配置文件增加没有图像skill_sequence/chat_camera是否推理的button，扩充kb_qa的回复，减少闲聊模式的回复长度

README.md

@@ -23,9 +23,10 @@ pip3 install -r requirements.txt --break-system-packages
 ## 编译启动
 1. 注册声纹
   - 启动节点后可以说：er gou我现在正在注册声纹，这是一段很长的测试语音，请把我的声音录进去。
-  - 正确的注册姿势：包含唤醒词二狗，不要停顿的说完3秒
+  - 正确的注册姿势：包含唤醒词二狗，不要停顿的尽量说完3秒
     
   - 现在的逻辑只要识别到二狗就注册，然后退出节点，识别不到二狗继续等待
+  - 多注册几段，换方向距离注册，可以提高识别相似度，注册方向对声纹相似性影响很大
 ```bash
 cd ~/ros_learn/hivecore_robot_voice
 colcon build

config/knowledge.json

@@ -1,11 +1,18 @@
 {
   "entries": [
     {
-      "id": "robot_identity",
+      "id": "robot_identity_1",
       "patterns": [
         "ni shi shui"
       ],
       "answer": "我叫二狗，是蜂核科技的机器人，很高兴为你服务"
+    },
+     {
+      "id": "robot_identity_2",
+      "patterns": [
+        "ni jiao sha"
+      ],
+      "answer": "我叫二狗呀，我是你的好帮手"
     },
     {
       "id": "wake_word",
@@ -13,6 +20,27 @@
         "ni de ming zi"
       ],
       "answer": "我的名字是二狗"
+    },
+    {
+      "id": "skill_1",
+      "patterns": [
+        "tiao ge wu"
+      ],
+      "answer": "这个我真不会，我怕跳起来吓到你"
+    },
+    {
+      "id": "skill_2",
+      "patterns": [
+        "ni neng gan"
+      ],
+      "answer": "我可以陪你聊天，也能帮你干活"
+    },
+    {
+      "id": "skill_3",
+      "patterns": [
+        "ni hui gan"
+      ],
+      "answer": "我可以陪你聊天，你也可以发布具体的指令让我干活"
     }
   ]
 }

config/voice.yaml

@@ -18,20 +18,20 @@ dashscope:
 
 audio:
   microphone:
-    device_index: 3  # 指向 iFLYTEK-M2 (hw:1,0)
-    sample_rate: 48000  # 尝试使用硬件原生采样率 48kHz，避免重采样可能导致的问题
-    # device_index: -1  # 使用系统默认输入设备
-    # sample_rate: 16000
+    # device_index: 3  # 指向 iFLYTEK-M2 (hw:1,0)
+    # sample_rate: 48000  # 尝试使用硬件原生采样率 48kHz，避免重采样可能导致的问题
+    device_index: -1  # 使用系统默认输入设备
+    sample_rate: 16000
     channels: 1  # 输入声道数：单声道（MONO，适合语音采集）
     chunk: 1024
     heartbeat_interval: 2.0  # 心跳间隔（秒），用于定期输出录音状态
   soundcard:
-    card_index: 1  # USB Audio Device (card 1)
-    device_index: 0  # USB Audio [USB Audio] (device 0)
-    sample_rate: 48000  # 输出采样率：48kHz（iFLYTEK 支持 48000）
-    # card_index: -1  # 使用默认声卡
-    # device_index: -1  # 使用默认输出设备
-    # sample_rate: 44100  # 输出采样率：默认 44100
+    # card_index: 1  # USB Audio Device (card 1)
+    # device_index: 0  # USB Audio [USB Audio] (device 0)
+    # sample_rate: 48000  # 输出采样率：48kHz（iFLYTEK 支持 48000）
+    card_index: -1  # 使用默认声卡
+    device_index: -1  # 使用默认输出设备
+    sample_rate: 48000  # 输出采样率：默认 44100
     channels: 2  # 输出声道数：立体声（2声道，FL+FR）
     volume: 1.0  # 音量比例（0.0-1.0，0.2表示20%音量）
   tts:
@@ -54,10 +54,11 @@ system:
   sv_enabled: true  # 是否启用声纹识别
   # sv_model_path: "~/hivecore_robot_os1/voice_model" # 声纹模型路径
   sv_model_path: "~/ros_learn/speech_campplus_sv_zh-cn_16k-common" # 声纹模型路径
-  sv_threshold: 0.45  # 声纹识别阈值（0.0-1.0，值越小越宽松，值越大越严格）
+  sv_threshold: 0.40  # 声纹识别阈值（0.0-1.0，值越小越宽松，值越大越严格）
   # sv_speaker_db_path: "~/hivecore_robot_os1/config/speakers.json"  # 声纹数据库保存路径（JSON格式，相对于ROS2包share目录）
   sv_speaker_db_path: "~/ros_learn/hivecore_robot_voice/config/speakers.json"  # 声纹数据库保存路径（JSON格式，相对于ROS2包share目录）
   sv_buffer_size: 240000  # 声纹验证录音缓冲区大小（样本数，48kHz下5秒=240000）
+  continue_without_image: false  # 多模态意图（skill_sequence/chat_camera）未获取到图片时是否继续推理
 
 camera:
   image:

robot_speaker/core/intent_router.py

@@ -36,9 +36,10 @@ class IntentRouter:
             "fang xia", "fang zhi",  # 放下、放置
             "ju qi", "sheng qi",  # 举起、升起
             "jia zhua", "jia qi", "jia",  # 夹爪、夹起、夹
+            "shen you bi", "shen zuo bi", "shen chu", "shen shou",  # 伸右臂、伸左臂、伸出、伸手
         ]
         self.kb_keywords = [
-            "ni shi shui", "ni de ming zi"
+            "ni shi shui", "ni de ming zi", "tiao ge wu", "ni jiao sha", "ni hui gan", "ni neng gan"
         ]
         self._cached_skill_names: list[str] | None = None
         self._cached_kb_data: list[dict] | None = None
@@ -96,8 +97,15 @@ class IntentRouter:
         if text_pinyin is None:
             text_pinyin = self.to_pinyin(text)
         
-        # 检查动作词（精确匹配）
-        return any(action in text_pinyin for action in self.action_verbs)
+        # 检查动作词（精确匹配：动作词必须是完整的单词序列）
+        text_words = text_pinyin.split()
+        for action in self.action_verbs:
+            action_words = action.split()
+            # 检查动作词的单词序列是否是文本单词序列的连续子序列
+            for i in range(len(text_words) - len(action_words) + 1):
+                if text_words[i:i+len(action_words)] == action_words:
+                    return True
+        return False
 
 
     def check_camera_command(self, text: str, text_pinyin: str | None = None) -> tuple[bool, Optional[str]]:
@@ -184,11 +192,11 @@ class IntentRouter:
         if need_camera:
             return (
                 "你是一个智能语音助手。\n"
-                "请结合图片内容简短回答。"
+                "请结合图片内容简短回答。不要超过100个token。"
             )
         return (
             "你是一个智能语音助手。\n"
-            "请自然、简短地与用户对话。"
+            "请自然、简短地与用户对话。不要超过100个token。"
         )
     
     def _load_kb_data(self) -> list[dict]:
@@ -236,12 +244,13 @@ class IntentRouter:
         need_camera, camera_mode = self.check_camera_command(text, text_pinyin)
 
         if self.is_skill_sequence_intent(text, text_pinyin):
-            # 用户没有指定相机模式时，保持 None，使用第一个收到的消息
+            # 技能序列意图总是需要相机，复用 detect_camera_mode：用户指定了相机就用指定的，否则默认 "top"
+            skill_camera_mode = self.detect_camera_mode(text, text_pinyin)
             return IntentResult(
                 intent="skill_sequence",
                 text=text,
                 need_camera=True,
-                camera_mode=camera_mode,
+                camera_mode=skill_camera_mode,
                 system_prompt=self.build_skill_prompt()
             )
 

robot_speaker/core/robot_speaker_node.py

@@ -151,6 +151,7 @@ class RobotSpeakerNode(Node):
         self.sv_threshold = system['sv_threshold']
         self.sv_speaker_db_path = os.path.expanduser(system['sv_speaker_db_path'])
         self.sv_buffer_size = system['sv_buffer_size']
+        self.continue_without_image = system.get('continue_without_image', True)
         
         camera = config['camera']
         self.camera_image_jpeg_quality = camera['image']['jpeg_quality']
@@ -728,15 +729,6 @@ class RobotSpeakerNode(Node):
                     except Exception as e:
                         self.get_logger().error(f"[相机] 图像转换失败: {e}")
                         return None
-                elif camera_mode is None and len(self.img_msg_cache) > 0:
-                    msg = next(iter(self.img_msg_cache.values()))
-                    try:
-                        cv_image = self.cv_bridge.imgmsg_to_cv2(msg.image_color, desired_encoding='rgb8')
-                        self.get_logger().info(f"[相机] 未指定相机位置，使用{msg.position}相机获取图像成功")
-                        return cv_image
-                    except Exception as e:
-                        self.get_logger().error(f"[相机] 图像转换失败: {e}")
-                        return None
             time.sleep(0.1)
         
         with self.img_msg_lock:
@@ -809,6 +801,13 @@ class RobotSpeakerNode(Node):
                         actual_position = camera_mode if camera_mode and camera_mode in self.img_msg_cache else (list(self.img_msg_cache.keys())[0] if self.img_msg_cache else "unknown")
                     self.get_logger().info(f"[相机] 已拍照，使用{actual_position}相机 (期望位置={camera_mode_str})")
             
+            if not image_base64_list and intent in ["skill_sequence", "chat_camera"]:
+                if not self.continue_without_image:
+                    self.get_logger().warning(f"[多模态] {intent}意图未获取到图片，跳过推理（continue_without_image=False）")
+                    return ""
+                else:
+                    self.get_logger().info(f"[多模态] {intent}意图未获取到图片，继续推理（continue_without_image=True）")
+            
         if image_base64_list:
             self.get_logger().info(f"[LLM] 准备发送给LLM: {len(image_base64_list)}张图片，用户文本: {user_text[:50]}")
             for idx, img_b64 in enumerate(image_base64_list):