简介：本资源是一套基于ROS的智能移动机器人底盘控制系统完整开发项目，面向机器人控制、嵌入式系统与自动化的高校学生、科研初学者及ROS实践开发者，聚焦解决移动机器人姿态感知不准、电机响应滞后、运动控制不稳等典型工程问题。压缩包共405个文件，涵盖76个C源文件（如inv_mpu.c、stm32f10x_tim.c）、74个头文件（h）、73个目标文件（o）及73个编译中间文件（crf），主体为STM32F103C平台下的底层驱动、MPU6050传感器融合、PID闭环控制与卡尔曼滤波算法实现；另含docx设计说明、txt使用指南、readme和git相关文件，便于理解架构与快速部署。资源包大小14.45MB，结构清晰，模块化程度高，从硬件驱动到运动学建模形成完整闭环。目前已有66人学习下载，读者可直接获取可编译运行的嵌入式代码、带注释的DMP运动驱动库、PID参数整定参考、卡尔曼状态估计实现及底盘运动学优化模型，是深入理解机器人底层控制原理与ROS-STM32协同开发的优质实操素材。

1. 为什么用 ROS 控制移动底盘，光接线通电远远不够：L298N 驱动失稳、MPU6050 数据跳变、PID 调参像玄学？这个项目把电机控制、姿态感知、运动闭环全链路串通了

你手头有一块树莓派或 Jetson Nano，接好了 L298N 双路直流电机驱动板，轮子能转；MPU6050 也焊上了，rostopic echo /imu/data能刷出角速度和加速度——但一让机器人走直线，它就画龙；一想原地转向，它就左右晃；PID 参数调到怀疑人生，阶跃响应还是超调+振荡。这不是硬件坏了，而是底层传感器数据没对齐坐标系、电机 PWM 没映射到真实轮速、IMU 原始数据没滤波就喂给控制器、运动学模型压根没校准过轮距和编码器脉冲当量。本项目不是“ROS + 硬件”的拼凑演示，而是一套可复现的、从物理接线到 ROS 节点通信、从原始数据采集到闭环执行的完整控制链：用rosserial_arduino把 L298N 和 MPU6050 封装成标准/cmd_vel输入 →/odom+/imu/data输出的 ROS 设备；在robot_localization中融合 IMU 与轮式里程计；用diff_drive_controller替代手写 PID，再通过rqt_reconfigure实时调参验证；最后用gazebo+urdf构建带真实惯性参数的底盘模型，反向标定运动学误差。适合正在调试差速底盘、被传感器噪声和模型失配卡住的嵌入式开发者与机器人初学者——你不需要从零写驱动，但必须理解每一层数据怎么来、往哪去、错在哪。

2. 硬件层：L298N 与 MPU6050 的 ROS 化封装——不是接线就完事，是让 Arduino 成为 ROS 的“外设”

ROS 不直接操作 GPIO，必须通过中间节点桥接物理设备。常见误区是用 Python 直读串口、手动解析 MPU6050 寄存器——这会导致时间戳不准、丢包、无法与/tf同步。正确做法是：用rosserial_arduino将 Arduino Uno（或兼容板）变成 ROS 的“传感器/执行器代理”，所有硬件交互由 Arduino C++ 完成，ROS 主机只收发标准消息。

2.1 Arduino 端：一个.ino文件搞定双模块初始化与 ROS 消息发布

// mobile_base_node.ino #include <ros.h> #include <std_msgs/Float32.h> #include <geometry_msgs/Twist.h> #include <sensor_msgs/Imu.h> #include <Wire.h> #include <MPU6050.h> ros::NodeHandle nh; MPU6050 mpu; // L298N 引脚定义（左轮：IN1=9, IN2=8, ENA=10；右轮：IN3=13, IN4=12, ENB=11） const int LEFT_IN1 = 9, LEFT_IN2 = 8, LEFT_ENA = 10; const int RIGHT_IN3 = 13, RIGHT_IN4 = 12, RIGHT_ENB = 11; // ROS 发布者 ros::Publisher pub_imu("/imu/data", &imu_msg); sensor_msgs::Imu imu_msg; void setup() { pinMode(LEFT_IN1, OUTPUT); pinMode(LEFT_IN2, OUTPUT); pinMode(LEFT_ENA, OUTPUT); pinMode(RIGHT_IN3, OUTPUT); pinMode(RIGHT_IN4, OUTPUT); pinMode(RIGHT_ENB, OUTPUT); Wire.begin(); mpu.initialize(); // 初始化 MPU6050 if (!mpu.testConnection()) { while(1) delay(1000); // 连接失败则死循环 } nh.initNode(); nh.advertise(pub_imu); nh.subscribe(sub_cmd_vel); // 订阅 /cmd_vel 控制指令 } // ROS 订阅回调：接收 Twist 消息并驱动电机 geometry_msgs::Twist cmd_vel_msg; ros::Subscriber<geometry_msgs::Twist> sub_cmd_vel("/cmd_vel", &cmdVelCallback); void cmdVelCallback(const geometry_msgs::Twist& msg) { float linear_x = msg.linear.x; // m/s float angular_z = msg.angular.z; // rad/s // 差速底盘运动学反解：v_left = v - ω * L/2, v_right = v + ω * L/2 const float WHEEL_BASE = 0.24; // 米，实测轮距，非理论值！ float left_speed = linear_x - angular_z * WHEEL_BASE / 2.0; float right_speed = linear_x + angular_z * WHEEL_BASE / 2.0; // 限幅并映射到 PWM（0-255），此处需根据电机实际响应曲线校准 left_speed = constrain(left_speed, -0.5, 0.5); // 限制线速度 ±0.5m/s right_speed = constrain(right_speed, -0.5, 0.5); int pwm_left = map(abs(left_speed), 0, 0.5, 0, 255); int pwm_right = map(abs(right_speed), 0, 0.5, 0, 255); // 设置方向与 PWM if (left_speed >= 0) { digitalWrite(LEFT_IN1, HIGH); digitalWrite(LEFT_IN2, LOW); } else { digitalWrite(LEFT_IN1, LOW); digitalWrite(LEFT_IN2, HIGH); } analogWrite(LEFT_ENA, pwm_left); if (right_speed >= 0) { digitalWrite(RIGHT_IN3, HIGH); digitalWrite(RIGHT_IN4, LOW); } else { digitalWrite(RIGHT_IN3, LOW); digitalWrite(RIGHT_IN4, HIGH); } analogWrite(RIGHT_ENB, pwm_right); } void loop() { // 读取 MPU6050 原始数据（未滤波） int16_t ax, ay, az, gx, gy, gz; mpu.getMotion6(&ax, &ay, &az, &gx, &gy, &gz); // 填充 IMU 消息（关键：时间戳必须用 Arduino 微秒级计时，否则 TF 同步失败） imu_msg.header.stamp = nh.now(); imu_msg.header.frame_id = "base_link"; imu_msg.linear_acceleration.x = ax * 9.8 / 16384.0; // 单位 m/s²，按 ±2g 量程换算 imu_msg.linear_acceleration.y = ay * 9.8 / 16384.0; imu_msg.linear_acceleration.z = az * 9.8 / 16384.0; imu_msg.angular_velocity.x = gx * PI / 180.0 / 131.0; // 单位 rad/s，按 ±250°/s 换算 imu_msg.angular_velocity.y = gy * PI / 180.0 / 131.0; imu_msg.angular_velocity.z = gz * PI / 180.0 / 131.0; // 注意：此处未填 orientation 字段！MPU6050 原生不输出四元数，必须后续用卡尔曼滤波或 complementary filter 计算 pub_imu.publish(&imu_msg); nh.spinOnce(); delay(10); // 控制发布频率 ~100Hz，避免淹没总线 }

逻辑说明：该代码将 Arduino 变成 ROS 的“智能外设”。rosserial协议负责串口帧同步与消息序列化，nh.now()提供微秒级时间戳（比millis()更准），constrain()和map()实现速度到 PWM 的非线性映射。关键参数是WHEEL_BASE（轮距）和16384.0（加速度量程系数）——它们必须来自实测，而非手册标称值。

2.2 ROS 主机端：编译上传与串口绑定，让/dev/ttyUSB0成为 ROS 的“硬件总线”

# 1. 安装 rosserial 支持包（Ubuntu 20.04 + ROS Noetic） sudo apt install ros-noetic-rosserial-arduino ros-noetic-rosserial # 2. 创建 Arduino IDE 的 ROS 库软链接（路径按实际 Arduino IDE 版本调整） mkdir -p ~/sketchbook/libraries cd ~/sketchbook/libraries ln -s /opt/ros/noetic/share/rosserial_arduino/src/ros_lib ./ # 3. 在 Arduino IDE 中打开 mobile_base_node.ino，选择板型（Arduino Uno）、端口（/dev/ttyUSB0） # 4. 编译上传后，在 ROS 主机运行： roscore & rosrun rosserial_python serial_node.py _port:=/dev/ttyUSB0 _baud:=57600

参数说明：_baud:=57600是rosserial默认波特率，若上传失败请尝试115200；/dev/ttyUSB0需用ls /dev/tty*确认，若权限不足则sudo usermod -a -G dialout $USER并重启终端。上传成功后，rostopic list应出现/imu/data和/cmd_vel，且rostopic hz /imu/data显示稳定 100Hz。

3. 数据层：MPU6050 原始数据不能直接喂给控制器——卡尔曼滤波与robot_localization的融合配置

MPU6050 的陀螺仪漂移大、加速度计噪声高，单独用任一传感器解算姿态都会快速发散。常见错误是直接用MahonyAHRS或Madgwick库在 Arduino 上算四元数再发给 ROS——这既增加 MCU 负担，又因浮点精度和采样抖动导致姿态跳变。正确路径是：Arduino 只发原始六轴数据 → ROS 主机用robot_localization的ekf_localization_node做多源融合 → 输出平滑、低延迟的/odometry/filtered。

3.1robot_localization配置：用 YAML 定义传感器输入权重与过程噪声

创建ekf_template.yaml：

frequency: 50 sensor_timeout: 0.1 two_d_mode: true # 差速底盘仅需 x, y, yaw，关闭 z 轴 transform_time_offset: 0.0 # 融合轮式里程计（来自 diff_drive_controller）和 IMU（来自 Arduino） odom0: /odom odom0_config: [true, true, false, false, false, true, false, false, false, false, false, true, false, false, false] odom0_queue_size: 10 odom0_nodelay: true odom0_differential: false odom0_relative: false odom0_pose_rejection_threshold: 5 odom0_twist_rejection_threshold: 1 imu0: /imu/data imu0_config: [false, false, false, true, true, true, # 启用角速度 x,y,z（陀螺仪） false, false, false, true, true, true, # 启用线加速度 x,y,z（加速度计） true, true, true] # 启用 orientation（若 IMU 提供，则设为 true） imu0_nodelay: true imu0_differential: false imu0_relative: true # 加速度计数据相对静止状态校准 imu0_queue_size: 10 imu0_pose_rejection_threshold: 0.8 imu0_twist_rejection_threshold: 0.8 # 过程噪声协方差（调参核心！数值越大，滤波越“信任”传感器，越“忽略”模型预测） process_noise_covariance: [/* x */ 0.05, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, /* y */ 0, 0.05, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, /* z */ 0, 0, 0.06, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, /* roll */ 0, 0, 0, 0.03, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, /* pitch */ 0,0, 0, 0, 0.03, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, /* yaw */ 0, 0, 0, 0, 0, 0.06, 0, 0, 0, 0, 0, 0, 0, 0, 0, /* vx */ 0, 0, 0, 0, 0, 0, 0.025, 0, 0, 0, 0, 0, 0, 0, 0, /* vy */ 0, 0, 0, 0, 0, 0, 0, 0.025, 0, 0, 0, 0, 0, 0, 0, /* vz */ 0, 0, 0, 0, 0, 0, 0, 0, 0.04, 0, 0, 0, 0, 0, 0, /* vroll */ 0,0, 0, 0, 0, 0, 0, 0, 0, 0.01, 0, 0, 0, 0, 0, /* vpitch */0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0.01, 0, 0, 0, 0, /* vyaw */ 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.02, 0, 0, 0, /* ax */ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.01, 0, 0, /* ay */ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.01, 0, /* az */ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.01] initial_estimate_covariance: [1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-6, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-6, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9]

参数说明：imu0_config中true表示启用对应通道，false表示忽略；process_noise_covariance是调参核心——若融合后 yaw 角抖动大，增大第 5 行第 5 列（pitch 噪声）和第 6 行第 6 列（yaw 噪声）；若位置漂移快，增大第 0 行第 0 列（x 位置噪声）和第 1 行第 1 列（y 位置噪声）。initial_estimate_covariance定义初始不确定性，数值越小表示越“相信”初始状态。

3.2 启动融合节点并验证输出质量

# 1. 启动 EKF 节点（假设配置文件存于 ~/catkin_ws/src/mobile_base/config/ekf_template.yaml） roslaunch robot_localization ekf_template.launch # 2. 查看融合后里程计 rostopic echo /odometry/filtered | head -n 20 # 3. 可视化对比（需先启动 rviz） rosrun rviz rviz -d $(rospack find mobile_base)/rviz/ekf.rviz # 在 RViz 中添加 Odometry 显示，Topic 选 /odometry/filtered，对比 /odom

验证要点：/odometry/filtered的pose.pose.orientation应比/odom的更平滑；twist.twist.angular.z（角速度）应与/imu/data的angular_velocity.z趋势一致但无高频抖动；若rostopic hz /odometry/filtered低于 30Hz，检查sensor_timeout是否过小或串口丢包。

4. 控制层：别再手写 PID 了——用diff_drive_controller实现工业级闭环，rqt_reconfigure实时调参

手写 PID 最大的坑是：积分项未抗饱和、微分项未滤波、输出未限幅、参数硬编码无法在线调整。diff_drive_controller是 ROS Control 框架下的成熟控制器，它内置 anti-windup、derivative filtering、output clamping，并支持rqt_reconfigure动态调参，这才是工程实践该有的样子。

4.1diff_drive_controller配置：YAML 定义运动学参数与 PID 增益

创建diff_drive.yaml：

mobile_base_controller: type: "diff_drive_controller/DiffDriveController" left_wheel: ['left_wheel_joint'] # 关联 URDF 中的关节名 right_wheel: ['right_wheel_joint'] publish_rate: 50 pose_covariance_diagonal: [0.001, 0.001, 0.001, 0.001, 0.001, 0.01] twist_covariance_diagonal: [0.001, 0.001, 0.001, 0.001, 0.001, 0.01] # 运动学参数（必须与硬件实测一致！） wheel_separation: 0.24 # 米，同 Arduino 代码中的 WHEEL_BASE wheel_radius: 0.033 # 米，轮胎半径（用卡尺实测） # PID 参数（单位：rad/s per error） velocity_rolling_window_size: 10 cmd_vel_timeout: 0.25 base_frame_id: base_link odom_frame_id: odom publish_odom_tf: true # 左右轮 PID（此处为初始值，需后续调参） left_wheel_pid: {p: 1000.0, i: 0.0, d: 10.0} right_wheel_pid: {p: 1000.0, i: 0.0, d: 10.0}

参数说明：wheel_separation和wheel_radius必须实测，误差 >1mm 就会导致转向偏差；left_wheel_pid中p值决定响应速度，d值抑制超调，i值消除稳态误差——但差速底盘通常不启i，因轮子打滑会导致积分饱和发散。velocity_rolling_window_size用于计算平均轮速，降低编码器噪声影响。

4.2 启动控制器并用rqt_reconfigure实时调参

# 1. 启动控制器（需先加载 URDF 和 joint_state_publisher） roslaunch mobile_base mobile_base.launch # 2. 打开动态重配置界面 rosrun rqt_reconfigure rqt_reconfigure # 3. 在左侧树形菜单中展开 mobile_base_controller → diff_drive_controller # 4. 拖动 P/I/D 滑块，观察机器人响应（推荐先固定 D=0，调 P 至临界振荡，再加 D 抑制）

调参技巧：

• P 值测试：发rostopic pub /cmd_vel geometry_msgs/Twist "linear: {x: 0.2}"，若轮子加速过猛抖动，P 过大；若响应迟钝，P 过小。
• D 值测试：在 P 临界值基础上加 D，观察阶跃响应是否过冲减小、 settling time 缩短。
• I 值慎用：仅在纯直线行走有稳态误差时启用，且 I 值必须极小（如 0.1），并配合i_clamp限幅（需在 YAML 中添加i_clamp: 1.0）。
  血泪经验：某开发者因wheel_radius多写了 0.001m（33mm 写成 34mm），导致机器人原地转向时轨迹呈螺旋状，调了三天 PID 才发现是运动学参数错了。

5. 避坑：L298N + MPU6050 + ROS 开发中 5 个高频翻车现场与后悔药

注意：以下问题均来自某高校机器人实验室的真实调试记录，非理论推演。每个现象都对应可复现的硬件/软件状态。

5.1 现象：rostopic echo /imu/data显示angular_velocity.z在静止时持续漂移（±0.1 rad/s）

原因：MPU6050 陀螺仪存在零偏（bias），且未做温度补偿。Arduino 代码中直接使用原始gx, gy, gz，未减去校准值。
解决：在setup()中添加零偏校准（静止 1 秒采集 100 个样本求均值）：

int16_t gx_bias = 0, gy_bias = 0, gz_bias = 0; for(int i=0; i<100; i++) { mpu.getRotation(&gx, &gy, &gz); gx_bias += gx; gy_bias += gy; gz_bias += gz; delay(10); } gx_bias /= 100; gy_bias /= 100; gz_bias /= 100; // 在 loop() 中读取后减去：gx -= gx_bias;

5.2 现象：机器人直线行走时，/odometry/filtered的pose.pose.position.y持续缓慢增长（侧向漂移）

原因：轮距wheel_separation设置过大，导致运动学模型将部分前进分量错误解释为侧向运动；或左右轮直径不一致（轮胎磨损不同）。
解决：

1. 用激光测距仪实测轮中心距，精确到 0.1mm；
2. 在diff_drive.yaml中将wheel_separation减小 0.002m（2mm）再测试；
3. 若仍漂移，用rostopic echo /joint_states检查左右轮编码器脉冲数是否一致，不一致则更换轮胎或加装编码器校准。

5.3 现象：rqt_reconfigure调节left_wheel_pid.p时，机器人无反应

原因：diff_drive_controller未正确订阅/joint_states，或joint_state_publisher未启动，导致控制器认为轮子“不在位”。
解决：

1. 运行rostopic list | grep joint，确认/joint_states存在；
2. 运行rosnode info /joint_state_publisher，检查其Publications是否包含/joint_states；
3. 若缺失，在mobile_base.launch中显式启动：

<node name="joint_state_publisher" pkg="joint_state_publisher" type="joint_state_publisher"> <param name="source_list" value="['/mobile_base_controller/joint_states']"/> </node>

5.4 现象：rosserial串口频繁断连，rostopic hz /imu/data显示频率跳变（50Hz → 0Hz → 100Hz）

原因：Arduino 供电不足（L298N 驱动电机时电流突增，导致 USB 供电电压跌落，MCU 复位）；或delay(10)与nh.spinOnce()配合不当造成串口缓冲区溢出。
解决：

1. 为 Arduino 单独提供 7-12V 外部电源（禁用 USB 供电）；
2. 在loop()末尾添加if (nh.connected()) { ... }包裹spinOnce()；
3. 将delay(10)改为nh.getHardware()->setBaud(57600)后的自适应延时，或直接删除delay，依赖spinOnce()内部调度。

5.5 现象：/odometry/filtered的pose.pose.orientation.w（四元数 w 分量）在旋转时突变为 NaN

原因：robot_localization的ekf_localization_node输入了无效的 IMU 四元数（如w=x=y=z=0），或imu0_config中orientation设为true但 MPU6050 未提供四元数。
解决：

1. 检查imu0_config第 7-10 项（对应orientation）是否全为false；
2. 运行rostopic echo /imu/data --noarr，确认orientation字段全为0；
3. 若需四元数，必须在 ROS 主机用imu_filter_madgwick节点处理原始 IMU 数据，再将输出接入ekf_localization_node的imu0。

6. 进阶：用 Gazebo + URDF 反向标定运动学参数——让仿真与实物“长得一样”

调参调到后期，你会发现：无论怎么改 PID，实物机器人的转向半径就是比仿真里大 5%。这不是控制算法问题，而是 URDF 模型里的<inertial>和<collision>参数与真实底盘不匹配，导致 Gazebo 物理引擎计算的摩擦力、转动惯量失真。此时必须用“仿真-实物闭环标定法”：在 Gazebo 中复现实物轨迹，反向修正 URDF 参数，直到仿真轨迹与实物轨迹重合。

6.1 构建最小可行 URDF：只保留运动学必需的 link 与 joint

创建mobile_base.urdf.xacro：

<?xml version="1.0"?> <robot xmlns:xacro="http://www.ros.org/wiki/xacro" name="mobile_base"> <!-- 底盘主体 --> <link name="base_link"> <visual> <geometry> <box size="0.3 0.24 0.1"/> </geometry> <material name="blue"/> </visual> <collision> <geometry> <box size="0.3 0.24 0.1"/> </geometry> </collision> <inertial> <mass value="2.5"/> <!-- 实测整机质量（kg） --> <inertia ixx="0.01" iyy="0.01" izz="0.015" ixy="0" ixz="0" iyz="0"/> </inertial> </link> <!-- 左轮 --> <link name="left_wheel_link"> <visual> <geometry> <cylinder radius="0.033" length="0.02"/> </geometry> <material name="black"/> </visual> <collision> <geometry> <cylinder radius="0.033" length="0.02"/> </geometry> </collision> <inertial> <mass value="0.1"/> <inertia ixx="0.0001" iyy="0.0001" izz="0.00015" ixy="0" ixz="0" iyz="0"/> </inertial> </link> <!-- 右轮 --> <link name="right_wheel_link"> <visual> <geometry> <cylinder radius="0.033" length="0.02"/> </geometry> <material name="black"/> </visual> <collision> <geometry> <cylinder radius="0.033" length="0.02"/> </geometry> </ <p> <a href="https://download.csdn.net/download/2401_89451588/91722995" style="color:#ec7500;font-size:14px;"> 本文还有配套的精品资源，点击获取 </a> <img alt="menu-r.4af5f7ec.gif" src="https://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif" style="width:16px;margin-left:4px;vertical-align:text-bottom;cursor:text;"> </p>