1. 文档目的

本文档整理适合本项目使用的 GitHub 开源项目，目标是为“立体仓四足巡检机器人”筛选出可直接参考或二次开发的开源基础。

调研重点不是泛泛找“机器人项目”或“二维码项目”，而是围绕以下目标筛选：

  1. 适合四足机器人或 ROS2 机器人平台集成。
  2. 能支持仓储场景中的导航、SLAM、任务执行。
  3. 能对纸箱上的二维码进行较高鲁棒性的识别。
  4. 尽量适配 Jetson Orin、Ubuntu 22.04、ROS 2 Humble 路线。

调研时间：2026-06-30

2. 总体结论

当前没有发现一个开箱即用的完整开源项目，能够同时满足以下三点：

  1. 四足机器人平台。
  2. 立体仓巡检任务流。
  3. 高位纸箱二维码高清稳定识别。

因此更现实的落地方式是组合式选型：

  • 机器人平台项目负责底盘通信、SLAM、导航和 ROS2 接口。
  • 仓储机器人项目负责参考任务流和业务组织方式。
  • 二维码项目负责高鲁棒性定位、增强与解码。

本结论是基于下文仓库 README、功能描述和仓库定位做出的工程判断，不是单个仓库官方自述。

3. 推荐开源项目清单

3.1 四足机器人平台与 ROS2 集成

A. unitreerobotics/unitree_ros2

– 可作为 Go2 / B2 等四足底盘的官方接口层。

– 适合做机器人底座控制、状态读取、后续 ROS2 集成。

  • 优点：

– 官方仓库，路线稳定。

– 适合长期工程化使用。

  • 局限：

– 不直接提供仓储巡检业务闭环。

– 不自带高清二维码识别方案。

  • 适配判断：

– 适合作为本项目底盘通信基础。

B. abizovnuralem/go2_ros2_sdk

– 已覆盖相机流、SLAM、导航、目标检测等常见能力。

– 离“快速搭样机”更近。

  • 优点：

– 集成度高。

– 比只拿官方底层 SDK 更快进入功能验证阶段。

  • 局限：

– 非官方项目，版本稳定性和长期维护性需自行评估。

– 高鲁棒性二维码识别仍需自行补强。

  • 适配判断：

– 适合本项目 MVP 阶段快速起步。

C. Unitree-Go2-Robot/go2_robot

– 适合参考 pointcloud、SLAM、Nav2、RealSense 接入方式。

– 能减少四足底层通信与导航接入工作量。

  • 优点：

– 更偏完整机器人集成，而不是单纯通信 SDK。

– 适合作为整机 ROS2 工作空间参考。

  • 局限：

– 仍然不是仓储业务项目。

– 不包含高位纸箱二维码专项优化。

  • 适配判断：

– 可与本项目的软件架构直接对接。

3.2 仓储 / 巡检 / 任务流参考项目

D. NXP-Robotics/NXP_AIM_INDIA_2025

– 项目描述中明确包含自主导航、YOLO 识别和前置相机二维码解码。

– 很接近“到点移动 + 视觉识别 + 任务执行”的业务链路。

  • 优点：

– 在任务流结构上接近本项目。

– 可参考行为组织、识别链路和 ROS2 节点划分。

  • 局限：

– 目标平台不是四足，而是其他机器人平台。

– 不是为高货架、高位纸箱二维码而设计。

  • 适配判断：

– 适合拿来借鉴任务状态机和识别流程，不适合直接复用整套硬件路线。

E. Trkkhrmn/ros2_amr_mecanumbot

– 项目包含 Nav2、SLAM、Jetson 部署和 QR 任务管理。

– 适合作为仓储任务分解和部署流程参考。

  • 优点：

– 文档相对完整。

– 与 Jetson + ROS2 的组合接近。

  • 局限：

– 是轮式 AMR，不是四足。

– QR 更偏任务引导与导航，不是高清货箱识码。

  • 适配判断：

– 适合作为软件部署、任务管理和 Jetson 侧运行参考。

F. Elsayed-Ayman-Habib/Autonomous_Robotic_Forklift

– 仓储物流语义更接近本项目。

– 项目介绍中包含 YOLO 与二维码扫描链路。

  • 优点：

– 业务场景贴近仓内物流。

– 可参考异常识别、搬运与识别如何协同。

  • 局限：

– 平台形态完全不同。

– 识码方案更像基础版，不是高鲁棒性高清识别方案。

  • 适配判断：

– 适合做仓储业务参考，不适合直接做四足方案底座。

3.3 高清二维码识别候选项目

G. Eric-Canas/QReader

– 适合先在大图中定位小二维码，再做解码。

– 对困难图像、复杂角度和远距离场景更有参考价值。

  • 优点：

– 上手快，适合做 Python 原型。

– 思路和本项目“先定位，再局部解码”完全一致。

  • 局限：

– Python 路线更适合验证，不一定直接作为最终生产模块。

– 要上 Jetson 生产环境时，仍需测推理速度与依赖稳定性。

  • 适配判断：

– 这是本项目最值得优先试验的二维码能力候选之一。

H. Eric-Canas/QRdet

– 只负责检测，不绑定具体解码器。

– 可与 WeChat QRCode、ZXing-C++ 等解码器自由组合。

  • 优点：

– 结构清晰，适合拆解成 ROS2 节点。

– 更利于构建“检测与解码分离”的工程方案。

  • 局限：

– 需要你自己补全后处理、局部增强和解码部分。

  • 适配判断：

– 很适合本项目做中间层能力。

I. Tianxiaomo/qrdecoder

– 对倾斜、模糊、复杂图像的鲁棒性强。

– 比基础规则法更适合高处纸箱二维码。

  • 优点：

– 工业可用性强。

– C++ 路线适合后续产品化。

  • 局限：

– 集成复杂度高于简单 Python 包。

– 需要自行封装成 ROS2 可用模块。

  • 适配判断：

– 如果后续走正式工程化落地，这是强候选。

J. zxing-cpp/zxing-cpp

– 支持 QR、DataMatrix、Code128 等常见码制。

– 工程整合价值高，生态成熟。

  • 优点：

– C++ 工程化强。

– 多码制兼容能力好。

  • 局限：

– 对远距离小二维码，通常仍建议在前面增加目标检测或裁剪放大。

  • 适配判断：

– 适合作为解码层，不建议单独扛完整复杂场景。

K. ros-drivers/zbar_ros

– 能快速接入 ROS2 图像流。

– 适合做最基础的扫码通路验证。

  • 优点：

– 使用简单。

– 和 ROS2 结合直接。

  • 局限：

– 对高位、小码、模糊、倾斜和反光场景上限偏低。

  • 适配判断：

– 适合作为基线方案，不适合作为本项目主识码方案。

L. dlbeer/quirc

– 适合嵌入式、轻量级实时场景。

– 作为备用解码器有价值。

  • 优点：

– 体量小。

– 性能轻。

  • 局限：

– 不适合直接承担高难度远距识码主链路。

– 历史 issue 中可以看到高清分辨率场景曾有使用问题讨论。

  • 适配判断：

– 更适合当轻量备选，不是本项目首选主路线。

4. 按项目用途分类的建议

4.1 最适合当四足底盘开发底座

优先级建议：

  1. unitree_ros2
  2. go2_ros2_sdk
  3. go2_robot

判断理由：

  • unitree_ros2 更适合官方接口与长期工程化。
  • go2_ros2_sdk 更适合快速原型和功能验证。
  • go2_robot 适合当更完整的 ROS2 集成参考。

4.2 最适合当高清二维码识别原型

优先级建议：

  1. QReader
  2. QRdet + WeChat QRCode
  3. zxing-cpp
  4. zbar_ros

判断理由：

  • 你的场景不是普通扫码枪场景，而是“高货架、小二维码、角度大”的困难图像场景。
  • 因此先检测二维码位置，再对局部区域增强和解码，会比直接全图扫码更稳。
  • 这使得 QReader 和 QRdet 更适合先做高识别率验证。

4.3 最适合借鉴仓储任务流

优先级建议：

  1. NXP_AIM_INDIA_2025
  2. ros2_amr_mecanumbot
  3. Autonomous_Robotic_Forklift

判断理由：

  • 这些项目虽然不是四足，但更接近仓储导航、任务管理、相机识别与结果上报的流程组织方式。

5. 推荐组合方案

5.1 MVP 快速验证组合

  • 四足底盘：go2_ros2_sdk 或 go2_robot
  • 二维码识别：QReader
  • 解码备选：zbar_ros
  • 导航定位：Nav2 + FAST-LIO2

适用目标：

  • 快速做出一套可跑通的样机。
  • 尽快验证高位二维码是否可识别。

5.2 平衡型工程组合

  • 四足底盘：unitree_ros2
  • 二维码检测：QRdet
  • 二维码解码：qrdecoder
  • 导航定位：Nav2 + FAST-LIO2

适用目标：

  • 兼顾工程稳定性与识码鲁棒性。
  • 适合从样机过渡到试点版本。

5.3 C++ 产品化组合

  • 四足底盘：unitree_ros2
  • 二维码识别：qrdecoder + zxing-cpp
  • 状态机：BehaviorTree.CPP
  • 机器人系统：ROS 2 Humble

适用目标：

  • 后续准备做正式工程化交付。
  • 希望尽量减少 Python 运行时依赖。

6. 不建议直接采用的路线

6.1 只用 zbar_ros 做主识码方案

原因：

  • 太适合“快速演示”，但不适合“高位纸箱高清识码”主链路。

6.2 只找带 QR 的机器人比赛项目直接复用

原因：

  • 这类 QR 多用于地标识别、导航点识别或近距离相机演示。
  • 和本项目的远距、高位、斜视、纸箱反光问题不是同一个难度等级。

7. 最终推荐

如果只保留最值得投入验证的三组项目，建议优先研究：

  1. abizovnuralem/go2_ros2_sdk

– 作为四足 ROS2 样机基础。

  1. Eric-Canas/QReader

– 作为高鲁棒性二维码识别原型。

  1. Tianxiaomo/qrdecoder

– 作为后续工程化解码主力候选。

如果后续进入整机开发，建议路线是：

四足底盘 ROS2 集成 + YOLO 二维码定位 + WeChat QRCode / ZXing-C++ 解码 + Nav2 / FAST-LIO2

这条路线和本项目现有总体方案最一致。

8. 详细地址汇总

四足机器人 / ROS2

  • unitreerobotics/unitree_ros2

https://github.com/unitreerobotics/unitree_ros2

  • abizovnuralem/go2_ros2_sdk

https://github.com/abizovnuralem/go2_ros2_sdk

  • Unitree-Go2-Robot/go2_robot

https://github.com/Unitree-Go2-Robot/go2_robot

仓储任务流 / 机器人参考

  • NXP-Robotics/NXP_AIM_INDIA_2025

https://github.com/NXP-Robotics/NXP_AIM_INDIA_2025

  • Trkkhrmn/ros2_amr_mecanumbot

https://github.com/Trkkhrmn/ros2_amr_mecanumbot

  • Elsayed-Ayman-Habib/Autonomous_Robotic_Forklift

https://github.com/Elsayed-Ayman-Habib/Autonomous_Robotic_Forklift

高清二维码识别

  • Eric-Canas/QReader

https://github.com/Eric-Canas/QReader

  • Eric-Canas/QRdet

https://github.com/eric-canas/QRdet

  • Tianxiaomo/qrdecoder

https://github.com/Tianxiaomo/qrdecoder

  • zxing-cpp/zxing-cpp

https://github.com/zxing-cpp/zxing-cpp

  • ros-drivers/zbar_ros

https://github.com/ros-drivers/zbar_ros

  • dlbeer/quirc

https://github.com/dlbeer/quirc

9. 后续建议

建议按以下顺序继续落地：

  1. 先用 QReader 在本地图片集上验证高位纸箱二维码识别率。
  2. 再用 go2_ros2_sdk 或 go2_robot 跑通机器人导航和云台控制链路。
  3. 最后将 QReader 原型替换或补强为 QRdet + qrdecoder 的正式工程方案。