简单看一下ROSPY

开始之前，首先要认识一下ROS里面的传感器

1 Imu.msg 陀螺仪数据，加速度m/s2，旋转速度rad/s，
（1）Header header 时间戳与坐标系 （2）geometry_msgs/Quaternion orientation 四元数表示方向 （3）float64[9] orientation_covariance协方差
（4）geometry_msgs/Vector3 angular_velocity 角速度 （5）float64[9] angular_velocity_covariance 角速度协方差 （6）geometry_msgs/Vector3 linear_acceleration 线性加速度（7）float64[9] linear_acceleration_covariance 线性加速度的协方差
2 Joy.msg 遥控器输出数据
（1）Header header时间戳
（2）float32[] axes 轴反馈
（3）int32[] buttons 按钮反馈
3 LaserScan.msg 线激光
（1）Header header 第一束光线获取的时间戳，frame_id 中，角度增益正向为z轴逆时针旋转，0角度为x轴正向
（2） float32 angle_min， float32 angle_max ，float32 angle_increment 起始角，结束角度，角度增益 （rad）
（3）float32 time_increment 两次测量之间的时间差（s），用于激光摄像头移动时，3d点的插入
（4）float32 scan_time 两次扫描之间的时间差（s）
（5）float32 range_min，float32 range_max 激光测距仪的最小距离、最大距离 （m）
（6）float32[] ranges 距离数组（m）
（7）float32[] intensities 强度数组（没有）
4 JointState.msg 关节状态（由扭矩控制的关节）
（1）std_msgs/Header header
（2）string[] name
（3）float64[] position 位置（m或rad）
（4）float64[] velocity速度（m/s或rad/s）
（5）float64[] effort 力（Nm或N）
资料来自：http://blog.csdn.net/ji0525084/article/details/14134367
因为我用的是纯粹的激光扫描，视觉图像方面的暂时线pass掉了。

其次认识一下 geometry_msgs消息类型

Point 点
float64 x ，float64 y，float64 z
Point32 float32 x，float32 y，float32 z 一般使用Point，大规模点云使用Point32
PointStamped
（1）std_msgs/Header header 包含坐标系和时间戳信息 （2）geometry_msgs/Point point 点
Polygon 多边形 geometry_msgs/Point32[] points
PolygonStamped
（1）std_msgs/Header header
（2）geometry_msgs/Polygon polygon
Pose 位姿（1）geometry_msgs/Point position 位置 （2）geometry_msgs/Quaternion orientation 姿态，即方向
Pose2D 2d平面的位姿float64 x，float64 y，float64 theta
PoseArray 位姿序列
（1）std_msgs/Header header
（2）geometry_msgs/Pose[] poses
PoseStamped 位姿
（1）std_msgs/Header header
（2）geometry_msgs/Pose pose
PoseWithCovariance
（1）geometry_msgs/Pose pose 即(x, y, z, X 旋转, Y旋转, Z旋转)（2）float64[36] covariance协方差
PoseWithCovarianceStamped
（1）std_msgs/Header header （2）geometry_msgs/PoseWithCovariance pose
Quaternion 四元数旋转float64 x，float64 y，float64 z，float64 w
QuaternionStamped
Transform 坐标系之间的变换
（1）geometry_msgs/Vector3 translation 平移向量 （2）geometry_msgs/Quaternion rotation 旋转向量
TransformStamped
Twist 速度
（1）geometry_msgs/Vector3 linear 线速度（2）geometry_msgs/Vector3 angular角速度
TwistStamped
TwistWithCovariance
TwistWithCovarianceStamped
Vector3 向量float64 x，float64 y，float64 z
Vector3Stamped
Wrench 力
（1）geometry_msgs/Vector3 force 力（2）geometry_msgs/Vector3 torque 扭矩
WrenchStamped

趁热打铁看一下nav_msgs消息类型

一、消息类型

1 GridCells 栅格单元
（1）std_msgs/Header header头，时间戳与坐标系
（2）float32 cell_width，float32 cell_height宽度与高度
（3）geometry_msgs/Point[] cells数组
2 MapMetaData 占有率栅格地图数据
（1）time map_load_time 地图被加载的时间
（2）float32 resolution 分辨率（m/cell）（3）uint32 width，uint32 height （4）geometry_msgs/Pose origin 真实世界中的原点 (m,m,rad) 图像中的(0,0)点
3 OccupancyGrid 2d栅格地图
（1）Header header
（2）nav_msgs/MapMetaData info 地图信息
（3）int8[] data 占有率地图数据序列，概率为【0-100】，未知为-1
4 Odometry 估计的位姿与速度
（1）std_msgs/Header header 位姿所在坐标系
（2）string child_frame_id 速度所在坐标系 （3）geometry_msgs/PoseWithCovariance pose 位姿 （4）geometry_msgs/TwistWithCovariance twist 速度
5 Path 路径
（1）Header header
（2）geometry_msgs/PoseStamped[] poses 代表路径的三维点坐标数组
二、服务
1 GetMap.srv 接收地图
不发送数据
接受：nav_msgs/OccupancyGrid map
2 GetPlan.srv 规划当前位置到目标位置的路径
发送（1）geometry_msgs/PoseStamped start 起始点
（2）geometry_msgs/PoseStamped goal 目标点
（3） float32 tolerance 如果不能到达目标，最近可到的约束
-接受
nav_msgs/Path plan 路径

现在可以看一下ROSPY

还真是没什么东西
python的math模块 http://blog.csdn.net/iamaiearner/article/details/9381347
math.copysign(x,y)—返回与y同号的x值
sqrt–返回平方根
pow（x，y）–返回x的y次方

对着下面检查直线距离的程序demo捋一遍吧

#!/usr/bin/env pythonimport rospy from geometry_msgs.msg import Twist, Point //导入点和速度from math import copysign, sqrt, powimport tf#校正的类class CalibrateLinear():    def __init__(self):        # Give the node a name        rospy.init_node('calibrate_linear', anonymous=False        # Set rospy to execute a shutdown function when terminating the script        rospy.on_shutdown(self.shutdown)        # How fast will we check the odometry values? 读取里程计的速率        self.rate = rospy.get_param('~rate', 20)        r = rospy.Rate(self.rate)        # Set the distance to travel         self.test_distance = rospy.get_param('~test_distance', 1.0) # meters        self.speed = rospy.get_param('~speed', 0.15) # meters per second        self.tolerance = rospy.get_param('~tolerance', 0.01) # meters        self.odom_linear_scale_correction = rospy.get_param('~odom_linear_scale_correction', 1.0)        self.start_test = rospy.get_param('~start_test', True)        # Publisher to control the robot's speed        self.cmd_vel = rospy.Publisher('/cmd_vel', Twist, queue_size=5)        # The base frame is base_footprint for the TurtleBot but base_link for Pi Robot        self.base_frame = rospy.get_param('~base_frame', '/base_footprint')        # The odom frame is usually just /odom        self.odom_frame = rospy.get_param('~odom_frame', '/odom')        # Initialize the tf listener        self.tf_listener = tf.TransformListener()        # Give tf some time to fill its buffer        rospy.sleep(2)        # Make sure we see the odom and base frames        self.tf_listener.waitForTransform(self.odom_frame, self.base_frame, rospy.Time(), rospy.Duration(60.0))                rospy.loginfo("Bring up rqt_reconfigure to control the test.")        self.position = Point()        # Get the starting position from the tf transform between the odom and base frames        self.position = self.get_position()        x_start = self.position.x        y_start = self.position.y        move_cmd = Twist()        while not rospy.is_shutdown():            # Stop the robot by default            move_cmd = Twist()            if self.start_test:                # Get the current position from the tf transform between the odom and base frames                self.position = self.get_position()                # Compute the Euclidean distance from the target point                distance = sqrt(pow((self.position.x - x_start), 2) +                                pow((self.position.y - y_start), 2))                # Correct the estimated distance by the correction factor                distance *= self.odom_linear_scale_correction                # How close are we?                error =  distance - self.test_distance                # Are we close enough?                if not self.start_test or abs(error) <  self.tolerance:                    self.start_test = False                    params = {'start_test': False}                    rospy.loginfo(params)                else:                    # If not, move in the appropriate direction                    move_cmd.linear.x = copysign(self.speed, -1 * error)            else:                self.position = self.get_position()                x_start = self.position.x                y_start = self.position.y            self.cmd_vel.publish(move_cmd)            r.sleep()        # Stop the robot        self.cmd_vel.publish(Twist())    def get_position(self):        # Get the current transform between the odom and base frames        try:            (trans, rot)  = self.tf_listener.lookupTransform(self.odom_frame, self.base_frame, rospy.Time(0))        except (tf.Exception, tf.ConnectivityException, tf.LookupException):            rospy.loginfo("TF Exception")            return        return Point(*trans)    def shutdown(self):        # Always stop the robot when shutting down the node        rospy.loginfo("Stopping the robot...")        self.cmd_vel.publish(Twist())        rospy.sleep(1)if __name__ == '__main__':    try:        CalibrateLinear()        rospy.spin()    except:        rospy.loginfo("Calibration terminated.")