跳到主要内容 ROS2 无人机全栈技术解析：从飞控集成到场景落地 | 极客日志
C++ AI 算法
ROS2 无人机全栈技术解析：从飞控集成到场景落地 ROS2 在无人机中的应用，对比 ROS2 与飞控（PX4/ArduPilot）的分工协作关系。涵盖核心定位、通信协议（MAVLink/DDS）、模块化架构、工具链及跨平台兼容能力。提供硬件选型建议（计算板、传感器、通信模块）及最小配置要求。包含集成实战步骤（硬件搭建、软件配置、功能测试）及典型场景（室内无 GPS 作业、工业巡检）的深度解析，帮助开发者实现无人机从手动控制到自主智能的升级。
无尘 发布于 2026/4/6 更新于 2026/4/17
前言
在无人机技术飞速迭代的今天，'飞得稳'已不再是终极目标，工业巡检、农业植保、仓储物流、应急搜救等复杂场景，对无人机提出了'自主定位、智能感知、协同作业'的高阶要求。而 ROS2（Robot Operating System 2）作为新一代机器人操作系统，正成为无人机突破'手动控制'瓶颈、迈向'自主智能'的核心引擎。
很多开发者会困惑：飞控系统（如 PX4、ArduPilot）已能实现起飞、悬停、巡航，为何还要集成 ROS2？两者如何分工协作？不同场景下的硬件配置最低要求是什么？本文将从核心定位、飞控配合、协调底座能力、硬件 OS 最小要求、集成实战、典型场景六大维度，用通俗语言 + 海量表格，全方位拆解 ROS2 在无人机中的应用，覆盖从入门到进阶的全流程知识。
一、ROS2 在无人机中的核心定位：不是飞控，是'智能中枢'
1.1 ROS2 与飞控的本质区别（一张表看懂） 对比维度 ROS2（机器人操作系统 2） 飞控系统（PX4/ArduPilot） 通俗比喻 核心角色 上层决策大脑 + 软硬件调度中枢 底层飞行执行器 + 安全核心 大脑 vs 小脑 + 肌肉 核心职责 感知、规划、决策、协同、外设控制 姿态稳定、电机驱动、飞行安全 思考'做什么 / 怎么做'vs 执行'怎么飞稳' 响应时间 软实时（毫秒级） 硬实时（微秒级） 规划路线需 100ms vs 调整姿态需 1ms 安全优先级 次级（不直接影响飞行安全） 最高级（飞行安全生命线） 算法故障可返航 vs 飞控故障易坠机 核心功能 路径规划、避障、目标识别、多机协同、SLAM 建图 滚转 / 俯仰 / 偏航控制、定高定点、失控返航、低电量保护 智能作业能力 vs 基础飞行能力 生态特性 开源、模块化、算法丰富、跨平台 开源 / 商业、实时性强、硬件适配广 灵活扩展 vs 稳定可靠 直接控制对象 无（仅下发指令给飞控） 电机、油门、舵面 发号施令 vs 直接操作
1.2 无人机为什么必须集成 ROS2？（三大核心价值） 飞控解决的是'飞得稳'的基础问题，但要实现'飞得聪明、飞得灵活、飞得系统'，ROS2 是不可替代的核心框架，其价值集中在三点：
表 1-2：ROS2 的核心价值与落地效果 核心价值 具体说明 落地效果（对比无 ROS2 方案） 降低开发成本，告别'重复造轮子' 开源生态提供传感器驱动、通信协议、SLAM 算法、导航框架等现成组件，无需从零开发 开发周期缩短 70%（如多机协同从 3 个月→3 周），研发成本降低 50%+ 提升系统灵活性，实现'模块化搭积木' 模块化架构支持功能按需扩展，跨平台特性适配不同硬件（ARM/PC）和系统（Linux/Windows） 单机巡检→多机编队仅需新增协同节点，更换激光雷达无需修改上层算法 智能升级，从'执行指令'到'自主决策' 整合多传感器数据、AI 算法与导航框架，具备环境感知、自主规划能力 无 GPS 环境下实现定位建图，突发障碍自动规避，无需人工遥控干预
1.3 哪些无人机场景必须用 ROS2？（适用 vs 不适用场景） 场景类型 适用场景（ROS2 核心优势） 不适用场景（无需 ROS2） 自主化场景 室内无 GPS 作业、自动避障巡航、SLAM 建图测绘 手动遥控飞行、简单定高定点拍照 智能化场景 缺陷识别巡检、目标跟踪、精准物资投送 纯飞行表演（无智能任务） 协同化场景 多机编队、区域协同巡检、任务分工协作 单机简单航线飞行 复杂场景 隧道 / 仓库 / 厂房作业、山地地形测绘、应急搜救 开阔场地低空飞行、短距离测绘
二、ROS2 与开源飞控的配合关系：'大脑 + 小脑'的分工协作 ROS2 与开源飞控（PX4/ArduPilot）是协作而非替代 关系，两者通过标准化接口实现数据互通，共同完成无人机的飞行与任务执行。以下从'分工边界、通信方案、协作流程、适配对比'四大维度详细解析。
2.1 分工边界：明确谁做什么（核心职责表格） 功能模块 ROS2（大脑）具体职责 飞控（小脑）具体职责 数据交互内容 飞行模式控制 下发模式切换指令（手动→自主、巡航→返航） 执行模式切换，反馈当前模式状态 ROS2→飞控：模式切换指令；飞控→ROS2：当前模式 位置与轨迹控制 规划目标航点、生成平滑轨迹、动态调整路径 精准跟踪目标轨迹，反馈实时位置 ROS2→飞控：目标坐标（x,y,z）、飞行速度；飞控→ROS2：实时位置、速度 环境感知与避障 处理激光雷达 / 相机数据、检测障碍物、计算避障路径 接收避障后的轨迹指令，执行姿态调整 ROS2→飞控：避障后的修正轨迹；飞控→ROS2：障碍物距离（部分飞控支持） 任务管理 制定任务流程（起飞→巡航→作业→返航）、处理任务异常 保障飞行安全（低电量、失控保护） ROS2→飞控：任务阶段指令；飞控→ROS2：电池电量、故障报警 外设控制 控制云台转动、抛投器投送、喷洒泵启停 无（飞控不直接控制外设） ROS2→外设：控制指令；外设→ROS2：工作状态
2.2 主流开源飞控与 ROS2 的适配方案（PX4 vs ArduPilot） 对比维度 PX4 飞控 + ROS2 ArduPilot 飞控 + ROS2 选型建议 通信接口包 PX4_ros_com（官方原生支持） MAVROS（基于 MAVLink 协议） 追求原生适配选 PX4，需自定义模式选 ArduPilot 支持的通信方式 UART（串口）、UDP、以太网 UART、UDP、TCP 短距离用 UART（延迟低），长距离用 UDP（抗干扰） 数据交互延迟 平均 10-50ms 平均 20-80ms 对延迟敏感选 PX4 + 以太网（延迟≤20ms） 支持飞行模式 定点、悬停、航点巡航、自主避障、返航 定点、悬停、航点、自定义模式（可扩展） 标准模式选 PX4，自定义需求多选 ArduPilot 适配机型 多旋翼、固定翼、垂直起降（VTOL） 多旋翼、固定翼、直升机、多轴混合机型 多机型适配选 ArduPilot，VTOL 选 PX4 开源生态成熟度 极高（ROS2 官方推荐，文档完善） 高（社区活跃，适配案例多） 新手入门选 PX4，复杂机型选 ArduPilot 自定义开发难度 中等（接口标准化，二次开发简单） 较高（需熟悉 MAVLink 协议） 快速落地选 PX4，深度定制选 ArduPilot
2.3 通信协议与接口对接：数据互通的'桥梁'
2.3.1 核心通信协议对比（MAVLink vs DDS） 协议名称 作用场景 传输延迟 数据可靠性 适用距离 核心优势 MAVLink ROS2 与飞控的指令 / 状态交互 10-50ms 高（支持重传） 短 - 中距离（≤5km） 轻量化、专为无人机设计，支持飞行参数配置 DDS ROS2 节点间、多机间数据传输 1-10ms 极高（分布式、低丢包） 中 - 长距离（≤10km） 分布式通信，支持多节点同步，无中心服务器
2.3.2 具体对接方案实操（表格 + 步骤） 对接方案 适用飞控 硬件连接方式 软件配置步骤 测试验证方法 PX4+PX4_ros_com PX4 v1.12+ 计算板（Jetson）与飞控通过 UART 串口连接（TX/RX/GND） 1. 安装 ROS2（Humble/Foxy）；2. 编译 PX4_ros_com 功能包；3. 配置串口波特率（921600）；4. 启动通信节点（px4_ros_com_node） 1. 话题订阅：ros2 topic echo /fmu/out/vehicle_local_position（查看位置数据）；2. 服务调用：ros2 service call /fmu/in/vehicle_command px4_msgs/srv/VehicleCommand（下发起飞指令） ArduPilot+MAVROS ArduPilot v4.0+ 计算板与飞控通过 UART 或 UDP 连接 1. 安装 MAVROS 功能包；2. 配置 ROS2 环境变量；3. 启动 MAVROS 节点（ros2 launch mavros apm.launch）；4. 配置飞控参数（SERIAL1_PROTOCOL=2） 1. 话题订阅：ros2 topic echo /mavros/local_position/pose；2. 发布航点：ros2 topic pub /mavros/setpoint_position/local geometry_msgs/msg/PoseStamped（下发目标位置）
2.4 协作流程：从任务下发到执行的完整闭环 以'工业巡检'为例，解析 ROS2 与飞控的协作流程，用表格呈现每个环节的角色分工与数据交互：
流程步骤 时间节点 ROS2（大脑）操作 飞控（小脑）操作 数据交互内容 执行结果 1. 任务初始化 0ms 接收地面站巡检任务（航线、巡检区域），加载导航地图 处于待命状态，上报当前姿态（水平）、电池电量（≥80%） 地面站→ROS2：巡检任务数据；飞控→ROS2：姿态、电量数据 ROS2 确认任务可行，准备下发起飞指令 2. 起飞指令下发 100ms 发布起飞指令（目标高度 2m），启动感知节点（激光雷达 + 相机） 接收起飞指令，启动电机，调整姿态稳定上升 ROS2→飞控：起飞指令（高度 2m）；飞控→ROS2：实时高度、姿态 无人机平稳上升至 2m 高度，悬停 3. 航线规划与执行 500ms 基于巡检区域规划全局路径（A*算法），发布首个航点（x=10,y=0,z=2） 接收航点指令，调整飞行速度（1m/s），沿直线飞行 ROS2→飞控：目标航点、飞行速度；飞控→ROS2：实时位置、飞行速度 无人机向首个航点飞行，偏差≤0.5m 4. 环境感知与避障 3000ms 激光雷达检测到前方 5m 处有树枝（障碍物），启动局部避障算法（TEB），生成绕行路径（向左偏移 2m） 接收修正后的轨迹指令，调整飞行方向，保持姿态稳定 ROS2→飞控：避障修正轨迹；飞控→ROS2：障碍物距离、实时姿态 无人机成功绕行树枝，无碰撞 5. 目标识别与作业 5000ms 相机采集设备图像，通过 YOLO 算法识别绝缘子破损（缺陷），记录位置与图像 保持悬停状态，上报当前位置（精准定位） ROS2→飞控：悬停指令；飞控→ROS2：精准位置（误差≤0.3m） 完成缺陷识别，数据存储至本地 6. 任务完成与返航 10000ms 所有航点完成，启动返航程序，发布返航指令（返回起飞点） 接收返航指令，规划最短路径，调整飞行高度（上升至 3m，避免障碍物） ROS2→飞控：返航指令；飞控→ROS2：返航进度、剩余电量 无人机沿返航路径飞行，平稳降落至起飞点
2.5 常见协作问题与解决方案 问题类型 具体表现 排查方向 解决方案 验证方法 通信延迟过高 下发航点后，无人机 3 秒以上才响应 1. 通信方式选择不当；2. 串口波特率过低；3. 节点负载过高 1. 改用以太网（延迟≤20ms）；2. 串口波特率设为 921600；3. 关闭冗余节点 ros2 topic hz /fmu/out/vehicle_local_position（频率≥10Hz） 数据丢包 部分位置数据缺失，导致路径规划异常 1. 无线通信干扰；2. 功能包配置错误；3. 硬件连接松动 1. 更换通信频段（2.4G→5G）；2. 重新编译 PX4_ros_com 功能包；3. 检查串口接线 ros2 topic echo /fmu/out/vehicle_local_position（无数据中断） 指令执行失败 下发起飞 / 返航指令，飞控无响应 1. 飞行模式错误；2. 权限配置不足；3. 飞控参数未初始化 1. 切换至'OFFBOARD'模式；2. 配置 ROS2 节点权限（sudo）；3. 校准飞控传感器 飞控反馈'指令接收成功'，无人机执行对应动作 避障与飞控冲突 ROS2 下发避障轨迹，飞控仍按原路径飞行 1. 飞控模式未切换至自主模式；2. 轨迹指令格式错误 1. 将飞控模式设为'自主巡航'；2. 按照飞控要求格式化轨迹数据（如 PX4 要求的坐标系） 无人机按避障轨迹飞行，无偏离
三、ROS2 的协调底座能力：支撑无人机智能运行的核心技术 ROS2 的协调底座能力是其赋能无人机的核心，主要包括分布式通信、模块化架构、工具链支持、跨平台兼容 四大核心技术，以下详细解析每个能力的原理、优势、应用场景及配置方法。
3.1 分布式通信能力（基于 DDS）：无人机多节点协同的基础 ROS2 的内核是基于 DDS（数据分发服务）的分布式通信架构，无需中心服务器，即可实现机载计算板、飞控、地面站、多机之间的高效数据交互。
3.1.1 DDS 的核心优势（对比传统通信方式） 通信方式 延迟 可靠性 扩展性 适用场景 核心不足 ROS2 DDS 1-10ms 极高（低丢包率≤0.1%） 强（支持 100 + 节点） 多机协同、多传感器数据传输 配置稍复杂 传统串口通信 5-50ms 中（丢包率≤1%） 弱（支持 1-2 个设备） 飞控与单一传感器通信 扩展性差，距离有限 以太网通信 2-20ms 高（丢包率≤0.5%） 中（支持 10 + 设备） 地面站与机载计算板通信 需布线，灵活性差 无线通信（WiFi/4G） 50-200ms 中低（丢包率≤5%） 中（支持 5 + 设备） 长距离数据传输 延迟高，易受干扰
3.1.2 ROS2 的三大通信机制（话题 / 服务 / 动作） 通信机制 通信方向 数据频率 反馈机制 适用场景 示例（无人机应用） 话题（Topic） 单向（发布 - 订阅） 高频（10-100Hz） 无反馈 传感器数据、状态数据传输 1. 飞控→ROS2：位置、姿态、电量（50Hz）；2. 相机→ROS2：图像流（30Hz） 服务（Service） 双向（请求 - 响应） 低频（0.1-10Hz） 有反馈（成功 / 失败） 单次指令交互 1. ROS2→云台：调整角度（1Hz）；2. ROS2→飞控：切换飞行模式（2Hz） 动作（Action） 双向（目标 - 反馈 - 结果） 中高频（1-50Hz） 实时反馈 + 中断 长任务执行 1. ROS2→飞控：航点任务（5Hz，反馈进度）；2. ROS2→SLAM 节点：建图任务（10Hz，反馈完成度）
3.1.3 DDS QoS 配置：适配无人机不同场景 QoS（服务质量）是 DDS 的核心配置，可根据无人机场景调整参数，确保通信可靠性与实时性。以下是常用 QoS 配置方案：
应用场景 可靠性配置 耐久性配置 deadlines 配置 存活时间（Liveliness） 核心目的 飞控状态传输 可靠（Reliable） 瞬时（Volatile） 100ms 200ms 确保位置、姿态数据不丢失，实时更新 图像流传输 尽力而为（Best Effort） 瞬时（Volatile） 500ms 1000ms 允许少量丢包，保证传输流畅 航点指令下发 可靠（Reliable） 持久（Transient Local） 500ms 1000ms 确保指令必达，飞控重启后仍可接收 多机协同数据 可靠（Reliable） 瞬时（Volatile） 200ms 500ms 多机状态同步，低延迟
3.2 模块化架构能力：实现'按需组装'的灵活扩展 ROS2 采用模块化设计，所有功能以'节点（Node）'形式存在，节点间通过通信机制交互，可按需添加 / 删除节点，实现功能的灵活扩展。
3.2.1 无人机 ROS2 核心节点分类与功能 节点类型 核心节点名称 依赖功能包 资源占用（CPU / 内存） 核心功能 应用场景 感知节点 激光雷达驱动节点（rplidar_ros2） rplidar_ros2 CPU：5-10%，内存：50-100MB 激光雷达数据采集与解析 避障、建图 视觉 SLAM 节点（orb_slam3_ros2） orb_slam3_ros2 CPU：20-30%，内存：200-500MB 视觉定位与建图 无 GPS 环境作业 目标检测节点（yolo_ros2） yolo_ros2 CPU：30-50%/GPU：10-20%，内存：300-800MB 设备缺陷、人员识别 工业巡检、应急搜救 导航节点 路径规划节点（nav2_planner） navigation2 CPU：10-20%，内存：100-300MB 全局 / 局部路径规划 自主巡航、避障绕行 轨迹优化节点（nav2_smoother） navigation2 CPU：5-15%，内存：50-150MB 飞行轨迹平滑 提升飞行稳定性 定位节点（nav2_amcl） navigation2 CPU：10-15%，内存：100-200MB 自适应蒙特卡洛定位 精准定位，减少漂移 通信节点 PX4 通信节点（px4_ros_com_node） px4_ros_com CPU：5-10%，内存：50-100MB 与 PX4 飞控数据交互 指令下发、状态接收 多机协同节点（multi_robot_coop） ros2_multirobot CPU：15-25%，内存：150-300MB 多机状态同步、任务分工 编队飞行、协同巡检 工具节点 可视化节点（rviz2） rviz2 CPU：10-20%，内存：200-500MB 实时可视化无人机状态、地图、路径 开发调试 数据记录节点（ros2_bag） ros2bag CPU：5-10%，内存：动态增长（按录制时长） 录制 / 回放通信数据 问题复盘、算法优化
3.2.2 模块化架构的优势（对比单体架构） 对比维度 ROS2 模块化架构 传统单体架构 对无人机的影响 功能扩展 新增功能仅需添加节点，无需修改现有代码 新增功能需重构整体代码 无人机从单机→多机仅需 1 周，单体架构需 1 个月 故障隔离 单个节点故障不影响其他节点运行 一个模块故障导致整个系统崩溃 视觉节点故障，无人机仍可返航；单体架构易坠机 维护成本 节点独立编译、调试，维护简单 代码耦合度高，维护困难 算法优化仅需修改对应节点，调试效率提升 50% 硬件适配 不同节点可部署在不同硬件（如重算力节点部署在 Jetson，轻量节点部署在树莓派） 所有功能需运行在同一硬件 降低硬件成本，按需分配算力
3.3 工具链支持能力：降低开发与调试难度 ROS2 提供了全套开箱即用的工具链，覆盖'开发 - 调试 - 测试 - 部署'全流程，解决无人机高空作业调试难的痛点。
3.3.1 核心工具链对比（功能 + 使用场景） 工具名称 核心功能 使用场景 操作示例（ROS2 命令） 优势 RViz2 实时可视化：位置、姿态、地图、点云、路径 开发调试、任务监控 rviz2 -d config/urdf.rviz 直观查看无人机状态，快速定位问题 PlotJuggler 数据可视化：绘制姿态角、速度、电量等曲线 性能分析、参数优化 ros2 run plotjuggler plotjuggler 支持实时 / 离线分析，可导出报表 ros2 bag 数据录制与回放：录制所有话题 / 服务数据 问题复盘、算法测试 1. 录制：ros2 bag record -a；2. 回放：ros2 bag play bagfile 无需重复试飞，降低测试成本 colcon 编译工具：编译 ROS2 功能包、管理依赖 开发编译 colcon build --packages-select my_package 支持并行编译，编译速度提升 30% ros2 topic 话题操作：查看 / 发布 / 订阅话题 通信测试、节点调试 1. 查看：ros2 topic echo /topic_name；2. 发布：ros2 topic pub /topic_name msg_type data 快速验证通信是否正常 ros2 service 服务操作：调用 / 查看服务 指令测试 ros2 service call /service_name srv_type request_data 验证服务节点是否正常响应 ros2 action 动作操作：发送 / 查看动作目标 长任务测试 ros2 action send_goal /action_name action_type goal_data 验证航点任务、建图任务等
3.3.2 无人机开发调试流程（基于 ROS2 工具链） 调试阶段 核心工具 操作步骤 预期效果 节点启动测试 colcon、ros2 run 1. 编译功能包：colcon build；2. 启动核心节点：ros2 run my_package my_node 节点正常启动，无报错 通信测试 ros2 topic、ros2 service 1. 查看话题列表：ros2 topic list；2. 订阅飞控状态话题：ros2 topic echo /fmu/out/vehicle_local_position 能正常接收飞控位置、姿态数据 功能调试 RViz2、PlotJuggler 1. 启动 RViz2，添加无人机模型、地图显示；2. 启动 PlotJuggler，绘制姿态角曲线 实时查看无人机姿态是否稳定，地图是否正常构建 问题复盘 ros2 bag 1. 试飞时录制数据：ros2 bag record -a；2. 回放数据：ros2 bag play bagfile，结合 RViz2 分析 定位避障失败、路径偏移等问题的原因 性能优化 PlotJuggler、ros2 topic hz 1. 查看话题频率：ros2 topic hz /topic_name；2. 分析 CPU / 内存占用：htop 优化节点，确保话题频率≥10Hz，CPU 占用≤80%
3.4 跨平台兼容能力：适配无人机不同硬件与系统 ROS2 支持多操作系统、多硬件架构，无需修改代码即可在不同平台运行，完美适配无人机'机载端（嵌入式）+ 地面站（PC）'的部署需求。
3.4.1 支持的操作系统与适配要求 操作系统 支持的 ROS2 版本 最小配置要求（CPU / 内存 / 存储） 适用场景 优势 不足 Ubuntu 20.04 LTS Foxy Fitzroy、Galactic Geochelone CPU：双核≥1.5GHz；内存：2GB；存储：20GB 中端计算板（Jetson Nano、树莓派 4B）、地面站 生态成熟，兼容性好 对嵌入式硬件资源要求稍高 Ubuntu 22.04 LTS Humble Hawksbill、Iron Irwini CPU：双核≥2.0GHz；内存：4GB；存储：30GB 高端计算板（Jetson Orin、RK3588）、地面站 长期支持（5 年），性能优化 部分老硬件适配性一般 嵌入式 Linux（Yocto Project） 所有 ROS2 版本 CPU：单核≥1.0GHz；内存：512MB；存储：8GB 低端飞控板、轻量计算模块 轻量化，资源占用低 开发复杂度高，生态不如 Ubuntu Windows 10/11 Humble Hawksbill、Iron Irwini CPU：双核≥2.0GHz；内存：4GB；存储：30GB 地面站、Windows 开发环境 图形界面友好，适合非 Linux 用户 机载端适配性差，不支持部分驱动 macOS Humble Hawksbill CPU：双核≥2.0GHz；内存：4GB；存储：30GB 开发调试（地面端） 跨平台开发方便 机载端不支持，部分功能受限
3.4.2 支持的硬件架构与适配情况 硬件架构 支持程度 代表硬件 适用场景 核心优势 x86_64 完全支持 台式机、笔记本、工业计算机 地面站、高端机载计算（复杂算法） 算力强，适合运行重负载算法（如 3D SLAM） ARM64 完全支持 Jetson Nano/Orin、RK3588、树莓派 4B 机载计算板（主流选择） 低功耗、小尺寸，适合无人机搭载 ARM32 部分支持 树莓派 3B+、STM32H7 低端计算模块、飞控板 成本低、功耗极低 RISC-V 实验性支持 Kendryte K210、VisionFive 2 新兴嵌入式硬件 开源架构，未来潜力大
四、基础硬件与操作系统的最小要求：按场景精准选型 无人机搭载 ROS2 时，硬件配置（计算板、传感器、通信模块）和操作系统的选择，直接影响 ROS2 功能的落地效果。以下按'入门 / 中端 / 高端'场景，详细列出最小配置要求，涵盖 CPU 主频、内存、算力、存储等核心参数。
4.1 操作系统最小要求（按场景分类） 应用场景 推荐操作系统 版本要求 最小 CPU 配置 最小内存 最小存储 核心依赖库 安装难度 入门场景（单机简单巡航、基础避障） Ubuntu 20.04 LTS 64-bit 双核≥1.5GHz（ARM/x86） 2GB 20GB ROS2 Foxy、PX4_ros_com、navigation2 低（新手可 1 天完成） 中端场景（SLAM 建图、目标识别、多机协同） Ubuntu 22.04 LTS 64-bit 四核≥2.0GHz（ARM/x86） 4GB 30GB ROS2 Humble、YOLO_ros2、ros2_multirobot 中（需 2-3 天配置依赖） 高端场景（3D SLAM、复杂 AI 算法、大规模多机协同） Ubuntu 22.04 LTS 64-bit 八核≥2.4GHz（ARM/x86） 8GB 60GB ROS2 Humble、TensorRT、CUDA、nav2_3d_navigation 高（需 1 周配置优化） 嵌入式场景（低功耗、小尺寸无人机） Yocto Project（嵌入式 Linux） 自定义版本 单核≥1.0GHz（ARM） 512MB 8GB ROS2 Foxy（轻量化编译） 极高（需嵌入式开发经验）
4.2 核心计算板最小要求（主流型号对比） 计算板是 ROS2 的运行载体，负责算法执行、数据处理，其主频、算力、内存直接决定 ROS2 节点的运行效率。以下是主流计算板的参数对比与适用场景：
计算板型号 架构 CPU 主频 核心数 内存（最小要求） 算力（GFLOPS/TOPS） 功耗（典型值） 存储最小要求 适用场景 价格区间（元） 优势 不足 树莓派 4B ARM64 1.5GHz 四核 Cortex-A72 2GB（入门）/4GB（中端） 0.5 GFLOPS 5V/2.5A（12.5W） 16GB microSD 入门场景、单机巡航、基础避障 300-500 价格低、生态成熟、体积小 算力弱，不支持复杂 AI 算法 全志 T527 ARM64 1.8GHz 四核 Cortex-A55 2GB（入门）/4GB（中端） 1 GFLOPS 5V/2A（10W） 16GB microSD 入门场景、低功耗无人机 200-400 功耗低、成本低 算力有限，适合轻量节点 NVIDIA Jetson Nano ARM64 1.43GHz 四核 Cortex-A57 4GB 472 GFLOPS（GPU） 5V/4A（20W） 32GB microSD 中端场景、SLAM 建图、简单目标识别 1000-1500 GPU 加速，支持 AI 算法 算力中等，复杂 3D SLAM 稍卡顿 瑞芯微 RK3588 ARM64 2.4GHz 四核 Cortex-A76 + 四核 Cortex-A55 4GB（中端）/8GB（高端） 6 TOPS（NPU） 12V/3A（36W） 32GB eMMC 中端 - 高端场景、3D SLAM、复杂目标识别、多机协同 1500-2500 NPU 算力强、接口丰富 生态不如 Jetson 成熟 NVIDIA Jetson Xavier NX ARM64 1.9GHz 六核 Cortex-A57 8GB 21 TOPS（GPU） 10W（低功耗）/15W（高性能） 64GB eMMC 高端场景、复杂 AI 算法、大规模多机协同 3000-4000 算力强、功耗低、支持 CUDA 加速 价格较高 NVIDIA Jetson Orin NX ARM64 1.7GHz 八核 Cortex-A78 8GB（中端）/16GB（高端） 100 TOPS（GPU） 15W（低功耗）/30W（高性能） 64GB eMMC 高端场景、实时 3D SLAM、多传感器融合、大规模多机协同 5000-8000 算力极强、延迟低、支持 TensorRT 优化 价格高、功耗稍高 工业计算机（Intel i5） x86_64 2.5GHz 四核 8GB 100 GFLOPS（CPU）+ 500 GFLOPS（GPU） 12V/5A（60W） 128GB SSD 地面站、高端机载计算（复杂算法验证） 3000-5000 算力强、兼容性好 体积大、功耗高，不适合小型无人机
4.3 传感器最小要求（按功能分类） 传感器是无人机的'眼睛'，ROS2 需依赖传感器数据实现感知、定位、避障，以下是核心传感器的最小性能要求：
4.3.1 定位与导航传感器 传感器类型 核心参数（最小要求） 推荐型号 适用场景 价格区间（元） ROS2 驱动支持 GPS / 北斗模块 定位精度≤2m（单点）/≤0.5m（RTK），更新频率≥10Hz Ublox NEO-7M（入门）/Ublox F9P（高端） 室外定位、返航 50-1500 完全支持（gps_ros2 功能包） IMU（惯性测量单元） 加速度计精度≤±0.01g，陀螺仪精度≤±0.01°/s，更新频率≥100Hz MPU6050（入门）/BMI088（高端） 姿态解算、定位辅助 30-500 完全支持（imu_tools 功能包） 激光雷达 测距范围≥5m（入门）/≥20m（高端），更新频率≥10Hz，点云密度≥1000 点 / 秒 思岚 A1（入门）/ 速腾聚创 16 线（高端） 避障、SLAM 建图 300-10000 完全支持（rplidar_ros2、hesai_ros2） 深度相机 测距范围≥0.5-5m，分辨率≥640×480，帧率≥15Hz Intel Realsense D435i（入门）/ 大疆禅思 P1（高端） 视觉 SLAM、目标定位 800-5000 完全支持（realsense-ros2、dji_ros2）
4.3.2 感知与作业传感器 传感器类型 核心参数（最小要求） 推荐型号 适用场景 价格区间（元） ROS2 驱动支持 高清相机 分辨率≥1080P，帧率≥30Hz，接口支持 USB / 以太网 罗技 C920（入门）/ 索尼 IMX477（高端） 目标识别、图像采集 200-2000 完全支持（usb_cam_ros2、libcamera-ros2） 红外相机 测温范围 - 20~150℃，分辨率≥320×240，帧率≥10Hz 高德红外 M20（入门）/FLIR Vue Pro（高端） 夜间搜救、设备测温 1000-10000 部分支持（需自定义驱动） 超声波传感器 测距范围 0.1-3m，更新频率≥10Hz HC-SR04（入门）/MB1040（高端） 近距离避障、低空测距 20-200 完全支持（ultrasonic_sensor_ros2） 气体传感器 检测精度≤±5% FS，响应时间≤10s MQ-2（烟雾）/MQ-135（多气体） 环境检测、危险气体报警 50-500 完全支持（sensor_msgs 适配）
4.4 通信模块最小要求（按距离分类） 通信类型 通信距离（最小要求） 传输速率 延迟 推荐模块 价格区间（元） ROS2 适配方式 适用场景 短距离通信（机载内部） ≤10m ≥1Mbps ≤10ms UART 串口模块、以太网模块 20-100 原生支持（串口 / 以太网接口） 计算板与飞控、传感器通信 中距离通信（单机作业） ≤1km ≥10Mbps ≤50ms WiFi 5 模块（802.11ac）、数传电台（433MHz） 100-500 WiFi：ros2 multicast；数传：MAVLink+ROS2 地面站与无人机通信（开阔场地） 长距离通信（复杂作业） ≤5km ≥5Mbps ≤200ms 4G 模块（CAT4）、LoRa 模块 300-1000 4G：ros2 topic over UDP；LoRa：自定义 ROS2 节点 山区巡检、长距离测绘 多机协同通信 ≤3km ≥20Mbps ≤100ms WiFi 6 模块（802.11ax）、5G 模块 500-2000 DDS 跨机通信（配置同一域 ID） 多机编队、协同巡检
4.5 不同场景的硬件配置组合方案 应用场景 计算板 传感器组合 通信模块 操作系统 核心 ROS2 功能包 预算区间（元） 性能表现 入门：单机基础巡航避障 树莓派 4B（4GB） GPS（Ublox NEO-7M）+ 激光雷达（思岚 A1）+ IMU（MPU6050） WiFi 5 模块 Ubuntu 20.04 + ROS2 Foxy PX4_ros_com、navigation2、rplidar_ros2 1500-2500 支持定点巡航、简单避障，SLAM 建图帧率≤5Hz 中端：SLAM 建图 + 目标识别 Jetson Nano（4GB） GPS（Ublox F9P）+ 深度相机（D435i）+ 高清相机（C920） WiFi 5 + 数传电台 Ubuntu 22.04 + ROS2 Humble navigation2、orb_slam3_ros2、yolo_ros2 5000-8000 支持 2D/3D SLAM、目标识别（帧率≥10Hz），多机协同（2-3 架） 高端：复杂 AI + 多机协同 Jetson Orin NX（8GB） RTK GPS + 16 线激光雷达 + 红外相机（FLIR）+ 深度相机（禅思 P1） 5G 模块 + WiFi 6 Ubuntu 22.04 + ROS2 Humble nav2_3d_navigation、TensorRT-ROS2、ros2_multirobot 20000-30000 支持实时 3D SLAM、复杂 AI 算法（帧率≥30Hz）、多机协同（10 + 架） 嵌入式：低功耗小型无人机 全志 T527（2GB） 超声波传感器 + 微型 IMU + 低功耗相机 LoRa 模块 Yocto + ROS2 Foxy（轻量化） px4_ros_com、ultrasonic_sensor_ros2 1000-2000 支持短距离自主飞行、近距离避障，续航≥30 分钟
4.6 硬件配置常见误区与选型建议 误区类型 常见错误配置 后果 正确选型建议 算力不足 用树莓派 4B 运行 3D SLAM+YOLO 识别 算法卡顿（帧率≤1Hz），避障不及时导致碰撞 升级至 Jetson Nano 或 RK3588，启用 GPU/NPU 加速 内存不足 4GB 内存运行多机协同 + 3D 建图 内存溢出，ROS2 节点崩溃 内存≥8GB，关闭冗余节点，优化内存占用 传感器精度不够 用普通 GPS（定位精度 5m）做精准投送 投送偏差≥3m，无法完成任务 选用 RTK GPS（精度≤0.5m），搭配 IMU 融合定位 通信延迟过高 用 433MHz 数传电台做多机协同 多机状态不同步，编队飞行混乱 改用 WiFi 6 或 5G 模块，延迟≤100ms 功耗超标 用 Jetson Orin NX（30W）搭载小型无人机 续航≤10 分钟，无法完成作业 选用低功耗计算板（如 Jetson Xavier NX 10W 版），优化节点功耗
五、ROS2 + 无人机集成实战：从硬件搭建到功能落地
5.1 硬件搭建步骤
5.1.1 硬件清单（以中端场景为例：Jetson Nano+PX4+D435i） 硬件名称 型号规格 数量 连接方式 作用 计算板 Jetson Nano 4GB 1 - 运行 ROS2 核心节点 飞控 PX4 Pixhawk 6C 1 与 Jetson Nano 通过 UART 串口连接 底层飞行控制 深度相机 Intel Realsense D435i 1 与 Jetson Nano 通过 USB 3.0 连接 视觉 SLAM、目标识别 GPS 模块 Ublox F9P 1 与 PX4 飞控通过 UART 连接 室外定位、返航 激光雷达 思岚 A1 1 与 Jetson Nano 通过 USB 连接 避障、环境感知 通信模块 WiFi 5 USB 适配器 1 与 Jetson Nano 通过 USB 连接 地面站通信 电源模块 12V 5A 锂电池 + 降压模块（5V/3A） 1 给计算板、飞控、传感器供电 提供稳定电源 无人机机架 四旋翼机架（轴距 500mm） 1 - 搭载所有硬件 电机与电调 2212 电机 + 30A 电调 4 与 PX4 飞控连接 提供飞行动力
5.1.2 硬件连接流程图 步骤 连接对象 连接接口 接线注意事项 验证方法 1 Jetson Nano ↔ PX4 飞控 Jetson Nano TX2 → PX4 RX；Jetson Nano RX2 → PX4 TX；GND→GND 串口波特率设为 921600，避免正负极接反 通电后，PX4 飞控指示灯亮（蓝色），Jetson Nano 串口可识别 2 Jetson Nano ↔ D435i 相机 Jetson Nano USB 3.0 → D435i USB-C 确保 USB 3.0 接口（蓝色），避免用 USB 2.0（速度不足） 运行 realsense-viewer，能看到深度图像 3 Jetson Nano ↔ 思岚 A1 激光雷达 Jetson Nano USB 2.0 → 激光雷达 USB 安装激光雷达驱动后，可查看点云数据 运行 ros2 launch rplidar_ros2 rplidar.launch.py，RViz2 能看到点云 4 PX4 飞控 ↔ GPS 模块 PX4 GPS 接口 → GPS 模块 确保 GPS 天线朝向天空，无遮挡 PX4 地面站（QGroundControl）能看到 GPS 信号（卫星数≥8） 5 电源模块 ↔ 所有硬件 12V→电调；5V→Jetson Nano、PX4 飞控、传感器 电源线径≥1.5mm²，避免供电不足 所有硬件通电后，无发热、无报错，指示灯正常 6 PX4 飞控 ↔ 电机 / 电调 PX4 电机接口（M1-M4）→ 电调 电机接线顺序正确（M1 对应前左，M2 对应后右，M3 对应后左，M4 对应前右） 飞控校准电机后，电机能正常转动，转向正确
5.2 软件配置步骤
5.2.1 操作系统与 ROS2 安装（Ubuntu 22.04+ROS2 Humble） 步骤 操作命令 操作说明 验证方法 1 安装 Ubuntu 22.04 LTS 从官网下载镜像，烧录至 Jetson Nano 的 SD 卡 开机后能正常进入系统，网络连接正常 2 配置软件源 sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak\nsudo sed -i 's/archive.ubuntu.com/mirrors.aliyun.com/g ' /etc/apt/sources.list\nsudo apt update && sudo apt upgrade -y apt update 无报错，下载速度≥1MB/s 3 安装 ROS2 Humble 按照 ROS2 官网步骤安装（https://docs.ros.org/en/humble/Installation/Ubuntu-Install-Debians.html ） 运行 ros2 --version，输出'ros2 humble' 4 配置 ROS2 环境变量 echo "source /opt/ros/humble/setup.bash" >> ~/.bashrc\nsource ~/.bashrc 运行 printenv grep ROS，能看到 ROS 相关环境变量 5 安装依赖工具 sudo apt install -y colcon-build-essential python3-colcon-common-extensions python3-rosdep2 运行 colcon --version，无报错
5.2.2 PX4 飞控与 ROS2 对接（PX4_ros_com） 步骤 操作命令 操作说明 验证方法 1 下载 PX4_ros_com 功能包 mkdir -p ~/ros2_ws/src\ncd ~/ros2_ws/src\ngit clone https://github.com/PX4/px4_ros_com.git \ngit clone https://github.com/PX4/px4_msgs.git src 目录下有 px4_ros_com 和 px4_msgs 文件夹 2 编译功能包 cd ~/ros2_ws\ncolcon build --packages-select px4_ros_com px4_msgs\nsource install/setup.bash 编译无报错，install 目录下生成相关节点 3 配置串口通信 sudo chmod 666 /dev/ttyTHS1\necho "sudo chmod 666 /dev/ttyTHS1" >> ~/.bashrc 无权限报错，串口可正常访问 4 启动通信节点 ros2 launch px4_ros_com sensor_combined_listener.launch.py 运行 ros2 topic list，能看到 /fmu/out/vehicle_local_position 等话题 5 测试指令下发 ros2 service call /fmu/in/vehicle_command px4_msgs/srv/VehicleCommand "{command: 410, param1: 0.0, param2: 0.0}" PX4 飞控响应起飞指令，电机启动
5.2.3 核心功能节点部署（SLAM + 导航 + 目标识别） 功能模块 安装命令 启动命令 验证方法 视觉 SLAM（ORB-SLAM3） cd ~/ros2_ws/src\ngit clone https://github.com/thien94/orb_slam3_ros2.git \ncd ~/ros2_ws\ncolcon build --packages-select orb_slam3_ros2 ros2 launch orb_slam3_ros2 orb_slam3.launch.py RViz2 能看到构建的 3D 地图，定位精度≤0.5m 导航（Navigation2） sudo apt install ros-humble-navigation2 ros-humble-nav2-bringup\nsudo apt install ros-humble-turtlebot3-gazebo ros2 launch nav2_bringup navigation_launch.py use_sim_time:=False 发布目标航点，无人机能自主飞行至目标点 目标识别（YOLOv8） pip3 install ultralytics\ncd ~/ros2_ws/src\ngit clone https://github.com/ultralytics/ultralytics_ros2.git \ncolcon build --packages-select ultralytics_ros2 ros2 launch ultralytics_ros2 yolo.launch.py 相机采集图像，能识别目标（如人员、设备缺陷），识别率≥85% 可视化（RViz2） sudo apt install ros-humble-rviz2 rviz2 -d ~/ros2_ws/src/px4_ros_com/rviz/px4_ros_com_view.rviz 能看到无人机姿态、位置、地图、路径等信息
5.3 功能测试与优化
5.3.1 基础功能测试 测试项目 测试步骤 预期结果 优化方向 起飞与悬停 1. 启动 PX4_ros_com 节点；2. 下发起飞指令；3. 观察悬停状态 无人机平稳起飞至 2m 高度，悬停偏差≤0.3m 调整飞控 PID 参数，优化悬停稳定性 自主巡航 1. 启动导航节点；2. 发布目标航点（x=20,y=0,z=2）；3. 观察飞行轨迹 无人机沿直线飞行，到达目标点偏差≤0.5m 调整路径规划参数（如 A*算法权重），优化轨迹平滑度 避障功能 1. 启动激光雷达与避障节点；2. 在飞行路径前放置障碍物（树枝）；3. 观察无人机动作 无人机检测到障碍物后，向左 / 右绕行，无碰撞 调整避障距离阈值（如检测到 5m 内障碍物启动避障），优化局部路径规划算法 目标识别 1. 启动 YOLO 节点与相机；2. 拍摄设备缺陷图像；3. 查看识别结果 能准确识别缺陷（如绝缘子破损），识别延迟≤500ms 优化 YOLO 模型（轻量化），启用 GPU 加速，提高识别帧率
5.3.2 性能优化技巧（按模块分类） 优化模块 优化方法 优化效果 操作命令 / 步骤 算力优化 1. 启用 GPU/NPU 加速（Jetson 系列用 TensorRT）；2. 关闭冗余节点；3. 算法轻量化（如 YOLOv8→YOLOv8n） CPU 占用从 80%→40%，识别帧率从 10Hz→25Hz 1. 运行 trtexec --onnx=yolov8n.onnx --saveEngine=yolov8n.engine；2. ros2 node kill /redundant_node 内存优化 1. 限制节点内存占用（如 RViz2 内存上限 2GB）；2. 定期清理缓存；3. 减少点云数据量（降采样） 内存占用从 6GB→3GB，无内存溢出 1. export ROS_MEM_LIMIT=2048MB；2. ros2 run pointcloud_to_laserscan pointcloud_to_laserscan_node（点云降采样） 通信优化 1. 改用以太网通信（替代串口）；2. 调整 DDS QoS 为'尽力而为'（图像流）；3. 减少话题发布频率（非关键数据从 50Hz→10Hz） 通信延迟从 50ms→15ms，丢包率从 2%→0.1% 1. 配置 PX4 以太网通信；2. 修改话题 QoS 配置文件 续航优化 1. 计算板低功耗模式（Jetson Nano 5W 模式）；2. 传感器按需启动（如红外相机仅夜间启用）；3. 优化飞行速度（经济速度 1m/s） 续航从 20 分钟→35 分钟 1. sudo nvpmodel -m 1；2. 编写节点启动脚本，按需启动传感器
5.4 常见集成问题与解决方案（表格汇总） 问题现象 排查步骤 解决方案 验证方法 ROS2 节点无法启动 1. 检查环境变量是否配置；2. 查看功能包是否编译成功；3. 检查依赖是否安装 1. source install/setup.bash；2. 重新编译功能包（colcon build）；3. 安装缺失依赖（sudo apt install 依赖包） 节点正常启动，ros2 node list 能看到对应节点 飞控无响应指令 1. 检查串口连接是否正确；2. 查看飞控模式是否为'OFFBOARD'；3. 检查通信话题是否正确 1. 重新接线（TX/RX 对应）；2. 通过 QGroundControl 切换至 OFFBOARD 模式；3. 确认指令话题为 /fmu/in/vehicle_command 飞控响应指令，无人机执行对应动作 传感器数据无法接收 1. 检查硬件连接；2. 查看驱动是否安装；3. 检查话题是否发布 1. 重新连接传感器；2. 安装对应驱动功能包；3. 运行 ros2 topic list 查看是否有传感器话题 能通过 ros2 topic echo 接收传感器数据 避障功能失效 1. 检查激光雷达数据是否正常；2. 查看避障节点是否启动；3. 检查路径规划参数 1. 确保激光雷达能检测到障碍物；2. 启动 nav2_obstacle_avoidance 节点；3. 调整避障距离阈值 无人机遇到障碍物后自动绕行 地图构建异常（漂移严重） 1. 检查 IMU 是否校准；2. 查看传感器数据是否同步；3. 调整 SLAM 算法参数 1. 校准 IMU；2. 配置传感器时间同步；3. 增加 SLAM 关键帧数量 地图漂移≤0.5m，定位精度正常
六、ROS2 + 无人机典型应用场景深度解析
6.1 室内无 GPS 环境自主作业（仓库盘点 / 隧道检测）
6.1.1 场景需求与核心挑战 需求点 具体要求 核心挑战 定位精度 ≤0.5m（仓库货架定位） 无 GPS 信号，定位易漂移 避障能力 检测≤0.3m 的障碍物（货架、人员） 室内环境复杂，障碍物多且不规则 作业效率 仓库盘点速度≥500㎡/小时 需自主规划路径，避免重复作业 续航要求 ≥30 分钟（单次盘点完成） 室内充电不便，需优化续航
6.1.2 硬件配置与 ROS2 功能包 硬件组件 型号规格 ROS2 功能包 核心作用 计算板 Jetson Nano 4GB orb_slam3_ros2、navigation2 视觉 SLAM 建图、路径规划 飞控 PX4 Pixhawk 6C px4_ros_com 底层飞行控制 深度相机 Intel Realsense D435i realsense-ros2 视觉定位、障碍物检测 激光雷达 思岚 A3 rplidar_ros2 近距离避障 通信模块 WiFi 5 原生 DDS 通信 地面站监控
6.1.3 作业流程与 ROS2 节点交互 流程步骤 ROS2 节点交互 飞控操作 传感器数据 执行结果 1. 启动与初始化 启动 SLAM 节点、导航节点、通信节点 飞控进入 OFFBOARD 模式，上报姿态 深度相机、激光雷达启动，开始采集数据 构建初始地图，无人机悬停待命 2. 路径规划 导航节点基于仓库布局规划全局路径（栅格地图） 接收路径指令，准备飞行 SLAM 节点实时更新地图，提供定位数据 生成无重复、全覆盖的盘点路径 3. 自主飞行与盘点 1. 导航节点下发局部路径；2. 避障节点实时调整路径；3. 相机节点采集货架图像 按路径飞行，保持姿态稳定 激光雷达检测障碍物（货架、人员），相机采集图像 无人机沿路径飞行，无碰撞，采集货架所有区域图像 4. 数据处理与反馈 图像处理节点分析盘点数据（货物数量、位置），地面站接收数据 保持悬停或继续飞行 盘点数据实时上传 地面站生成盘点报告，标记异常货物 5. 任务完成与返航 导航节点规划返航路径，下发返航指令 接收返航指令，沿路径返回起飞点 SLAM 节点提供返航定位数据 无人机平稳降落至起飞点
6.1.4 场景优势与落地效果 对比维度 ROS2 方案 传统方案（人工 / 手动遥控） 提升效果 作业效率 500㎡/小时 100㎡/小时 提升 5 倍 盘点精度 99.5%（无遗漏） 90%（易遗漏） 提升 9.5 个百分点 人力成本 1 人（地面监控） 3 人（人工盘点） 降低 67% 安全性 无人员进入危险区域 人员需进入仓库 / 隧道 杜绝安全风险
6.2 工业智能巡检（电力 / 光伏 / 油气）
6.2.1 场景需求与核心挑战 需求点 具体要求 核心挑战 缺陷识别 识别绝缘子破损、光伏板热斑、管道泄漏 缺陷类型多，环境复杂（强光、雨天） 巡检覆盖 100% 覆盖巡检区域（无死角） 设备分布广，地形复杂（山地、高空） 定位精度 缺陷位置定位≤1m 户外 GPS 遮挡（树木、建筑物） 数据记录 自动生成巡检报告（缺陷位置、图像、时间） 数据量大，需实时处理与存储
微信扫一扫，关注极客日志 微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
相关免费在线工具 加密/解密文本 使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
RSA密钥对生成器 生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
Mermaid 预览与可视化编辑 基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
Base64 字符串编码/解码 将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
Base64 文件转换器 将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
Markdown转HTML 将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
