RealSense ROS 在Jetson Orin Nano上点云与RGB图像冲突问题解决方案

问题背景

在使用Intel RealSense D435f深度相机配合NVIDIA Jetson Orin Nano开发套件运行ROS 2 Humble时，开发者遇到了一个典型问题：当启用点云(pointcloud)功能时，RGB图像流会停止工作，同时深度帧率会显著下降。这个问题在Jetson平台的多个ROS版本中都有出现，特别是在使用较新版本的RealSense ROS封装包时更为明显。

问题现象

当通过以下命令启动RealSense ROS节点时：

ros2 launch realsense2_camera rs_launch.py depth_module.depth_profile:=1280x720x30 pointcloud.enable:=true

系统日志中会出现警告信息："No stream match for pointcloud chosen texture Process - Color"，表明RGB图像流无法与点云处理匹配。同时，GPU利用率监控显示，系统并未有效利用Jetson Orin Nano的GPU资源来处理点云数据，导致CPU负担过重。

根本原因分析

经过深入调查，发现该问题主要由以下几个因素导致：

1. GPU加速未启用：默认安装的RealSense ROS封装包未正确配置GPU加速功能，导致点云生成完全依赖CPU处理。

2. CUDA支持不足：在Jetson平台上，特别是较新的Orin系列，标准的CUDA加速方式可能无法正常工作。

3. 资源分配冲突：当点云处理占用过多CPU资源时，系统无法同时处理RGB图像流，导致图像中断。

解决方案

经过多次测试验证，最终确定以下解决方案可有效解决问题：

1. 卸载现有RealSense相关软件包

首先需要清除系统中已安装的RealSense相关软件包：

sudo apt remove librealsense2* ros-humble-realsense2-*

2. 使用libuvc后端从源码构建librealsense

采用libuvc后端方式构建librealsense SDK，确保与Jetson Orin Nano的兼容性。修改libuvc_installation.sh脚本中的CMake构建指令，添加CUDA支持：

cmake ../ -DFORCE_LIBUVC=true -DCMAKE_BUILD_TYPE=release -DBUILD_EXAMPLES=TRUE -DBUILD_GRAPHICAL_EXAMPLES=TRUE -DBUILD_WITH_CUDA=ON

3. 重新安装RealSense ROS封装包

使用标准方式重新安装ROS封装包：

sudo apt install ros-humble-realsense2-*

4. 启用GLSL加速

关键步骤是使用colcon工具重新构建RealSense ROS封装包，并启用GLSL加速：

colcon build --cmake-args '-DBUILD_ACCELERATE_GPU_WITH_GLSL=ON'

在启动节点时添加参数启用GLSL加速：

ros2 launch realsense2_camera rs_launch.py pointcloud.enable:=true accelerate_gpu_with_glsl:=true

或者直接在rs_launch.py启动文件中将accelerate_gpu_with_glsl参数默认值设为true。

技术原理

GLSL(OpenGL Shading Language)加速是一种替代CUDA的GPU加速方案，特别适合在Jetson平台上使用。它通过以下方式优化性能：

1. 着色器优化：利用GPU的并行计算能力高效处理点云生成。

2. 资源合理分配：将计算密集型任务从CPU转移到GPU，释放CPU资源处理图像流。

3. 平台适配性：相比CUDA方案，GLSL在Jetson平台上有更好的兼容性和稳定性。

性能优化建议

为确保系统最佳性能，建议采取以下措施：

1. 分辨率设置：根据应用需求合理设置深度和彩色图像分辨率，如640x480或848x480。

2. 帧率控制：在点云模式下，适当降低帧率至15-20FPS可提高稳定性。

3. 电源管理：确保Jetson Orin Nano工作在适当功率模式，建议使用电源适配器而非USB供电。

4. 温度监控：长期运行时监控设备温度，必要时增加散热措施。

结论

通过启用GLSL加速方案，成功解决了RealSense ROS在Jetson Orin Nano平台上点云与RGB图像流的冲突问题。这一方案不仅恢复了RGB图像流的正常工作，还显著提升了点云生成的效率，为基于Jetson Orin Nano和RealSense相机的机器人应用开发提供了可靠的技术支持。