English | 简体中文

宇树 G1 人形机器人 YOLO 目标识别与路径规划导航 工作空间。基于 ROS2 Foxy + Python，实现实时目标检测、3D 空间定位与自主导航接近目标。

技术栈：Ubuntu 20.04 · ROS2 Foxy · Python 3.8+ · YOLOv11 · Nav2 · colcon

核心能力：

• YOLO 实时目标检测（支持自定义训练模型）
• 2D 检测结果到 3D 空间坐标投影
• Nav2 路径规划与自主导航
• 紧急停止与安全限速保护

g1act_ws/
├── src/
│   ├── g1_yolo_nav_py/                      # YOLO 目标识别与导航功能包
│   │   ├── g1_yolo_nav_py/
│   │   │   ├── __init__.py
│   │   │   ├── yolo_detector.py              # YOLO 检测节点
│   │   │   ├── spatial_target.py             # 3D 空间投影节点
│   │   │   ├── detection_visualizer.py       # 检测可视化节点（tkinter）
│   │   │   ├── control_panel.py              # 控制面板节点（tkinter GUI）
│   │   │   ├── grasp_task.py                 # 抓取任务主控节点
│   │   │   ├── yaw_align.py                  # 偏航对齐节点（整机旋转）
│   │   │   ├── waist_align.py                # 腰部对齐节点
│   │   │   ├── waist_tracker.py              # 腰部追踪控制器
│   │   │   ├── loco_forward.py               # Loco 前进节点
│   │   │   ├── rgbd_capture.py               # RGBD 数据采集节点
│   │   │   ├── _dds_compat.py                # CycloneDDS 兼容层
│   │   │   └── distence.py                   # 距离估算工具
│   │   ├── arm/                              # 手臂控制脚本（unitree_sdk2py，非 ROS2 节点）
│   │   │   ├── armup.py                      # 手臂抓取（伸出→抬起→夹紧，完成后自动退出）
│   │   │   ├── armdown.py                    # 手臂放下（夹紧→下放→归零释放，完成后自动退出）
│   │   │   ├── arm.py                        # 手臂 SDK 基础控制
│   │   │   └── arm_multi_pose_demo.py        # 多姿态演示
│   │   ├── launch/
│   │   │   ├── yolo_nav.launch.py            # 导航管线启动文件
│   │   │   └── grasp_task.launch.py          # 抓取任务启动文件
│   │   ├── config/
│   │   │   └── yolo_nav.yaml                 # 参数配置
│   │   ├── package.xml
│   │   ├── setup.py
│   │   ├── setup.cfg
│   │   ├── resource/
│   │   └── yolo_v11x_best.pt                 # YOLOv11 自定义训练模型权重
│   └── base/                                 # G1 机器人基础包
│       ├── g1_description/                   # URDF/MJCF 模型（12/23/29dof 变体）
│       ├── g1_driver_py/                     # ROS2 驱动：odom, TF, joint_states
│       ├── g1_teleop_ctrl_keyboard/          # 键盘遥控（Sport API）
│       ├── g1_twist_bridge_py/               # Twist → Sport API 桥接
│       └── h1_description/                   # H1 机器人描述
├── requirements.txt
└── README.md

cd ~/g1act_ws/manact_ws
git pull
colcon build --packages-skip h1_description

cd ~/g1act_ws/manact_ws
source ~/g1act_venv/bin/activate
. install/setup.bash

文件	说明
yolo_v11x_best.pt	YOLOv11x 自定义训练模型权重文件，用于目标检测推理

该模型为已训练完成的 YOLOv11 权重文件，部署时放置于 src/g1_yolo_nav_py/ 根目录下，通过 launch 参数 model_path 指定加载路径。

实验室要求：每个实验者必须使用独立的 Python 虚拟环境，禁止在主系统 Python 中安装包。 禁止混用 ROS1 与 ROS2，禁止修改 ~/.bashrc 中的 ROS 配置。

# --- 首次搭建 ---

# 1) 创建虚拟环境（允许访问系统已安装的 ROS2 / unitree_sdk2py）
python3 -m venv ~/g1act_venv --system-site-packages

# 2) 激活虚拟环境
source ~/g1act_venv/bin/activate

# 3) 安装项目依赖
cd ~/g1act_ws/manact_ws
pip install -r requirements.txt

# 4) 编译 ROS2 工作空间
colcon build

# --- 每次启动项目 ---

# 激活虚拟环境（每次开新终端都需要执行）
source ~/g1act_venv/bin/activate

# 加载 ROS2 工作空间
cd ~/g1act_ws
. install/setup.bash

# 之后即可运行项目（见下方各功能说明）

说明：

• --system-site-packages 让虚拟环境可以访问系统级已安装的 rclpy、unitree_sdk2py 等， 避免在虚拟环境中重复安装 ROS2 等大型依赖。
• ultralytics、opencv-python、numpy 等项目依赖安装在虚拟环境中，与系统环境隔离。
• 如需确认是否在虚拟环境中：which python3 应输出 ~/g1act_venv/bin/python3。
• 退出虚拟环境：deactivate

source ~/g1act_venv/bin/activate   # 激活虚拟环境

# 编译
colcon build --packages-select g1_yolo_nav_py
. install/setup.bash

# 运行完整导航管线（需先启动相机驱动和 TF 树）
ros2 launch g1_yolo_nav_py yolo_nav.launch.py

# 启用 Nav2 导航 + 深度传感器
ros2 launch g1_yolo_nav_py yolo_nav.launch.py use_nav2:=true use_depth_sensor:=true

PyTorch 的 libgomp 在 aarch64 上需要 LD_PRELOAD，而 ros2 run 会清除该环境变量， 因此需使用 wrapper 脚本启动。

source ~/g1act_venv/bin/activate   # 激活虚拟环境

# 编译
colcon build --packages-select g1_yolo_nav_py

# 使用 wrapper 脚本启动 YOLO 检测（自动注入 LD_PRELOAD）
./run_yolo.sh

# 手动设置 LD_PRELOAD 后直接运行
. install/setup.bash
export LD_PRELOAD=~/.local/lib/python3.8/site-packages/torch.libs/libgomp-804f19d4.so.1.0.0
python3 -m g1_yolo_nav_py.yolo_detector

# 其他节点（不依赖 PyTorch）可直接 ros2 run
ros2 run g1_yolo_nav_py yaw_align
ros2 run g1_yolo_nav_py waist_align
ros2 run g1_yolo_nav_py loco_forward

run_yolo.sh 内容参考：

#!/bin/bash
cd $(dirname $0)
. install/setup.bash
export LD_PRELOAD=~/.local/lib/python3.8/site-packages/torch.libs/libgomp-804f19d4.so.1.0.0
export DISPLAY=:0              # SSH 远程时显示窗口到机器人桌面
python3 -m g1_yolo_nav_py.yolo_detector

远程查看可视化窗口：机器人有桌面环境时，SSH 登录后设置 export DISPLAY=:0， 即可将 cv2.imshow 窗口显示在机器人本机屏幕上。也可通过 VNC/RDP 远程桌面查看。

一行命令采集带检测框的彩色图像 + 深度图，默认每 5s 采集一帧，持续 60s（共 12 帧）。

# 前提：相机 + YOLO 检测已启动（见上方「仅测试 YOLO 目标检测」）
# 相机启动时需开启深度对齐：
ros2 launch realsense2_camera rs_launch.py \
    camera_namespace:=robot1 camera_name:=D455_1 \
    align_depth.enable:=true

# 编译 + 运行采集
source ~/g1act_venv/bin/activate
colcon build --packages-select g1_yolo_nav_py && . install/setup.bash
ros2 run g1_yolo_nav_py rgbd_capture

输出目录结构（默认保存在 src/g1_yolo_nav_py/rgbd_data/）：

rgbd_data/
├── img/            # 彩色图像（带检测框标注），.jpg
│   ├── 0000.jpg
│   ├── 0005.jpg
│   └── ...
└── d/              # 深度图（16位 PNG，单位 mm）
    ├── 0000.png
    ├── 0005.png
    └── ...
文件名一一对应：0000.jpg ↔ 0000.png

自定义参数：

# 每 2s 采集一次，持续 30s
ros2 run g1_yolo_nav_py rgbd_capture --ros-args \
  -p interval_sec:=2.0 -p duration_sec:=30.0

# 指定输出目录
ros2 run g1_yolo_nav_py rgbd_capture --ros-args \
  -p output_dir:=/tmp/my_capture

# 指定深度话题（默认对齐到彩色的深度图）
ros2 run g1_yolo_nav_py rgbd_capture --ros-args \
  -p depth_topic:=/robot1/D455_1/depth/image_rect_raw

参数	默认值	说明
interval_sec	5.0	采集间隔（秒）
duration_sec	60.0	总采集时长（秒）
output_dir	src/g1_yolo_nav_py/rgbd_data/	输出目录
color_topic	/robot1/D455_1/color/image_raw	彩色图像话题
depth_topic	/robot1/D455_1/aligned_depth_to_color/image_raw	深度图话题

注意：深度图需要相机启动时加 align_depth.enable:=true 参数，否则深度话题无数据。 如无深度相机，节点仍会保存彩色图像，日志提示"无深度"。

如果只需验证 YOLO 检测功能，无需启动完整导航管线：

# 1. 启动 D455 相机（终端 1）
ros2 launch realsense2_camera rs_launch.py camera_namespace:=robot1 camera_name:=D455_1

# 2. 编译并启动 YOLO 检测节点（终端 2）
source ~/g1act_venv/bin/activate
colcon build --packages-select g1_yolo_nav_py
. install/setup.bash
ros2 run g1_yolo_nav_py yolo_detector          # x86
# 或 ./run_yolo.sh                               # aarch64 机器人

# 3. 启动可视化节点（终端 3）
ros2 run g1_yolo_nav_py detection_visualizer
# 自动将标注图像发布到 /g1/vision/annotated_image 话题
# 如 X11 可用，同时弹出窗口显示

# 4. 查看标注图像（终端 4）
# 方式 A：rviz2（推荐，ROS2 自带）
sudo xhost +local:                              # 首次需授权 X11
DISPLAY=:0 rviz2
# 在 rviz2 中：Add → By topic → /g1/vision/annotated_image → Image

# 方式 B：rqt_image_view（轻量）
DISPLAY=:0 rqt_image_view                       # 下拉选择 /g1/vision/annotated_image

# 方式 C：确认数据是否在发布
ros2 topic hz /g1/vision/annotated_image

# 或查看原始检测结果文本
ros2 topic echo /g1/vision/detections

SSH 远程窗口提示：如需在机器人桌面弹出 cv2/rviz2 窗口，先执行 sudo xhost +local: 解除 X11 认证限制， 可视化节点会自动检测 X11 并尝试弹窗，失败时自动降级为纯话题发布模式。

自定义参数示例：

# 指定检测目标为 person
ros2 run g1_yolo_nav_py yolo_detector --ros-args -p target_classes:='["person"]'

# 指定自定义模型路径
ros2 run g1_yolo_nav_py yolo_detector --ros-args -p model_path:=/path/to/model.pt

# 查看模型所有可用类别（在 Python 中执行）
python3 -c "from ultralytics import YOLO; print(YOLO('src/g1_yolo_nav_py/yolo_v11x_best.pt').names)"

三个独立程序，可单独调试：

程序	功能	控制方式	入口命令
yaw_align	整机旋转让目标居中	cmd_vel → Sport API	ros2 run g1_yolo_nav_py yaw_align
waist_align	腰部旋转让目标居中	Arm SDK DDS	ros2 run g1_yolo_nav_py waist_align eth0
loco_forward	对齐后前进到目标	LocoClient RPC	ros2 run g1_yolo_nav_py loco_forward eth0

网络接口参数：waist_align 和 loco_forward 使用 unitree_sdk2py 的 DDS 通信， 需要指定正确的网络接口名（如 eth0、enx...），否则 DDS 初始化会失败。 可通过 ip link show | grep 'state UP' 查看可用接口。 也可通过 ROS2 参数指定：--ros-args -p network_interface:=eth0

yaw_align vs waist_align：

• yaw_align 使用高层 /cmd_vel 控制整机旋转（angular.z），无需 DDS 依赖，更简单安全
• waist_align 使用低层 DDS 直接控制腰部关节，精度更高但需要 unitree_sdk2py
• 两者不能同时运行，选择一种即可

工作流程（两个节点协作）：

  YOLO检测 ──→ yaw_align 或 waist_align ──→ loco_forward(Loco前进)
                目标居中后才允许前进             居中+稳定 → Move(vx)

前置条件：

• G1 机器人已连接并处于站立状态
• 相机已启动并发布图像
• yaw_align 无额外依赖；waist_align / loco_forward 需 unitree_sdk2py（已安装）

---

两种方案互斥，同一时间只能运行一种。建议先分别调试，再选定最优方案。

方案 A：偏航对齐 (yaw_align)

终端 1: ros2 launch realsense2_camera rs_launch.py \     # 相机
            camera_namespace:=robot1 camera_name:=D455_1
终端 2: ./run_yolo.sh                                   # YOLO 检测
终端 3: ros2 run g1_yolo_nav_py yaw_align               # 整机旋转对齐
终端 4: ros2 run g1_twist_bridge_py twist_bridge         # cmd_vel → Sport API
终端 5: ros2 run g1_yolo_nav_py detection_visualizer    # 可视化（可选）

方案 B：腰部对齐 (waist_align)

终端 1: ros2 launch realsense2_camera rs_launch.py \     # 相机
            camera_namespace:=robot1 camera_name:=D455_1
终端 2: ./run_yolo.sh                                   # YOLO 检测
终端 3: ros2 run g1_yolo_nav_py waist_align              # 腰部旋转对齐
终端 4: ros2 run g1_yolo_nav_py detection_visualizer    # 可视化（可选）
# 不需要 twist_bridge，直接 DDS 控制腰部关节

查看可视化画面：

# 方式 1：rviz2（推荐）
sudo xhost +local: && DISPLAY=:0 rviz2
# Add → By topic → /g1/vision/annotated_image → Image

# 方式 2：rqt_image_view
DISPLAY=:0 rqt_image_view  # 下拉选择 /g1/vision/annotated_image

切换方式：

# 方案 A → 方案 B：在终端 3 按 Ctrl+C 停止 yaw_align，然后启动 waist_align
ros2 run g1_yolo_nav_py waist_align

# 方案 B → 方案 A：在终端 3 按 Ctrl+C 停止 waist_align，然后启动 yaw_align
ros2 run g1_yolo_nav_py yaw_align
# 注意：yaw_align 需要额外运行 twist_bridge（终端 4）

对比评估要点：

评估项	yaw_align (整机旋转)	waist_align (腰部旋转)
响应速度	□ 快 / □ 慢	□ 快 / □ 慢
稳定性（静止时不抖）	□ 稳定 / □ 抖动	□ 稳定 / □ 抖动
追踪精度	□ 精准 / □ 偏移	□ 精准 / □ 偏移
脚部稳定性	□ 站稳 / □ 晃动	□ 站稳 / □ 晃动
依赖复杂度	低（仅需 twist_bridge）	高（需 unitree_sdk2py + DDS）
最终选择	□	□

调试技巧：同一位姿下，先跑方案 A 记录表现，Ctrl+C 切换到方案 B 再记录，直接对比最直观。

---

目的：确认腰部能正确追踪目标，让目标保持在画面中心。

# 终端 1：启动相机
ros2 launch realsense2_camera rs_launch.py \
    camera_namespace:=robot1 camera_name:=D455_1

# 终端 2：编译 + 启动检测
source ~/g1act_venv/bin/activate
colcon build --packages-select g1_yolo_nav_py && . install/setup.bash
ros2 run g1_yolo_nav_py yolo_detector

# 终端 3：启动腰部对齐（先只跑这个！）
ros2 run g1_yolo_nav_py waist_align

# 或一键启动（仅腰部对齐，不含前进）
ros2 launch g1_yolo_nav_py yolo_nav.launch.py enable_waist_tracking:=true

观察要点：

• 日志应显示 "腰部对齐控制启动"
• 把椅子放在机器人前方偏左/偏右 → 腰部应该自动转向
• 目标在画面正中央时腰部停止转动

腰部对齐参数：

参数	默认值	调试建议
waist_kp	1.5	太慢→增大(如2.0)，抖动→减小(如0.8)
center_tolerance	0.08	容差范围，太小会不停微调
max_waist_speed	0.5 rad/s	追踪最大转速
max_waist_angle	0.8 rad (~45°)	最大转角限制

参数调优：

# 追踪太慢 — 增大 kp
ros2 run g1_yolo_nav_py waist_align --ros-args -p waist_kp:=2.5

# 抖动太厉害 — 减小 kp + 放宽容差
ros2 run g1_yolo_nav_py waist_align --ros-args \
  -p waist_kp:=0.8 -p center_tolerance:=0.12

# 多网卡指定接口
ros2 run g1_yolo_nav_py waist_align --ros-args -p network_interface:=eth0

调试通过标志：目标移动时腰部能平滑跟踪，目标停在画面中央时腰部稳定不抖。✅

---

前提：步骤一的对齐已经正常工作。

目的：确认目标居中后机器人能正确前进并自动停止。

# 在步骤一的基础上，额外开一个终端：
# 终端 4：启动 Loco 前进
ros2 run g1_yolo_nav_py loco_forward

观察要点：

• 当目标在画面中心且持续 >0.8s 后，日志显示 "开始前进"
• 机器人以设定的速度向前走
• 检测框变大到占画面 45% 以上时，日志显示 "到达目标!" 并停止
• 目标丢失或偏离中心时自动停止前进

Loco 前进参数：

参数	默认值	调试建议
forward_speed	0.3 m/s	首次调试建议用 0.1~0.2
align_stable_time	0.8 s	居中多久才开始前进
arrive_bbox_ratio	0.45	检测框占比，越大=停得越远
center_tolerance	0.08	与对齐节点保持一致
check_rate	10 Hz	判断频率

参数调优：

# 首次调试用低速度确保安全
ros2 run g1_yolo_nav_py loco_forward --ros-args -p forward_speed:=0.15

# 想让机器人离目标更近才停下（提高阈值）
ros2 run g1_yolo_nav_py loco_forward --ros-args -p arrive_bbox_ratio:=0.6

# 加速判断（减少延迟）
ros2 run g1_yolo_nav_py loco_forward --ros-args \
  -p align_stable_time:=0.3 -p check_rate:=20.0

调试通过标志：机器人能正确前进、到达目标附近停止、目标丢失时立即停止。✅

---

对齐和前进都调通后，可以一起使用：

# 方式 A：手动分别启动（推荐调试，方便看各自日志）
# 终端 2: ros2 run g1_yolo_nav_py yolo_detector
# 终端 3: ros2 run g1_yolo_nav_py yaw_align
# 终端 4: ros2 run g1_twist_bridge_py twist_bridge
# 终端 5: ros2 run g1_yolo_nav_py loco_forward

# 方式 B：launch 一键启动
ros2 launch g1_yolo_nav_py yolo_nav.launch.py enable_waist_tracking:=true

安全提示：

• 首次联调时 forward_speed 建议 ≤ 0.2 m/s
• 随时准备按遥控器急停
• 确保前方无障碍物

基于 tkinter 的图形化控制界面，集成检测可视化 + 手动遥控 + 一键抓取任务全流程。

功能：

• 左右双画布：原始相机图像 + YOLO 检测标注图像
• 方向按钮：前进/后退/左转/右转/停止（IDLE 状态下可用）
• 任务按钮：搜索/抓取/放下/右转放下
• 速度滑块：0.05~0.5 m/s 可调
• 实时 FPS、状态机状态、检测信息显示
• 底部日志栏：arm 脚本输出实时显示

状态机流程：

IDLE → [搜索] → SEARCHING（旋转找目标）
                  ↓ 目标出现
                ALIGNING（偏航对齐居中）
                  ↓ 居中稳定
                APPROACHING（前进接近）
                  ↓ 到达目标
                GRABBING（执行 armup.py）
                  ↓ 抓取完成
                MENU（可放下/右转放下）
                  ↓ 放下完成
                IDLE

运行：

source ~/g1act_venv/bin/activate
cd ~/g1act_ws/manact_ws
colcon build --packages-select g1_yolo_nav_py && . install/setup.bash

# 需要同时运行 YOLO 检测（否则无检测结果）
# 终端 1：YOLO 检测
ros2 run g1_yolo_nav_py yolo_detector

# 终端 2：控制面板
ros2 run g1_yolo_nav_py control_panel

# 如果使用 cmd_vel 控制运动，还需启动 twist_bridge
# 终端 3：twist_bridge
ros2 run g1_twist_bridge_py twist_bridge

注意：控制面板不使用 unitree_sdk2py（避免 DDS 冲突导致收不到图像）， 所有运动控制通过 cmd_vel → twist_bridge → Sport API 完成。

参数：

参数	默认值	说明
image_topic	/D455_1/color/image_raw	相机图像话题
detection_topic	/g1/vision/detections	检测结果话题
target_class_id	chair	目标类别
forward_speed	0.2	前进速度 m/s
search_yaw_speed	0.3	搜索旋转速度 rad/s
yaw_kp	2.0	偏航对齐 P 增益
arrive_bbox_ratio	0.45	到达判断阈值
arm_script_dir	~/g1act_ws/manact_ws/src/g1_yolo_nav_py/arm	arm 脚本目录

依赖： pip install pillow（PIL 图像显示）

---

自动执行：目标检测 → 偏航对齐 → 前进接近 → 抓取 → 交互菜单。

前置条件：

• G1 机器人已连接并站立
• unitree_sdk2py 已安装在系统环境中
• armup.py / armdown.py 已就位（src/g1_yolo_nav_py/arm/ 目录下，抓取/放下完成后自动退出）

实机运行（一键启动）：

source ~/g1act_venv/bin/activate   # 激活虚拟环境
cd ~/g1act_ws/manact_ws
colcon build --packages-select g1_yolo_nav_py && . install/setup.bash

# 一键启动全流程（相机 + 检测 + 桥接 + 抓取任务）
ros2 launch g1_yolo_nav_py grasp_task.launch.py

# 检测瓶子、降低速度
ros2 launch g1_yolo_nav_py grasp_task.launch.py \
    target_class:=bottle forward_speed:=0.15

# 相机已在其他地方启动时
ros2 launch g1_yolo_nav_py grasp_task.launch.py start_camera:=false

aarch64 自动处理：launch 文件在 ARM 平台自动注入 LD_PRELOAD（解决 libgomp TLS 问题），x86 上则正常启动。

手动分步启动（调试用）：

# 终端 1：相机
ros2 launch realsense2_camera rs_launch.py \
    camera_namespace:=robot1 camera_name:=D455_1 align_depth.enable:=true

# 终端 2：YOLO 检测
./run_yolo.sh

# 终端 3：twist_bridge
ros2 run g1_twist_bridge_py twist_bridge

# 终端 4：抓取任务（需指定网络接口）
ros2 run g1_yolo_nav_py grasp_task eth0

执行流程与关键日志：

==================================================
G1 抓取任务启动
目标类别: chair
armup: ~/g1act_ws/manact_ws/src/g1_yolo_nav_py/arm/armup.py
armdown: ~/g1act_ws/manact_ws/src/g1_yolo_nav_py/arm/armdown.py
==================================================
[LocoClient] 初始化成功
[SEARCHING]  旋转搜索目标...
[检测] 识别到目标: chair, 置信度=95%, u=0.32
[状态] SEARCHING → ALIGNING: 目标已找到
[状态] ALIGNING → APPROACHING: 目标已居中
[状态] APPROACHING → GRABBING: 到达目标! bbox=0.46 >= 0.45
[抓取] 执行 armup.py ...
[抓取] armup.py 执行完成

抓取完成后自动弹出交互菜单：

========================================
  G1 抓取任务 — 操作菜单
========================================
  1. 放下目标物
  2. 右转放下目标物
  3. 自定义控制（输入 xyz）
  4. 退出
========================================
请选择 [1-4]:

选项	动作	说明
1	执行 armdown.py	原地放下目标物
2	右转 90° +armdown.py	转身后放下
3	输入 x y z 控制移动	如 0.2 0.0 0.3，输入 q 停止返回
4	安全退出	停止运动并退出程序

参数调优：

# 检测瓶子、降低速度
ros2 run g1_yolo_nav_py grasp_task --ros-args \
  -p target_class_id:=bottle \
  -p forward_speed:=0.15 \
  -p arrive_bbox_ratio:=0.5

# 自定义 arm 脚本目录
ros2 run g1_yolo_nav_py grasp_task --ros-args \
  -p arm_script_dir:=/home/unitree/my_arm_scripts

参数	默认值	说明
target_class_id	chair	YOLO 检测目标类别
forward_speed	0.2 m/s	接近速度（首次建议 0.15）
arrive_bbox_ratio	0.45	检测框占比到达阈值
search_yaw_speed	0.3 rad/s	搜索旋转速度
yaw_kp	2.0	偏航对齐 P 增益
lost_timeout	2.0 s	目标丢失超时
arm_script_dir	~/g1act_ws/manact_ws/src/g1_yolo_nav_py/arm	arm 脚本目录

安全提示：首次运行建议 forward_speed:=0.15，随时准备急停。

---