Isaac ROS 文档翻译第四部分页面 17Isaac ROS NITROS — NVIDIA Isaac Transport for ROS原文https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_nitros/index.html概述Isaac ROS NITROS 包含 NVIDIA 在 ROS 2 中类型适配与协商的实现。要了解更多关于 NITROS 的信息请参阅此处。Isaac ROS NITROS 由多个独立的包组成每个包具有功能性或结构性的目的isaac_ros_managed_nitros此包包含包装器类使开发者能够向第三方基于 CUDA 的 ROS 节点添加 NITROS 兼容的发布者和订阅者。有关 CUDA with NITROS 的更多信息请参阅此处。isaac_ros_nitros此包包含基础的NitrosNode类及相关核心工具作为所有基于 NITROS 的 ROS 节点的基础。isaac_ros_nitros_bridge此文件夹包含用于进程间通信的 NITROS Bridge 实现。isaac_ros_nitros_interfaces此包包含自定义 ROS 2 接口的定义这些接口促进 NITROS 节点之间的类型协商。isaac_ros_nitros_topic_tools此文件夹包含 topic_tools 包中某些节点的基于 NITROS 的实现。isaac_ros_nitros_type此文件夹包含多个包每个包定义一种特定的 NITROS 类型以及相关的类型适配逻辑用于与标准 ROS 类型相互转换。isaac_ros_pynitros此文件夹包含 Python NITROS 的实现。快速入门Isaac ROS NITROS包isaac_ros_managed_nitrosisaac_ros_nitrosQuickstart快速入门Isaac ROS NITROS Bridge概述性能包快速入门尝试另一个示例故障排除更新日志isaac_ros_nitros_bridge_ros2APIisaac_ros_nitros_topic_toolsNitrosCameraDrop 节点isaac_ros_nitros_typeisaac_ros_pynitros创建 PyNITROS 加速节点快速入门尝试更多示例API 参考支持的平台此包设计并测试为与在以下平台上运行的 ROS 2 Jazzy 兼容Jetson配备 NVIDIA GPU 的 x86_64 系统DGX Spark 工作站其他基于 GB10 的平台可能可以运行但不在测试矩阵中我们无法保证其行为。Isaac ROS 环境为简化开发我们强烈建议利用 Isaac ROS CLI按照以下步骤操作。这可以简化所有支持平台上依赖项正确版本的开发环境设置。注意所有 Isaac ROS 快速入门、教程和示例都设计为以 Isaac ROS CLI 管理的环境为前提。自定义开发环境要自定义开发环境请参阅本指南。更新日志日期变更2026-07-06通过淘汰 GXF 实现降低 NITROS 构建/运行时复杂度并为 NITROS 消息传递添加 CUDA 流支持2026-04-30Isaac ROS 4.4.0 版本的兼容性和集成更新2026-03-23引入 SIPL 相机框架和 LI Eagle 立体 CoE/HSB 相机的早期支持2026-02-19支持 DGX Spark 和 JetPack 7.12026-02-02CUDA with NITROS 的点云支持2025-10-24在类型适配中添加 CUDA 流支持2024-12-10兼容 JetPack 6.12024-09-26Isaac ROS 3.1 更新2024-05-30添加 NITROS 消息过滤器支持2023-10-18引入 CUDA with NITROS2023-05-25CPU 使用率优化2023-04-05兼容 JetPack 5.1.12022-10-19次要更新和错误修复2022-08-31兼容 JetPack 5.0.22022-06-30初始版本页面 18Isaac ROS AprilTag — AprilTag 检测原文https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_apriltag/index.html概述Isaac ROS AprilTag 包含一个用于检测 AprilTag 的 ROS 2 包。AprilTag 是一种基准标记提供参考点或测量基准。AprilTag 检测经过 NVIDIA 加速具有高性能。一个常见的节点图从输入相机通过校正 (rectify) 和调整大小 (resize) 连接到 AprilTag。校正将输入相机图像扭曲为已校正、无畸变的输出图像如果相机驱动提供已校正的相机图像则此节点可能不是必需的。如果需要调整大小通常用于将更高分辨率的相机降采样到 AprilTag 所需的分辨率。AprilTag 的输入分辨率由应用所需的检测距离选择因为执行 AprilTag 检测和分类需要最少数量的像素。例如3840×2160 的 8mp 输入图像可能远大于必要4:1 降采样到 1920x1080 可以更有效地利用计算资源并满足应用的所需检测距离。上图中的每个绿色节点都经过 NVIDIA 加速允许从相机输入到 AprilTag 检测的高性能计算图。如上所述检测结果以输出数组的形式提供包含输入图像中 AprilTag 检测的数量。数组中的每个条目包含 AprilTag 的 ID二维条形码、输入图像中的四个角 ((x0, y0), (x1, y1), (x2, y2), (x3, y3)) 和中心 (x, y)以及 AprilTag 的位姿。此包是 ROS AprilTag CPU 版本的 NVIDIA 加速直接替代方案。有关更多信息包括论文和参考 CPU 实现请参阅 AprilTag 仓库。backend参数允许您在所有 NVIDIA 平台上利用 CPU、GPU或在 Jetson 设备上利用 PVA 进行 AprilTag 检测。下表列出了各后端支持的标签族。快速入门Isaac ROS AprilTagIsaac ROS NITROS 加速此包由 NVIDIA Isaac Transport for ROS (NITROS) 提供支持NITROS 利用类型适配和协商来优化消息格式并显著加速参与节点之间的通信。包isaac_ros_apriltagQuickstart快速入门尝试更多示例故障排除API支持的平台此包设计并测试为与在以下平台上运行的 ROS 2 Jazzy 兼容Jetson配备 NVIDIA GPU 的 x86_64 系统DGX Spark 工作站其他基于 GB10 的平台可能可以运行但不在测试矩阵中我们无法保证其行为。Isaac ROS 环境为简化开发我们强烈建议利用 Isaac ROS CLI按照以下步骤操作。这可以简化所有支持平台上依赖项正确版本的开发环境设置。注意所有 Isaac ROS 快速入门、教程和示例都设计为以 Isaac ROS CLI 管理的环境为前提。自定义开发环境要自定义开发环境请参阅本指南。页面 19Isaac ROS Benchmark — 性能基准测试原文https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_benchmark/isaac_ros_benchmark/index.html快速入门按照以下步骤运行一个示例基准测试使用ros2_benchmark测量 Isaac ROS AprilTag 节点的性能。此过程也可用于对其他 Isaac ROS 节点进行基准测试并且ros2_benchmark框架更普遍地支持对任意 ROS 2 节点图进行基准测试。设置开发环境按照入门指南中的说明设置您的开发环境。可选按照传感器特定指南安装您想使用的任何传感器的依赖项。注意我们强烈建议在开始任何快速入门之前安装所有传感器依赖项。某些传感器依赖项需要在安装期间重新启动开发环境这会中断快速入门过程。数据集大多数 Isaac ROS 节点的基准测试使用标准的r2b Dataset作为输入数据。按照此处的说明下载数据集或使用以下命令仅获取此快速入门使用的 rosbag。mkdir-p${ISAAC_ROS_WS}/src/ros2_benchmark/assets/datasets/r2b_dataset/r2b_storage\cd${ISAAC_ROS_WS}/src/ros2_benchmark/assets/datasets/r2b_dataset/r2b_storage\wgethttps://api.ngc.nvidia.com/v2/resources/nvidia/isaac/r2bdataset2023/versions/2/files/r2b_storage/metadata.yaml\wgethttps://api.ngc.nvidia.com/v2/resources/nvidia/isaac/r2bdataset2023/versions/2/files/r2b_storage/r2b_storage_0.db3构建isaac_ros_benchmark激活 Isaac ROS 环境isaac-ros activate安装预构建的 Debian 包sudoapt-getupdatesudoapt-getinstall-yros-jazzy-isaac-ros-apriltag-benchmark运行启动文件在 Isaac ROS 环境内运行以下启动文件以开始对 Isaac ROS AprilTag 进行基准测试launch_test$(ros2 pkg prefix isaac_ros_apriltag_benchmark)/share/isaac_ros_apriltag_benchmark/scripts/isaac_ros_apriltag_node.py基准测试完成后最终的性能测量结果将显示在终端中。此外最终结果和基准测试元数据例如系统信息、基准测试配置也会导出为 JSON 文件其路径在基准测试结束时打印在终端中。故障排除有关 Isaac ROS 问题的解决方案请参阅此处。页面 20Isaac ROS DNN Inference — DNN 推理原文https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_dnn_inference/index.html概述Isaac ROS DNN Inference 包含用于执行 DNN 推理的 ROS 2 包为机器人应用提供基于 AI 的感知。DNN 推理使用预训练的 DNN 模型摄取输入张量并将预测输出到输出张量。上图展示了图像数据 DNN 推理的典型节点图。输入图像被调整大小以匹配 DNN 的输入分辨率图像分辨率可能会降低以提高 DNN 推理性能这通常与图像中的像素数量直接成比例。DNN 推理需要输入张量因此使用 DNN 编码器节点将输入图像转换为张量包括 DNN 模型所需的任何数据预处理。一旦执行了 DNN 推理DNN 解码器节点用于将输出张量转换为应用可以使用的结果。TensorRT 和 Triton 是两个独立的 ROS 节点用于执行 DNN 推理。TensorRT 节点使用 TensorRT 提供高性能深度学习推理。TensorRT 针对目标硬件包括 Jetson 和独立 GPU上的推理优化 DNN 模型。它还支持 DNN 模型常用的特定操作。对于较新或定制的 DNN 模型TensorRT 可能不支持对模型的推理。对于这些模型请使用 Triton 节点。Triton 节点使用 Triton 推理服务器它提供了一个兼容的前端支持不同推理后端的组合例如 ONNX Runtime、TensorRT Engine Plan、TensorFlow、PyTorch。内部基准测试结果衡量显示直接使用 TensorRT 与配置 Triton 使用 TensorRT 作为后端之间几乎没有差异。某些 DNN 模型可能需要自定义 DNN 编码器将输入数据转换为模型所需的张量格式以及自定义 DNN 解码器将输出张量转换为应用中可用的结果。利用 DNN 编码器和 DNN 解码器节点进行图像边界框检测和图像分割或您自己的自定义节点。注意DNN 推理可以在不同类型的输入数据上执行包括音频、视频、文本和各种传感器数据如激光雷达、相机和雷达。此包提供了图像的 DNN 编码和 DNN 解码功能的实现这些通常用于机器人感知。DNN 对其输入、输出和内部转换操作使用张量因此输入图像需要转换为张量以进行 DNN 推理。快速入门Isaac ROS TensorRTIsaac ROS TritonIsaac ROS NITROS 加速此包由 NVIDIA Isaac Transport for ROS (NITROS) 提供支持NITROS 利用类型适配和协商来优化消息格式并显著加速参与节点之间的通信。DNN 模型要执行 DNN 推理需要一个 DNN 模型。NGC 提供预训练模型供您的机器人应用使用。使用 TAONGC 预训练模型可以为您的应用进行微调。您自己的 DNN 模型可以直接训练或从众多在线模型库之一下载预训练模型以用于 TensorRT 和 Triton ROS 节点。有关 TensorRT 和 Triton 设置的更多详细信息请参阅此处。使用不同的模型点击此处获取有关如何使用 NGC 模型的更多信息。我们还原生支持以下包以在各种上下文中执行 DNN 推理包isaac_ros_dnn_image_encoder迁移指南APIisaac_ros_tensor_procAPIisaac_ros_tensor_rt快速入门故障排除APIisaac_ros_triton快速入门故障排除API支持的平台此包设计并测试为与在以下平台上运行的 ROS 2 Jazzy 兼容Jetson配备 NVIDIA GPU 的 x86_64 系统DGX Spark 工作站其他基于 GB10 的平台可能可以运行但不在测试矩阵中我们无法保证其行为。Isaac ROS 环境为简化开发我们强烈建议利用 Isaac ROS CLI按照以下步骤操作。这可以简化所有支持平台上依赖项正确版本的开发环境设置。注意所有 Isaac ROS 快速入门、教程和示例都设计为以 Isaac ROS CLI 管理的环境为前提。自定义开发环境要自定义开发环境请参阅本指南。更新日志日期变更2026-08-18Isaac ROS 4.6.0 版本的兼容性和集成更新2026-07-06Isaac ROS 4.5.0 版本的兼容性和集成更新2026-04-30Isaac ROS 4.4.0 版本的兼容性和集成更新2026-03-23引入 SIPL 相机框架和 LI Eagle 立体 CoE/HSB 相机的早期支持2026-02-19支持 DGX Spark 和 JetPack 7.12026-02-02支持两种新的 Docker 可选开发和部署模式2025-10-24支持 ROS 2 Jazzy2024-12-10兼容 JetPack 6.12024-09-26Isaac ROS 3.1 更新2024-05-30兼容 JetPack 6.02023-10-18Isaac ROS 2.0.0 更新2023-05-25性能改进2023-04-05源码可用的 GXF 扩展2022-10-19更新开源许可2022-08-31兼容 JetPack 5.0.22022-06-30在 Triton/TensorRT 中添加格式字符串参数切换到 NITROS 实现移除 DNN Image Encoder 中的参数2021-11-03将 DOPE 和 U-Net 拆分为独立的仓库2021-10-20初始版本页面 21Isaac ROS Object Detection — 目标检测原文https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_object_detection/index.html概述Isaac ROS Object Detection 包含用于执行目标检测的 ROS 2 包。isaac_ros_rtdetr、isaac_ros_detectnet、isaac_ros_yolov8和isaac_ros_grounding_dino各自提供了一种使用输入图像进行带边界框的空间分类的方法。分类由适当架构的 GPU 加速模型执行isaac_ros_rtdetrRT-DETR 模型isaac_ros_detectnetDetectNet 模型isaac_ros_yolov8YOLOv8 模型isaac_ros_grounding_dinoGrounding DINO 模型输出预测可以被感知功能用于理解图像中物体的存在和空间位置。每个 Isaac ROS Object Detection 包都在一个节点图中使用以从输入图像提供带物体类别的边界框检测数组。需要适当架构的训练模型来生成检测数组。输入图像可能需要裁剪和调整大小以保持宽高比并匹配特定目标检测模型的输入分辨率图像分辨率可能会降低以提高 DNN 推理性能这通常与图像中的像素数量直接成比例。isaac_ros_dnn_image_encoder提供 DNN 编码器工具将输入图像处理为目标检测模型的张量。预测结果以模型特定的方式解码通常涉及聚类和阈值处理以将同一物体上的多次检测分组并减少虚假检测。输出以带物体类别的检测数组形式提供。DNN 对物体上需要可见的最小像素数有要求才能提供分类预测。如果人眼无法在图像中看到物体DNN 也不太可能检测到。降低输入分辨率以减少计算量可能会减少图像中检测到的内容。例如一张 1920x1080 的图像包含一个远处的人占据 1k 像素 (64x16)当在 X 和 Y 方向都缩小 1/2 时将变为 0.25K 像素 (32x8)。DNN 可能用提供 1K 像素的原始输入图像检测到该人但无法检测到在降采样分辨率中仅提供 0.25K 像素的同一个人。快速入门Isaac ROS DetectnetIsaac ROS Grounding DINOIsaac ROS RT-DETRIsaac ROS YOLOv8Isaac ROS NITROS 加速此包由 NVIDIA Isaac Transport for ROS (NITROS) 提供支持NITROS 利用类型适配和协商来优化消息格式并显著加速参与节点之间的通信。DNN 模型要执行 DNN 推理需要一个 DNN 模型。NGC 提供 SyntheticaDETR 和 DetectNet 预训练模型供您的机器人应用使用。使用 TAO 可以为您的应用微调这些预训练模型。点击此处获取有关如何使用 NGC 模型的更多信息。包isaac_ros_detectnet快速入门尝试更多示例ROS 2 图配置故障排除APIisaac_ros_grounding_dino快速入门故障排除APIisaac_ros_rtdetr快速入门尝试更多示例故障排除APIisaac_ros_yolov8快速入门故障排除API使用说明支持的平台此包设计并测试为与在以下平台上运行的 ROS 2 Jazzy 兼容Jetson配备 NVIDIA GPU 的 x86_64 系统DGX Spark 工作站其他基于 GB10 的平台可能可以运行但不在测试矩阵中我们无法保证其行为。Isaac ROS 环境为简化开发我们强烈建议利用 Isaac ROS CLI按照以下步骤操作。这可以简化所有支持平台上依赖项正确版本的开发环境设置。注意所有 Isaac ROS 快速入门、教程和示例都设计为以 Isaac ROS CLI 管理的环境为前提。自定义开发环境要自定义开发环境请参阅本指南。翻译完成。以上文档基于 NVIDIA Isaac ROS 官方文档仅供参考。 全文 - Isaac ROS 04 - Getting Started
Isaac ROS 文档翻译第四部分页面 17Isaac ROS NITROS — NVIDIA Isaac Transport for ROS原文https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_nitros/index.html概述Isaac ROS NITROS 包含 NVIDIA 在 ROS 2 中类型适配与协商的实现。要了解更多关于 NITROS 的信息请参阅此处。Isaac ROS NITROS 由多个独立的包组成每个包具有功能性或结构性的目的isaac_ros_managed_nitros此包包含包装器类使开发者能够向第三方基于 CUDA 的 ROS 节点添加 NITROS 兼容的发布者和订阅者。有关 CUDA with NITROS 的更多信息请参阅此处。isaac_ros_nitros此包包含基础的NitrosNode类及相关核心工具作为所有基于 NITROS 的 ROS 节点的基础。isaac_ros_nitros_bridge此文件夹包含用于进程间通信的 NITROS Bridge 实现。isaac_ros_nitros_interfaces此包包含自定义 ROS 2 接口的定义这些接口促进 NITROS 节点之间的类型协商。isaac_ros_nitros_topic_tools此文件夹包含 topic_tools 包中某些节点的基于 NITROS 的实现。isaac_ros_nitros_type此文件夹包含多个包每个包定义一种特定的 NITROS 类型以及相关的类型适配逻辑用于与标准 ROS 类型相互转换。isaac_ros_pynitros此文件夹包含 Python NITROS 的实现。快速入门Isaac ROS NITROS包isaac_ros_managed_nitrosisaac_ros_nitrosQuickstart快速入门Isaac ROS NITROS Bridge概述性能包快速入门尝试另一个示例故障排除更新日志isaac_ros_nitros_bridge_ros2APIisaac_ros_nitros_topic_toolsNitrosCameraDrop 节点isaac_ros_nitros_typeisaac_ros_pynitros创建 PyNITROS 加速节点快速入门尝试更多示例API 参考支持的平台此包设计并测试为与在以下平台上运行的 ROS 2 Jazzy 兼容Jetson配备 NVIDIA GPU 的 x86_64 系统DGX Spark 工作站其他基于 GB10 的平台可能可以运行但不在测试矩阵中我们无法保证其行为。Isaac ROS 环境为简化开发我们强烈建议利用 Isaac ROS CLI按照以下步骤操作。这可以简化所有支持平台上依赖项正确版本的开发环境设置。注意所有 Isaac ROS 快速入门、教程和示例都设计为以 Isaac ROS CLI 管理的环境为前提。自定义开发环境要自定义开发环境请参阅本指南。更新日志日期变更2026-07-06通过淘汰 GXF 实现降低 NITROS 构建/运行时复杂度并为 NITROS 消息传递添加 CUDA 流支持2026-04-30Isaac ROS 4.4.0 版本的兼容性和集成更新2026-03-23引入 SIPL 相机框架和 LI Eagle 立体 CoE/HSB 相机的早期支持2026-02-19支持 DGX Spark 和 JetPack 7.12026-02-02CUDA with NITROS 的点云支持2025-10-24在类型适配中添加 CUDA 流支持2024-12-10兼容 JetPack 6.12024-09-26Isaac ROS 3.1 更新2024-05-30添加 NITROS 消息过滤器支持2023-10-18引入 CUDA with NITROS2023-05-25CPU 使用率优化2023-04-05兼容 JetPack 5.1.12022-10-19次要更新和错误修复2022-08-31兼容 JetPack 5.0.22022-06-30初始版本页面 18Isaac ROS AprilTag — AprilTag 检测原文https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_apriltag/index.html概述Isaac ROS AprilTag 包含一个用于检测 AprilTag 的 ROS 2 包。AprilTag 是一种基准标记提供参考点或测量基准。AprilTag 检测经过 NVIDIA 加速具有高性能。一个常见的节点图从输入相机通过校正 (rectify) 和调整大小 (resize) 连接到 AprilTag。校正将输入相机图像扭曲为已校正、无畸变的输出图像如果相机驱动提供已校正的相机图像则此节点可能不是必需的。如果需要调整大小通常用于将更高分辨率的相机降采样到 AprilTag 所需的分辨率。AprilTag 的输入分辨率由应用所需的检测距离选择因为执行 AprilTag 检测和分类需要最少数量的像素。例如3840×2160 的 8mp 输入图像可能远大于必要4:1 降采样到 1920x1080 可以更有效地利用计算资源并满足应用的所需检测距离。上图中的每个绿色节点都经过 NVIDIA 加速允许从相机输入到 AprilTag 检测的高性能计算图。如上所述检测结果以输出数组的形式提供包含输入图像中 AprilTag 检测的数量。数组中的每个条目包含 AprilTag 的 ID二维条形码、输入图像中的四个角 ((x0, y0), (x1, y1), (x2, y2), (x3, y3)) 和中心 (x, y)以及 AprilTag 的位姿。此包是 ROS AprilTag CPU 版本的 NVIDIA 加速直接替代方案。有关更多信息包括论文和参考 CPU 实现请参阅 AprilTag 仓库。backend参数允许您在所有 NVIDIA 平台上利用 CPU、GPU或在 Jetson 设备上利用 PVA 进行 AprilTag 检测。下表列出了各后端支持的标签族。快速入门Isaac ROS AprilTagIsaac ROS NITROS 加速此包由 NVIDIA Isaac Transport for ROS (NITROS) 提供支持NITROS 利用类型适配和协商来优化消息格式并显著加速参与节点之间的通信。包isaac_ros_apriltagQuickstart快速入门尝试更多示例故障排除API支持的平台此包设计并测试为与在以下平台上运行的 ROS 2 Jazzy 兼容Jetson配备 NVIDIA GPU 的 x86_64 系统DGX Spark 工作站其他基于 GB10 的平台可能可以运行但不在测试矩阵中我们无法保证其行为。Isaac ROS 环境为简化开发我们强烈建议利用 Isaac ROS CLI按照以下步骤操作。这可以简化所有支持平台上依赖项正确版本的开发环境设置。注意所有 Isaac ROS 快速入门、教程和示例都设计为以 Isaac ROS CLI 管理的环境为前提。自定义开发环境要自定义开发环境请参阅本指南。页面 19Isaac ROS Benchmark — 性能基准测试原文https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_benchmark/isaac_ros_benchmark/index.html快速入门按照以下步骤运行一个示例基准测试使用ros2_benchmark测量 Isaac ROS AprilTag 节点的性能。此过程也可用于对其他 Isaac ROS 节点进行基准测试并且ros2_benchmark框架更普遍地支持对任意 ROS 2 节点图进行基准测试。设置开发环境按照入门指南中的说明设置您的开发环境。可选按照传感器特定指南安装您想使用的任何传感器的依赖项。注意我们强烈建议在开始任何快速入门之前安装所有传感器依赖项。某些传感器依赖项需要在安装期间重新启动开发环境这会中断快速入门过程。数据集大多数 Isaac ROS 节点的基准测试使用标准的r2b Dataset作为输入数据。按照此处的说明下载数据集或使用以下命令仅获取此快速入门使用的 rosbag。mkdir-p${ISAAC_ROS_WS}/src/ros2_benchmark/assets/datasets/r2b_dataset/r2b_storage\cd${ISAAC_ROS_WS}/src/ros2_benchmark/assets/datasets/r2b_dataset/r2b_storage\wgethttps://api.ngc.nvidia.com/v2/resources/nvidia/isaac/r2bdataset2023/versions/2/files/r2b_storage/metadata.yaml\wgethttps://api.ngc.nvidia.com/v2/resources/nvidia/isaac/r2bdataset2023/versions/2/files/r2b_storage/r2b_storage_0.db3构建isaac_ros_benchmark激活 Isaac ROS 环境isaac-ros activate安装预构建的 Debian 包sudoapt-getupdatesudoapt-getinstall-yros-jazzy-isaac-ros-apriltag-benchmark运行启动文件在 Isaac ROS 环境内运行以下启动文件以开始对 Isaac ROS AprilTag 进行基准测试launch_test$(ros2 pkg prefix isaac_ros_apriltag_benchmark)/share/isaac_ros_apriltag_benchmark/scripts/isaac_ros_apriltag_node.py基准测试完成后最终的性能测量结果将显示在终端中。此外最终结果和基准测试元数据例如系统信息、基准测试配置也会导出为 JSON 文件其路径在基准测试结束时打印在终端中。故障排除有关 Isaac ROS 问题的解决方案请参阅此处。页面 20Isaac ROS DNN Inference — DNN 推理原文https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_dnn_inference/index.html概述Isaac ROS DNN Inference 包含用于执行 DNN 推理的 ROS 2 包为机器人应用提供基于 AI 的感知。DNN 推理使用预训练的 DNN 模型摄取输入张量并将预测输出到输出张量。上图展示了图像数据 DNN 推理的典型节点图。输入图像被调整大小以匹配 DNN 的输入分辨率图像分辨率可能会降低以提高 DNN 推理性能这通常与图像中的像素数量直接成比例。DNN 推理需要输入张量因此使用 DNN 编码器节点将输入图像转换为张量包括 DNN 模型所需的任何数据预处理。一旦执行了 DNN 推理DNN 解码器节点用于将输出张量转换为应用可以使用的结果。TensorRT 和 Triton 是两个独立的 ROS 节点用于执行 DNN 推理。TensorRT 节点使用 TensorRT 提供高性能深度学习推理。TensorRT 针对目标硬件包括 Jetson 和独立 GPU上的推理优化 DNN 模型。它还支持 DNN 模型常用的特定操作。对于较新或定制的 DNN 模型TensorRT 可能不支持对模型的推理。对于这些模型请使用 Triton 节点。Triton 节点使用 Triton 推理服务器它提供了一个兼容的前端支持不同推理后端的组合例如 ONNX Runtime、TensorRT Engine Plan、TensorFlow、PyTorch。内部基准测试结果衡量显示直接使用 TensorRT 与配置 Triton 使用 TensorRT 作为后端之间几乎没有差异。某些 DNN 模型可能需要自定义 DNN 编码器将输入数据转换为模型所需的张量格式以及自定义 DNN 解码器将输出张量转换为应用中可用的结果。利用 DNN 编码器和 DNN 解码器节点进行图像边界框检测和图像分割或您自己的自定义节点。注意DNN 推理可以在不同类型的输入数据上执行包括音频、视频、文本和各种传感器数据如激光雷达、相机和雷达。此包提供了图像的 DNN 编码和 DNN 解码功能的实现这些通常用于机器人感知。DNN 对其输入、输出和内部转换操作使用张量因此输入图像需要转换为张量以进行 DNN 推理。快速入门Isaac ROS TensorRTIsaac ROS TritonIsaac ROS NITROS 加速此包由 NVIDIA Isaac Transport for ROS (NITROS) 提供支持NITROS 利用类型适配和协商来优化消息格式并显著加速参与节点之间的通信。DNN 模型要执行 DNN 推理需要一个 DNN 模型。NGC 提供预训练模型供您的机器人应用使用。使用 TAONGC 预训练模型可以为您的应用进行微调。您自己的 DNN 模型可以直接训练或从众多在线模型库之一下载预训练模型以用于 TensorRT 和 Triton ROS 节点。有关 TensorRT 和 Triton 设置的更多详细信息请参阅此处。使用不同的模型点击此处获取有关如何使用 NGC 模型的更多信息。我们还原生支持以下包以在各种上下文中执行 DNN 推理包isaac_ros_dnn_image_encoder迁移指南APIisaac_ros_tensor_procAPIisaac_ros_tensor_rt快速入门故障排除APIisaac_ros_triton快速入门故障排除API支持的平台此包设计并测试为与在以下平台上运行的 ROS 2 Jazzy 兼容Jetson配备 NVIDIA GPU 的 x86_64 系统DGX Spark 工作站其他基于 GB10 的平台可能可以运行但不在测试矩阵中我们无法保证其行为。Isaac ROS 环境为简化开发我们强烈建议利用 Isaac ROS CLI按照以下步骤操作。这可以简化所有支持平台上依赖项正确版本的开发环境设置。注意所有 Isaac ROS 快速入门、教程和示例都设计为以 Isaac ROS CLI 管理的环境为前提。自定义开发环境要自定义开发环境请参阅本指南。更新日志日期变更2026-08-18Isaac ROS 4.6.0 版本的兼容性和集成更新2026-07-06Isaac ROS 4.5.0 版本的兼容性和集成更新2026-04-30Isaac ROS 4.4.0 版本的兼容性和集成更新2026-03-23引入 SIPL 相机框架和 LI Eagle 立体 CoE/HSB 相机的早期支持2026-02-19支持 DGX Spark 和 JetPack 7.12026-02-02支持两种新的 Docker 可选开发和部署模式2025-10-24支持 ROS 2 Jazzy2024-12-10兼容 JetPack 6.12024-09-26Isaac ROS 3.1 更新2024-05-30兼容 JetPack 6.02023-10-18Isaac ROS 2.0.0 更新2023-05-25性能改进2023-04-05源码可用的 GXF 扩展2022-10-19更新开源许可2022-08-31兼容 JetPack 5.0.22022-06-30在 Triton/TensorRT 中添加格式字符串参数切换到 NITROS 实现移除 DNN Image Encoder 中的参数2021-11-03将 DOPE 和 U-Net 拆分为独立的仓库2021-10-20初始版本页面 21Isaac ROS Object Detection — 目标检测原文https://nvidia-isaac-ros.github.io/repositories_and_packages/isaac_ros_object_detection/index.html概述Isaac ROS Object Detection 包含用于执行目标检测的 ROS 2 包。isaac_ros_rtdetr、isaac_ros_detectnet、isaac_ros_yolov8和isaac_ros_grounding_dino各自提供了一种使用输入图像进行带边界框的空间分类的方法。分类由适当架构的 GPU 加速模型执行isaac_ros_rtdetrRT-DETR 模型isaac_ros_detectnetDetectNet 模型isaac_ros_yolov8YOLOv8 模型isaac_ros_grounding_dinoGrounding DINO 模型输出预测可以被感知功能用于理解图像中物体的存在和空间位置。每个 Isaac ROS Object Detection 包都在一个节点图中使用以从输入图像提供带物体类别的边界框检测数组。需要适当架构的训练模型来生成检测数组。输入图像可能需要裁剪和调整大小以保持宽高比并匹配特定目标检测模型的输入分辨率图像分辨率可能会降低以提高 DNN 推理性能这通常与图像中的像素数量直接成比例。isaac_ros_dnn_image_encoder提供 DNN 编码器工具将输入图像处理为目标检测模型的张量。预测结果以模型特定的方式解码通常涉及聚类和阈值处理以将同一物体上的多次检测分组并减少虚假检测。输出以带物体类别的检测数组形式提供。DNN 对物体上需要可见的最小像素数有要求才能提供分类预测。如果人眼无法在图像中看到物体DNN 也不太可能检测到。降低输入分辨率以减少计算量可能会减少图像中检测到的内容。例如一张 1920x1080 的图像包含一个远处的人占据 1k 像素 (64x16)当在 X 和 Y 方向都缩小 1/2 时将变为 0.25K 像素 (32x8)。DNN 可能用提供 1K 像素的原始输入图像检测到该人但无法检测到在降采样分辨率中仅提供 0.25K 像素的同一个人。快速入门Isaac ROS DetectnetIsaac ROS Grounding DINOIsaac ROS RT-DETRIsaac ROS YOLOv8Isaac ROS NITROS 加速此包由 NVIDIA Isaac Transport for ROS (NITROS) 提供支持NITROS 利用类型适配和协商来优化消息格式并显著加速参与节点之间的通信。DNN 模型要执行 DNN 推理需要一个 DNN 模型。NGC 提供 SyntheticaDETR 和 DetectNet 预训练模型供您的机器人应用使用。使用 TAO 可以为您的应用微调这些预训练模型。点击此处获取有关如何使用 NGC 模型的更多信息。包isaac_ros_detectnet快速入门尝试更多示例ROS 2 图配置故障排除APIisaac_ros_grounding_dino快速入门故障排除APIisaac_ros_rtdetr快速入门尝试更多示例故障排除APIisaac_ros_yolov8快速入门故障排除API使用说明支持的平台此包设计并测试为与在以下平台上运行的 ROS 2 Jazzy 兼容Jetson配备 NVIDIA GPU 的 x86_64 系统DGX Spark 工作站其他基于 GB10 的平台可能可以运行但不在测试矩阵中我们无法保证其行为。Isaac ROS 环境为简化开发我们强烈建议利用 Isaac ROS CLI按照以下步骤操作。这可以简化所有支持平台上依赖项正确版本的开发环境设置。注意所有 Isaac ROS 快速入门、教程和示例都设计为以 Isaac ROS CLI 管理的环境为前提。自定义开发环境要自定义开发环境请参阅本指南。翻译完成。以上文档基于 NVIDIA Isaac ROS 官方文档仅供参考。