在ROS2机器人系统中，使用C++构建感知环境并集成点云处理库，核心工作集中在功能包的依赖声明、编译脚本编写以及节点内数据流对接。点云数据通常由深度相机或三维激光雷达产生，以sensor_msgs/msg/PointCloud2格式在话题中传输，我们需要在C++节点里接收它并用PCL（Point Cloud Library）做滤波、分割或配准。
一、创建功能包与声明依赖
首先使用ROS2命令行工具创建一个纯C++功能包，并明确告知系统我们要用到哪些底层库。很多编译错误其实都源于package.xml里漏写了执行依赖或构建依赖，导致colcon build时头文件搜索路径不正确。
在package.xml中，除了基础的rclcpp和sensor_msgs，还必须添加point_cloud_msg与pcl_ros相关的依赖项。pcl_ros提供了ROS2与PCL之间的消息转换工具，能让我们直接在回调函数里拿到pcl::PointCloud对象，而不必手动解析PointCloud2的二进制布局。
<?xml version="1.0"?> <package format="3"> <name>robot_perception_pkg</name> <version>0.1.0</version> <description>C++ ROS2 pointcloud processing demo</description> <maintainer email="dev@ipipp.com">dev</maintainer> <buildtool_depend>ament_cmake</buildtool_depend> <depend>rclcpp</depend> <depend>sensor_msgs</depend> <depend>pcl_ros</depend> <depend>pcl_conversions</depend> <depend>std_msgs</depend> </package>
二、编写CMakeLists.txt编译规则
CMakeLists.txt负责在编译期找到PCL和ROS2的头文件及动态库。如果这里配置不当，即使package.xml写对了，也会在链接阶段报未定义引用。我们需要用find_package同时定位PCL以及ROS2的C++客户端库。
下面示例中，我们先引入rclcpp、sensor_msgs和PCL，然后把可执行文件链接到对应的库。注意target_link_libraries里要写pcl_common和pcl_filters，否则体素滤波等算法在运行时会崩溃。这种显式链接方式比让pcl_ros隐式传递依赖更稳妥，也方便后期替换不同版本的PCL。
cmake_minimum_required(VERSION 3.8)
project(robot_perception_pkg)
find_package(ament_cmake REQUIRED)
find_package(rclcpp REQUIRED)
find_package(sensor_msgs REQUIRED)
find_package(PCL REQUIRED)
add_executable(perception_node src/perception_node.cpp)
target_include_directories(perception_node PRIVATE ${PCL_INCLUDE_DIRS})
target_link_libraries(perception_node ${PCL_LIBRARIES} pcl_common pcl_filters)
ament_target_dependencies(perception_node rclcpp sensor_msgs)
install(TARGETS perception_node DESTINATION lib/${PROJECT_NAME})
ament_package()
三、C++节点订阅与处理点云
节点代码层面，我们创建一个继承rclcpp::Node的类，在构造函数里订阅/depth/points话题，并使用pcl_ros提供的回调函数签名，直接接收pcl::PointCloud<pcl::PointXYZ>::ConstPtr。这样省去了手写转换函数的麻烦，也降低了出错概率。
在回调中，我们使用体素滤波（VoxelGrid）对原始点云降采样，既保留形状特征又减少计算量。以下代码演示了从订阅到滤波输出的完整逻辑，其中leaf size设为0.05米，适合室内机器人场景。处理后的点云通过另一个话题发布，供后续导航或识别模块使用。
#include <rclcpp/rclcpp.hpp>
#include <sensor_msgs/msg/point_cloud2.hpp>
#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <pcl/filters/voxel_grid.h>
#include <pcl_conversions/pcl_conversions.h>
class PerceptionNode : public rclcpp::Node {
public:
PerceptionNode() : Node("perception_node") {
sub_ = this->create_subscription<pcl::PointCloud<pcl::PointXYZ>>(
"/depth/points", 10,
[this](const pcl::PointCloud<pcl::PointXYZ>::ConstPtr& msg) {
pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(msg);
sor.setLeafSize(0.05f, 0.05f, 0.05f);
pcl::PointCloud<pcl::PointXYZ> out;
sor.filter(out);
RCLCPP_INFO(this->get_logger(), "filtered points: %zu", out.size());
});
}
private:
rclcpp::Subscription<pcl::PointCloud<pcl::PointXYZ>>::SharedPtr sub_;
};
int main(int argc, char* argv[]) {
rclcpp::init(argc, argv);
rclcpp::spin(std::make_shared<PerceptionNode>());
rclcpp::shutdown();
return 0;
}
四、两种集成方案对比
除了在C++节点内直接调用PCL，也可以利用pcl_ros提供的独立滤波节点，通过launch文件把雷达数据先送给/voxel_grid节点，再订阅其输出。这种方案解耦更好，不需要重新编译感知包就能调整滤波参数，适合算法调试阶段。
但从实时性看，进程内直接调用少了一次序列化和话题中转，延迟通常低一到两个毫秒，对高速运动机器人更友好。下面的对照表列出了两者在开发效率和运行开销上的差异，方便你按项目阶段取舍。
| 方案 | 开发效率 | 运行延迟 | 适用场景 |
|---|---|---|---|
| 节点内C++调用PCL | 中（需写代码） | 低（<2ms） | 产品化、实时控制 |
| pcl_ros独立节点 | 高（改参数即可） | 中（3到5ms） | 原型验证、调试 |
五、常见配置误区
一个容易被忽略的问题是ROS2与系统PCL版本不匹配。例如Ubuntu自带PCL 1.10，而某些ROS2发行版期望1.12，这时find_package(PCL)可能找到旧版，导致缺少pcl::PointCloud的某些模板方法。解决办法是用源码编译指定版本，或在Docker里固定基础镜像。
另一个误区是在代码里混用<code>sensor_msgs::msg::PointCloud2</code>和pcl类型却不调用pcl_conversions，结果点云字段错位。牢记任何从ROS消息到PCL对象的转换都要走pcl_conversions里的toPCL或fromPCL函数，这样才能保证时间戳和坐标系正确映射。
六、构建与运行
完成上述文件后，在 workspace 根目录执行colcon build --packages-select robot_perception_pkg，编译通过再用source install/setup.bash加载环境。启动节点前确保有真实或模拟的点云话题，比如用ros2 bag播放录制数据，或者用Gazebo发仿真雷达。
运行后使用ros2 topic echo /filtered_points能看到降采样结果，也可用rviz2添加PointCloud2显示项做视觉确认。整个C++感知环境至此打通，后续可在此基础上加入地面分割、聚类等更复杂处理，逐步完善机器人对周围三维世界的理解能力。
ROS2C++_pointcloudrobot_perception修改时间：2026-08-05 03:12:35