的"标配"仿真器，由 OSRF 出品。它与 ROS/ROS2 深度集成，物理引擎基于 ODE、Bullet 和 DART。社区庞大、教程丰富，是通用机器人仿真的首选。缺点是渲染效果一般，大规模场景性能有限。

Webots 由 Cyberbotics 开发，提供建模、编程、仿真一体化环境。跨平台支持 Windows、Linux 和 macOS，编程接口覆盖 C/C++、Python、Java 和 MATLAB。开箱即用，界面友好，适合教育和快速原型验证。但与 ROS2 的集成深度不如 Gazebo。

Ignition（现更名为 Gazebo Sim）是 Gazebo 的下一代继承者。它提供高度逼真的传感器仿真，支持 CI/CD 集成。目前生态仍在过渡中，正在逐步替代经典 Gazebo。

Unity 是游戏引擎跨界进入机器人仿真领域的代表。通过 ROS2 For Unity 与 ROS2 实现通信。优势在于高质量渲染和 NVIDIA PhysX 物理模拟。适合视觉算法训练和高画质演示。缺点是非开源，有商业授权限制。

平台	开发者	物理引擎	渲染质量	ROS2 集成	开源	适用场景
Gazebo	OSRF	ODE / Bullet / DART	中等	深度原生	是	通用机器人仿真
Webots	Cyberbotics	ODE	中等	良好	是	教育、跨平台
Ignition / Gazebo Sim	OSRF	多种可选	高	深度原生	是	高保真传感器、云端
Unity	Unity Technologies	NVIDIA PhysX	极高	通过接口包	否	视觉训练、演示

选择原则

没有最好的平台，只有最适合的平台。选仿真器时，先问自己：需要多高的传感器保真度？目标场景是什么？教学场景优先考虑社区支持和文档完善度，研究场景则可以大胆尝试 Ignition 或 Unity。

1.5 本课程的选择

鉴于 ROS 和 Gazebo 的大量历史经验积累，Gazebo 仍是 ROS2 生态中最成熟、文档最完善的仿真平台。本课程以教学为目标，需要学生能够快速上手、遇到问题能找到解决方案。Gazebo 与 ROS2 的原生集成度最高，URDF、插件体系一脉相承，学习曲线最为平缓。

后续章节会详细展开 Gazebo 的物理属性配置、传感器插件、控制插件等内容。最终目标是让 FishBot 在 Gazebo 中动起来，完成自主导航仿真。

当然，如果你学有余力，强烈建议自行探索 Webots 和 Ignition。每个平台都有自己的设计哲学和独特优势，多试几家，你才能找到最适合自己的那一款。

课程安排预告

接下来，我们将从 Gazebo 的基础操作开始，学习如何为 URDF 模型注入物理属性、在仿真世界中显示机器人、配置差速控制插件。准备好让你的虚拟机器人动起来了吗？

二、具身智能视角下的"机器人仿真"

2.1 具身智能是什么：有身体的人工智能

具身智能（Embodied AI） 是指拥有物理身体、能在真实环境中感知和交互的智能系统。它与 ChatGPT 这类 离身智能（Disembodied AI） 有本质区别：传统 AI 只处理符号和文本，没有物理实体；而具身智能必须通过传感器收集环境信息，再通过执行器改变环境状态。

高中生导读

想象一只猫和一个聊天机器人。猫能通过爪子感知沙发的质地，通过跳跃学习距离感。这些"身体经验"本身就是智能的一部分。而聊天机器人再聪明，也摸不到任何东西。具身智能的核心观点是："智能不仅来自大脑，还来自身体与环境的交互。"

一个具身智能系统包含三个核心组件：传感器、"大脑"和执行器。这种结构让机器人不再是被动执行命令的工具，而是能够主动探索、试错、成长的智能体（Agent）。

2.2 具身智能的三大要素

具身智能的理论框架可归纳为三大要素：身体（Body）、大脑（Brain）和环境（Environment）。

身体是智能的物理载体。传感器（摄像头、激光雷达、触觉传感器、IMU）负责感知，执行器（电机、液压、机械臂、灵巧手）负责行动。身体的形态本身就在"计算"——昆虫的六条腿天然提供了稳定步态，这被称为"形态计算"。

大脑是决策中枢。传统方法依赖深度学习和强化学习。最新趋势是将大语言模型引入机器人领域，Google 的 RT-2 和 RT-X 将视觉、语言和动作统一为 VLA（Vision-Language-Action） 模型，开创了端到端的新范式。

环境是智能的训练场。真实世界充满不确定性：重力、摩擦、碰撞、光照变化。仿真环境则是真实世界的"压缩副本"，支持低成本、高效率的大规模训练。

三者的关系可用下面的闭环图表示：

身体感知环境，大脑做出决策，决策指挥身体行动，行动改变环境，环境变化又反馈给身体——这是一个永不停歇的闭环。仿真技术的价值，就在于为这个闭环提供安全、可控、可重复的"虚拟训练场"。

2.3 具身智能的发展历程

具身智能的发展经历三个阶段的螺旋式上升。

阶段一：蹒跚学步（1960s—2010s）。 这一时期以符号 AI 和行为主义为主导。1966 年至 1972 年，斯坦福大学的 Shakey 成为第一台具身智能机器人。1986 年，Rodney Brooks 提出"基于行为的机器人学"，主张从感知直接到行动。1990 年代到 2000 年代，Sony AIBO、Honda ASIMO、iRobot Roomba 尝试商业化。但规则驱动的架构使泛化能力十分有限。

阶段二：深度学习赋能（2010s—2022）。 2013 年，DeepMind 的 DQN 展现了深度强化学习的潜力。2016 年，Boston Dynamics 的 Atlas 完成后空翻，标志动态运动控制的巅峰。Sim2Real 技术兴起，OpenAI 的 Dactyl 和 Google 的 QT-Opt 是代表作。数据驱动让机器人具备一定泛化能力，但对仿真的依赖也日益加深。

阶段三：大模型新纪元（2022—至今）。 2022 年底，ChatGPT 引发 LLM 革命。2023 年，Google RT-2 首次将视觉、语言和动作统一为端到端 VLA 模型。Tesla Optimus Gen-1 亮相，人形机器人走向量产。2024 年，Figure 01、Unitree H1 密集发布，具身智能进入商业化元年。

下表梳理了七个关键里程碑：

年份	里程碑	意义
1966—1972	Shakey（斯坦福大学）	第一台具身智能机器人，符号 AI 的实践
1986	Brooks 的包容式架构	行为主义机器人学的理论奠基
2013	DeepMind DQN	深度强化学习的突破性进展
2016	Boston Dynamics Atlas	动态运动控制的技术巅峰
2022	ChatGPT / RT-1	大模型与机器人结合的起点
2023	RT-2 / Optimus Gen-1	VLA 模型成熟，人形机器人量产化
2024	Figure 01 / Unitree H1	具身智能商业化元年，国内爆发

从规则驱动到数据驱动，再到模型驱动，具身智能的每一次跃升都伴随着仿真技术的同步进化。

2.4 为什么具身智能需要仿真：Sim2Real 问题

既然具身智能强调"身体与真实环境的交互"，为什么还要在仿真里训练？答案藏在 Sim2Real（仿真到现实迁移） 这个核心问题里。

Sim2Real Gap：仿真与现实的鸿沟

仿真中表现完美的策略，放到真实世界往往会"水土不服"。物理参数差异、传感器噪声、光照变化、材质纹理，这些难以精确建模的因素都会导致性能断崖式下降。Sim2Real Gap 是具身智能领域最具挑战性的难题之一。

尽管存在鸿沟，仿真仍是不可或缺的工具，原因有四：

第一，数据效率。 真实数据采集缓慢且昂贵，某些场景（如碰撞）具有破坏性。仿真可并行运行数千实例，24 小时不间断生成数据。

第二，安全性。 真实环境试错成本极高：可能损坏设备、伤害人员。仿真提供零成本试错空间。

第三，可重复性。 真实实验难以复现：光照随天气而变，摩擦力随磨损而不同。仿真可精确复现任意场景。

第四，规模化。 NVIDIA Isaac Sim 支持在 GPU 集群上同时训练数万个实例，这在物理世界中无法实现。

为缩小 Sim2Real Gap，研究者发展了多种迁移技术。 Domain Randomization（域随机化） 通过在仿真中随机化摩擦、质量、光照等参数，训练出更具鲁棒性的策略。Domain Adaptation 缩小仿真与真实数据的分布差异。System Identification 通过实验标定让仿真参数逼近真实机器人。三种技术常组合使用，共同目标只有一个：让仿真中练出的"大脑"，在真实身体里可靠运转。

2.5 具身智能主流仿真器对比

工欲善其事，必先利其器。下表对比了七个主流仿真平台：

仿真器	物理引擎	渲染质量	ROS2 支持	并行训练	特点	代表用户/项目
NVIDIA Isaac Sim	PhysX 5	RTX 实时光追	原生	超强（GPU 集群）	工业级、数字孪生、USD 流程	NVIDIA、Tesla、Boston Dynamics
MuJoCo	自有引擎	中等	通过插件	强（Brax）	接触动力学精准、RL 友好	DeepMind、OpenAI、Google
Habitat-Sim	Bullet	可配置	有限	强	室内导航、语义理解	Meta FAIR、学术界
SAPIEN	PhysX	高	部分	中等	关节精细、操作任务	UCSD、学术界
Genesis	自有（Luisa）	RTX	开发中	超强	2024 新星、生成式仿真、速度极快	General Robot
Gazebo	ODE/Bullet/DART	中等	原生最佳	弱	传统 ROS 生态、教育友好	学术界、ROS 社区
PyBullet	Bullet	基础	通过接口	中等	轻量、易用、教育友好	学术界、入门学习

按应用场景分类，这些平台可归纳为三类：

工业级/生产环境
学术研究
教育/入门

Isaac Sim：NVIDIA 生态核心，支持数字孪生和大规模并行训练，适合工业级应用。
Genesis：2024 年新星，生成式物理仿真，速度比实时快一百万倍，代表未来方向。

选择建议

没有最好的仿真器，只有最适合的。做强化学习研究，选 MuJoCo 或 Isaac Sim；做室内导航，选 Habitat-Sim；做精细操作，选 SAPIEN 或 MuJoCo；追求 ROS2 集成和教学友好性，Gazebo 仍是最成熟的选择。

以上仿真器各有优劣，但在工程实践中，ROS2 + Gazebo 仍是最成熟、文档最完善的教育与开发组合。下一节，我们将从工程视角出发，介绍 ROS2 仿真基础，带你亲手搭建第一个仿真环境，让机器人在虚拟世界中真正"动"起来。

三、ROS2 仿真基础：从这里开始动手

info

后续章节将深入展开 ROS2 仿真环境的完整搭建与调试流程，本节仅作概览与过渡。

3.1 Turtlesim 仿真环境简介

Turtlesim 是 ROS2 官方提供的二维仿真器，以一只可在平面移动的海龟为对象，演示节点（Node）、话题（Topic）、服务（Service）与动作（Action）的核心概念。它轻量、直观，是理解 ROS2 通信机制的理想沙盒。

启动命令如下：

ros2 run turtlesim turtlesim_node

运行后，一个可视化的海龟窗口随即打开，可通过键盘或程序控制其运动。

3.2 ROS2 三种通信范式演示

本节通过四个 Python 节点，依次演示 ROS2 的三种通信范式。项目结构如下：

ros2_ws4/src/
├── turtle_exercise/          # ament_python — 仿真练习节点
│   ├── draw_spiral.py        # 话题控制：画螺旋线 <== 本节重点关注
│   ├── spawn.py              # 服务调用：批量生成海龟
│   ├── action_move.py        # 动作反馈：画正多边形
│   ├── random_walk.py        # 随机游走
│   └── launch/               # 11 个 launch 文件
└── interfaces_exercise/      # ament_cmake — 自定义接口
    └── action/Move.action    # 自定义 Action 定义

话题（Topic）—— 画螺旋线

高中生导读

如果你从未写过 ROS2 程序，别慌。我们用"开门三板斧"的方式，从零开始带你写一个让海龟画螺旋线的程序。

这个程序的目标很简单：让海龟画一条螺旋线。它通过"话题"（Topic）向海龟发送速度指令，每次发送都比上一次快一点点，于是海龟就转着圈跑出去了。

第一斧：搭骨架——创建工作空间与功能包

▶ 创建 workspace

mkdir -p ~/ros2_ws4/src

▶ 创建 package

cd ~/ros2_ws4/src

ros2 pkg create turtle_exercise \
  --build-type ament_python \
  --dependencies rclpy geometry_msgs

🔑 关键点

参数	作用	为什么重要
`--build-type ament_python`	指定为纯 Python 包	ROS2 的 Python 包必须声明此类型，否则 colcon 不知道如何构建
`--dependencies rclpy geometry_msgs`	声明运行时依赖	`rclpy` 是 ROS2 的 Python 客户端库，没有它无法创建节点；`geometry_msgs` 提供 `Twist` 等速度消息类型

▶ 配置节点入口点

编辑 src/turtle_exercise/setup.py，在 entry_points 中添加：

entry_points={
    'console_scripts': [
        'draw_spiral = turtle_exercise.draw_spiral:main',
    ],
},

这个配置做了什么？

'draw_spiral = turtle_exercise.draw_spiral:main' 的意思是：在终端输入 ros2 run turtle_exercise draw_spiral 时，ROS2 会执行 turtle_exercise/draw_spiral.py 文件中的 main() 函数。没有这条配置，ros2 run 找不到你的节点。

第二斧：写发布——编写发布者节点

在 src/turtle_exercise/turtle_exercise/ 目录下创建 draw_spiral.py：

#!/usr/bin/env python3
"""
draw_spiral.py - 发布者节点：让海龟画螺旋线
"""
import rclpy                                    # ① 导入 ROS2 的 Python 库
from rclpy.node import Node                     # ② 导入"节点"基类
from geometry_msgs.msg import Twist             # ③ 导入速度消息类型


class SpeedPublisher(Node):                     # ④ 定义我们的节点类

    def __init__(self):
        super().__init__('draw_spiral')         # ⑤ 给节点起名字

        # 声明参数：允许用户指定海龟名称，默认为 'turtle1'
        self.turtlename = self.declare_parameter(
          'turtlename', 'turtle1').get_parameter_value().string_value

        # 话题通信的核心 API：create_publisher(消息类型, 话题名称, QoS)
        self.publisher = self.create_publisher(
            Twist,                              # ⑥ 消息类型：速度指令
            f'{self.turtlename}/cmd_vel',       # ⑦ 话题名称：海龟订阅这个话题
            1                                   # ⑧ QoS 队列深度
        )

        # 定时器：每 0.1 秒触发一次回调，实现周期性发布
        self.timer = self.create_timer(0.1, self.on_timer)  # ⑨

        # 初始化速度指令
        self.cmd = Twist()                      # ⑩ 创建一条速度消息
        self.cmd.linear.x = 0                   # 初始前进速度为 0
        self.cmd.angular.z = 3.0                # 旋转速度固定 3.0 rad/s

        self.get_logger().info('画螺旋线节点已启动 → 发布到 /turtle1/cmd_vel')

    def on_timer(self):                         # ⑪ 定时器回调：每 0.1 秒执行一次
        self.cmd.linear.x += 0.03               # ⑫ 每次让前进速度增加 0.03 m/s
        self.publisher.publish(self.cmd)        # ⑬ 把速度指令发出去！
        self.get_logger().info(f'发布速度: linear.x={self.cmd.linear.x:.2f}, angular.z={self.cmd.angular.z}')


def main(args=None):
    rclpy.init(args=args)                       # ⑭ 初始化 ROS2

    speed_publisher = SpeedPublisher()          # ⑮ 创建节点实例
    try:
        rclpy.spin(speed_publisher)             # ⑯ 让节点"转起来"，等待定时器触发

    except KeyboardInterrupt:
        pass
    finally:
        speed_publisher.destroy_node()
        rclpy.shutdown()


if __name__ == '__main__':
    main()

🔑 关键点：话题三要素

create_publisher() 的三个参数是一组话题通信的完整契约，缺一不可：

create_publisher(消息类型,   话题名称,              QoS)
                   ↓          ↓                    ↓
                Twist    'turtle1/cmd_vel'         1

要素	代码中	含义	规则
消息类型	`Twist`	话题上传递的数据结构	发布者和订阅者必须使用完全相同的类型
话题名称	`'turtle1/cmd_vel'`	通信通道的标识	发布者和订阅者的话题名必须逐字符一致（大小写敏感）
QoS	`1`	服务质量，这里 `1` 是队列深度	`1` 表示只保留最新一条消息，适合实时控制

🔑 关键点：消息构造与发布

self.cmd = Twist()           # ① 创建消息对象
self.cmd.linear.x = 0.5      # ② 填充字段（Twist 有 linear 和 angular 两个子结构）
self.cmd.angular.z = 3.0     # ③ 填充角速度
self.publisher.publish(self.cmd)  # ④ 发布——无返回值，消息进入 DDS 层，自动分发给所有订阅者

Twist 消息有两个子结构：

linear：线速度（x, y, z），控制前进/后退/平移
angular：角速度（x, y, z），控制旋转

⚠️ 没有 rclpy.spin() 会怎样？

如果去掉 rclpy.spin()，节点会启动后立即退出，定时器根本没有机会触发。

spin() 的作用是：阻塞当前线程，进入事件循环，等待定时器、回调等事件发生。

第三斧：编译运行、验证——打通完整链路

▶ 编译功能包

cd ~/ros2_ws4
colcon build

⚠️ 重要：每次修改代码后都要重新编译

ROS2 的 Python 包虽然不需要像 C++ 那样编译成二进制文件，但 colcon build 会将你的代码复制到 install/ 目录。因此：

每次修改 .py 文件后，必须重新运行 colcon build
每次打开新终端，必须先执行 source ~/ros2_ws4/install/setup.bash

养成这个习惯，能避免 90% 的"代码改了但没生效"问题。

预期输出：最后一行显示 Summary: 1 package finishing。

▶ 启动 Turtlesim 仿真器

打开一个终端：

source ~/ros2_ws4/install/setup.bash
ros2 run turtlesim turtlesim_node

一个蓝色窗口出现，里面有一只海龟。

▶ 运行画螺旋线节点

打开另一个终端：

source ~/ros2_ws4/install/setup.bash
ros2 run turtle_exercise draw_spiral

预期效果：

海龟开始转圈，而且越转越快，轨迹呈螺旋状展开
终端每秒打印一条发布记录：[INFO] [draw_spiral]: 发布速度: linear.x=0.15, angular.z=3.0

重置海归的轨迹和位置

ros2 service call /reset std_srvs/srv/Empty

运行效果如下图所示：

自编话题发布者控制 ros2 自带 turtle 2026-05-26 14-38-32.png

▶ 验证——调试黄金三连

# 验证 1：节点是否在运行？
ros2 node list
# 输出应包含：/draw_spiral 和 /turtlesim

# 验证 2：话题是否存在？
ros2 topic list
# 输出应包含：/turtle1/cmd_vel

# 验证 3：消息是否在流动？（最常用！）
ros2 topic echo /turtle1/cmd_vel
# 应看到速度值不断增加：
# linear:
#   x: 0.15
#   y: 0.0
#   z: 0.0
# angular:
#   x: 0.0
#   y: 0.0
#   z: 3.0
# ---
# linear:
#   x: 0.18
#   ...

ros2 topic echo 是调试话题通信的第一工具

不需要写订阅者，直接在命令行看任何话题的实时数据。如果 echo 能看到数据，说明你的发布者工作正常。

服务（Service）—— 批量生成海龟

spawn.py 中的 SpawnNode 类以异步客户端调用 /spawn 服务，可在同一窗口中创建多只海龟。

🔒

受保护的内容

请输入密码以查看此内容

动作（Action）—— 画正多边形

action_move.py 中的 TeleportTurtleClient 类实现了一个 Action 客户端，接收目标边数，逐边移动并反馈已到达的顶点坐标。

🔒

受保护的内容

请输入密码以查看此内容

3.3 群机器人仿真预览

在多机器人场景中，每只海龟通过命名空间（namespace）实现隔离。random_walk.py 中的 RandomWalk 类利用定时器生成随机角速度，让海龟在窗口内无序漫游。

🔒

受保护的内容

请输入密码以查看此内容

进一步地，通过编排多个节点的启动顺序与初始位置，可以让一群海龟协同绘制出奥运五环等复杂图案。这预览了多机器人协同控制的基本思路。

3.4 下一步预告

Turtlesim 是一个优雅的二维沙盒，但它终究无法替代真实的三维物理世界。后续章节将从这里过渡到 Gazebo 仿真器，在更逼真的环境中控制移动机器人与机械臂。

本节演示的三种通信范式——话题、服务、动作——在 Gazebo 中完全适用，多海龟的命名空间隔离思路也将直接映射到多机器人 Gazebo 场景。如果你想继续深入，请参阅第 4.9 节：基于 ROS2 的运动控制及 RViz 数据可视化。

零、这一节你会学到什么​

一、控制理论与控制工程视角下的"机器人仿真"​

1.1 什么是机器人仿真​

1.2 为什么需要仿真​

解决真机资源不足​

保证环境的一致和稳定​

场景灵活，加速迭代​

1.3 仿真的局限性​

1.4 ROS2 常用仿真平台​

1.5 本课程的选择​

二、具身智能视角下的"机器人仿真"​

2.1 具身智能是什么：有身体的人工智能​

2.2 具身智能的三大要素​

2.3 具身智能的发展历程​

2.4 为什么具身智能需要仿真：Sim2Real 问题​

2.5 具身智能主流仿真器对比​

三、ROS2 仿真基础：从这里开始动手​

3.1 Turtlesim 仿真环境简介​

3.2 ROS2 三种通信范式演示​

话题（Topic）—— 画螺旋线​

第一斧：搭骨架——创建工作空间与功能包​

第二斧：写发布——编写发布者节点​

第三斧：编译运行、验证——打通完整链路​

受保护的内容

受保护的内容

3.3 群机器人仿真预览​

受保护的内容

3.4 下一步预告​

零、这一节你会学到什么

一、控制理论与控制工程视角下的"机器人仿真"

1.1 什么是机器人仿真

1.2 为什么需要仿真

解决真机资源不足

保证环境的一致和稳定

场景灵活，加速迭代

1.3 仿真的局限性

1.4 ROS2 常用仿真平台

1.5 本课程的选择

二、具身智能视角下的"机器人仿真"

2.1 具身智能是什么：有身体的人工智能

2.2 具身智能的三大要素

2.3 具身智能的发展历程

2.4 为什么具身智能需要仿真：Sim2Real 问题

2.5 具身智能主流仿真器对比

三、ROS2 仿真基础：从这里开始动手

3.1 Turtlesim 仿真环境简介

3.2 ROS2 三种通信范式演示

话题（Topic）—— 画螺旋线

第一斧：搭骨架——创建工作空间与功能包

第二斧：写发布——编写发布者节点

第三斧：编译运行、验证——打通完整链路

3.3 群机器人仿真预览

3.4 下一步预告