NiceGUI项目中使用异步对话框与ROS2服务交互的实践
2025-05-19 16:06:45作者:蔡丛锟
背景介绍
在开发基于ROS2的图形用户界面(GUI)时,经常需要实现用户确认对话框与ROS2服务调用的交互。NiceGUI作为一个轻量级的Python Web GUI框架,提供了便捷的对话框功能,但在与ROS2服务结合使用时,会遇到一些技术挑战。
核心问题分析
当尝试在ROS2节点中集成NiceGUI对话框时,开发者常会遇到"无法确定当前槽位"的运行时错误。这主要是因为:
- ROS2服务回调运行在独立的线程中
- NiceGUI的UI操作需要特定的客户端上下文
- 同步服务调用与异步对话框之间存在协调问题
解决方案实现
基本架构设计
正确的实现方式需要以下几个关键组件:
- Future对象:用于在同步和异步代码之间传递结果
- 后台任务:处理异步对话框逻辑
- 客户端上下文:确保UI操作在正确的上下文中执行
代码实现示例
from concurrent.futures import Future
from threading import Thread
from nicegui import Client, background_tasks, ui
class OperatorGUI:
def __init__(self):
# 初始化对话框
with Client.auto_index_client as self.gui_client:
with ui.dialog() as self.confirm_dialog, ui.card():
ui.label('请确认操作')
with ui.row():
ui.button('确认', on_click=lambda _: self.confirm_dialog.submit(True))
ui.button('取消', on_click=lambda _: self.confirm_dialog.submit(False))
# 模拟ROS2服务回调
Thread(target=self.service_callback).start()
def service_callback(self):
# 创建Future用于获取结果
confirmation = Future()
# 在后台任务中运行对话框
background_tasks.create(self.show_dialog(confirmation))
# 等待结果(设置超时避免永久阻塞)
result = confirmation.result(timeout=30.0)
# 根据结果进行后续处理
print(f"用户选择: {result}")
async def show_dialog(self, future: Future):
with self.gui_client:
# 等待对话框结果
result = await self.confirm_dialog
# 根据结果发送通知
ui.notify('操作已确认' if result else '操作已取消',
type='positive' if result else 'negative')
# 设置Future结果
future.set_result(result)
关键技术点解析
-
上下文管理:使用
with Client.auto_index_client确保UI操作在正确的客户端上下文中执行 -
异步/同步桥接:通过
Future对象实现异步对话框结果向同步服务回调的传递 -
后台任务处理:使用
background_tasks.create确保对话框逻辑在正确的事件循环中执行 -
超时处理:为Future设置合理的超时时间,避免服务调用永久阻塞
实际应用建议
-
错误处理:在实际应用中应添加适当的错误处理,特别是对Future超时的处理
-
用户体验:考虑添加加载状态指示,让用户知道系统正在等待他们的输入
-
响应式设计:对话框内容可以根据服务请求的具体参数动态调整
-
日志记录:记录用户的选择和服务调用结果,便于后续分析和调试
总结
通过合理使用Future对象和后台任务,我们成功实现了NiceGUI对话框与ROS2服务的无缝集成。这种方法不仅解决了上下文问题,还保持了代码的清晰性和可维护性,为ROS2应用的GUI开发提供了可靠的技术方案。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
暂无简介
Dart
614
140
Ascend Extension for PyTorch
Python
167
187
React Native鸿蒙化仓库
JavaScript
240
315
仓颉编译器源码及 cjdb 调试工具。
C++
126
855
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
373
3.17 K
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
260
92
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
475
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
646
255