上篇聊了ROS2里Python和C++节点的混合编程。今天说一个很多人忽视、但面试越来越常考的话题——自动化测试。

先讲个真实场景。

去年面试一家做AGV的公司，面试官问："你们项目的测试怎么做的？"我当时的回答大概是："在ROS2里跑起来，看机器人行为对不对。"面试官笑了笑，又问："那你怎么回归测试？每次改完代码，怎么确认没有引入新bug？"

这次我没答上来。

后来才知道，成熟的机器人项目都有自动化测试体系。Python在这个领域的应用非常广泛——从单元测试到集成测试，从仿真测试到性能回归，Python脚本几乎能覆盖整个测试流程。

单元测试：从函数级别保证正确性

最基础的测试是单元测试。比如你写了一个运动学解算函数，输入关节角度，输出末端位姿。怎么保证它算对了？

用Python的pytest框架，可以这样写：

import pytest
import numpy as np
from robot_kinematics import forward_kinematics

def test_forward_kinematics_zero_angles():
    """所有关节角度为0时，末端应该在初始位置"""
    joint_angles = np.zeros(6)
    pose = forward_kinematics(joint_angles)
    expected_pos = np.array([0.5, 0.0, 0.8])  # 根据DH参数计算
    np.testing.assert_allclose(pose[:3, 3], expected_pos, atol=1e-6)

def test_forward_kinematics_known_config():
    """已知构型验证末端位姿"""
    joint_angles = np.array([0, np.pi/4, -np.pi/4, 0, 0, 0])
    pose = forward_kinematics(joint_angles)
    # 验证位置精度在1mm以内
    assert abs(pose[0, 3] - 0.354) < 0.001
    # 验证姿态矩阵的正交性
    R = pose[:3, :3]
    np.testing.assert_allclose(R @ R.T, np.eye(3), atol=1e-10)

pytest的好处是写法简单，断言方式直观。np.testing.assert_allclose特别适合数值计算场景——它允许浮点误差，不用你自己写abs(a-b) < epsilon这种代码。

一个实际的建议：把你的核心算法函数都从ROS2节点里抽出来，做成独立的Python模块。这样测试的时候不需要启动ROS2，直接pytest test_kinematics.py就能跑，速度快很多。

集成测试：验证节点间的协作

单元测试管的是单个函数，集成测试管的是多个节点之间的交互。比如你有一个激光雷达节点和一个避障节点，需要验证：雷达发布数据后，避障节点能正确响应。

ROS2的launch_testing框架支持在测试中启动节点。核心思路是：用Python脚本启动被测节点，然后用另一个测试节点发布模拟数据、订阅输出结果，最后用assert验证。

比如测试避障节点：启动节点后，发布一个所有方向都是0.3m的LaserScan消息，订阅/obstacle_near话题，验证输出是True。整个流程用pytest包装，每次改完代码跑一遍，就能确认节点间通信正常、消息格式匹配、处理逻辑正确。

关键代码大概长这样：

# 发布模拟数据
scan = LaserScan()
scan.ranges = [0.3] * 720
pub.publish(scan)

# 等待并验证结果
for _ in range(100):
    rclpy.spin_once(node, timeout_sec=0.1)
    if result is not None:
        break
assert result is True, "应该检测到障碍物"

这种测试的价值在于自动化——不用手动启动节点、手动发消息，一个命令就能跑完所有验证。

仿真测试：在虚拟环境里跑完整流程

机器人测试有个特殊之处——很多场景在真实环境里测试成本太高。你不可能每次改个路径规划算法，就让机器人在仓库里跑一圈。

这时候仿真测试就派上用场了。Python在仿真测试中的角色通常是编写测试场景、驱动仿真器、收集分析结果。

比如用PyBullet做抓取测试，脚本的核心逻辑是这样的：循环50次试验，每次重置仿真环境、随机放置物体、执行抓取策略、记录是否成功。最后统计成功率，断言不低于80%。

for obj in ['cube', 'cylinder', 'sphere']:
    for trial in range(50):
        p.resetSimulation()
        p.loadURDF("plane.urdf")
        p.loadURDF(f"{obj}.urdf", [0.5, 0, 0])
        result = run_grasp_policy(obj, trial)
        if result:
            success_count[obj] += 1
    assert success_count[obj] / 50 > 0.8

这种测试跑一次可能要几分钟，但比真实机器人测试快得多，而且可以并行跑多个场景覆盖各种边界情况。

性能回归测试：确保改动不会让系统变慢

还有一种容易被忽视的测试——性能回归测试。比如你优化了一个路径规划算法，怎么确认优化后确实更快了？而且未来的改动不会让它变回去？

Python可以写性能基准测试：

import time, statistics

def benchmark_planner(planner_func, scenarios, iterations=10):
    results = {}
    for name, scenario in scenarios.items():
        times = []
        for _ in range(iterations):
            start = time.perf_counter()
            planner_func(scenario)
            times.append(time.perf_counter() - start)
        results[name] = {
            'mean': statistics.mean(times),
            'p95': sorted(times)[int(iterations * 0.95)]
        }
    return results

把这个脚本集成到CI里，每次提交代码自动跑一遍。如果某个commit导致规划时间增加了50%，CI就会报警。

面试中怎么聊测试

面试官问测试，核心想考察的是你的工程素养。不是要你背pytest的API，而是想知道：你有没有写过测试？测试覆盖哪些层面？怎么把测试融入开发流程？

一个好的回答思路：先说单元测试——核心算法都有单元测试，用pytest写，数值计算用assert_allclose处理浮点误差。再说集成测试——用launch_testing验证节点间通信。最后说性能测试——有基准测试脚本，集成到CI里做回归检测。

如果你还能提到测试覆盖率的概念——比如用pytest --cov看代码覆盖率，目标80%以上——那就是加分项了。

感知模块的Python实战经验

在实际机器人项目中，Python常用于感知算法的快速原型开发。比如用OpenCV做图像预处理，然后用NumPy做点云滤波。一个常见的面试追问是：你怎么保证Python处理数据的实时性？答案是用多进程而不是多线程，因为Python的GIL会限制并发。另外，可以用Cython把关键函数编译成C扩展，性能能提升几十倍。

给正在准备面试的你

如果你之前没写过自动化测试，建议从单元测试开始。挑一个你写过的算法函数，给它写三五个测试用例，覆盖正常情况和边界情况。跑通之后，你会对代码质量有新的理解。

面试的时候，能说出"我给运动学解算写了单元测试，给节点间通信写了集成测试，还做了性能回归测试"——这种回答比"我手动测过"强太多了。

下篇聊Python在数据分析中的应用——怎么处理机器人实验日志和性能统计。

---

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 上一篇：第74篇 ROS2中的Python——和C++节点的混合编程 下一篇预告：第76篇 Python在数据分析中的应用——处理实验日志和性能统计

有任何问题欢迎评论区留言，我会尽量回复。