当前位置：首页 > news >正文

AIGlasses_for_navigation开发环境配置：Node.js安装及后端服务框架搭建

news 2026/7/30 8:53:56

AIGlasses_for_navigation开发环境配置：Node.js安装及后端服务框架搭建

如果你对智能硬件和AI应用开发感兴趣，想自己动手搭建一个能为智能眼镜提供导航服务的后端系统，那么这篇文章就是为你准备的。我们将从零开始，一步步完成Node.js环境的安装，并基于它搭建一个功能完整的后端服务框架。这个框架将负责接收智能眼镜拍摄的环境图像，调用AI模型进行推理，并将计算出的导航路径实时推送给前端。整个过程不需要你事先有深厚的后端开发经验，我会用最直白的方式讲清楚每一步。

1. 准备工作与环境搭建

在开始敲代码之前，我们需要先把“舞台”搭好。这个舞台就是Node.js运行环境。你可以把它理解为一台能让JavaScript代码在电脑上运行起来的“发动机”。

1.1 安装Node.js与npm

Node.js的安装非常简单，几乎是一键式的。我们推荐从官方网站下载长期支持版本，这样更稳定。

首先，打开你的浏览器，访问Node.js的官方网站。找到下载页面，选择与你的操作系统匹配的安装包。对于Windows和macOS用户，直接下载.msi或.pkg安装文件，双击运行，跟着安装向导的提示点击“下一步”即可。安装过程中，请务必勾选“自动安装必要的工具”或类似选项，这会把npm（Node包管理器）一并装上。

对于使用Linux系统的朋友，可以通过包管理器来安装。例如，在Ubuntu或Debian上，你可以打开终端，输入以下命令：

curl -fsSL https://deb.nodesource.com/setup_lts.x | sudo -E bash - sudo apt-get install -y nodejs

安装完成后，我们需要验证一下是否成功。打开你的终端或命令提示符，输入以下两条命令：

node --version npm --version

如果终端分别显示了类似v18.x.x和9.x.x的版本号，那么恭喜你，Node.js和npm已经成功安装到你的电脑上了。npm是随Node.js附赠的“应用商店”，我们后面安装各种代码库都要靠它。

1.2 初始化你的项目

环境准备好了，现在来创建我们的项目“工地”。找一个你喜欢的文件夹，比如在桌面上新建一个名为ai-glasses-backend的目录。然后打开终端，进入到这个目录：

cd ~/Desktop/ai-glasses-backend

接下来，我们要在这个空目录里初始化一个Node.js项目。运行下面的命令：

npm init -y

这个命令会快速生成一个名为package.json的文件，它就像是项目的“身份证”和“购物清单”，记录了项目的基本信息以及后续需要安装的各类工具库（我们称之为依赖包）。打开这个文件看看，里面已经有一些基础信息了。

2. 构建后端服务核心框架

有了项目骨架，接下来我们要给它装上“心脏”和“骨骼”，也就是选择一个Web框架并搭建起基本的服务器结构。

2.1 选择并安装Web框架

在Node.js的世界里，Express和Koa是两个非常流行且易用的Web框架。它们能帮我们轻松处理HTTP请求和响应。对于新手来说，Express的文档和社区资源更丰富，学习曲线更平缓，所以我们这次以Express为例。当然，如果你之后想尝试更现代的异步处理方式，Koa也是个很棒的选择。

在项目根目录下，运行以下命令来安装Express：

npm install express

稍等片刻，npm就会从网络仓库把Express框架下载并安装到项目的node_modules文件夹里。同时，package.json文件中会自动添加对Express的依赖记录。

2.2 创建你的第一个服务器

现在，让我们来写第一行真正有意义的代码。在项目根目录下，创建一个新文件，命名为app.js。用任何你喜欢的文本编辑器或代码编辑器（比如VSCode）打开它。

首先，我们需要把Express框架“请”进来。在app.js文件的开头写入：

const express = require('express');

这行代码的意思是：我要使用一个叫express的工具包。接下来，我们调用这个工具包，创建一个应用实例，这将是我们的服务器核心：

const app = express();

为了让我们的服务器能理解前端发送过来的JSON格式的数据（比如配置信息），以及能处理文件上传，我们需要给这个应用添加一些“中间件”。中间件可以理解为请求到达核心处理逻辑之前，需要经过的一系列“检查站”或“加工厂”。

// 解析JSON格式的请求体 app.use(express.json()); // 解析URL编码格式的请求体（通常来自表单提交） app.use(express.urlencoded({ extended: true }));

最后，我们需要告诉服务器在哪个“端口”上监听请求，并启动它。端口就像门牌号，客户端（比如浏览器或智能眼镜应用）通过这个门牌号来访问我们的服务。

const PORT = process.env.PORT || 3000; app.listen(PORT, () => { console.log(`后端服务已启动，正在监听 http://localhost:${PORT}`); });

保存文件，回到终端，在项目目录下运行：

node app.js

如果看到终端打印出“后端服务已启动，正在监听 http://localhost:3000”的消息，那么你的第一个Node.js服务器就已经在本地运行起来了！你可以打开浏览器，访问http://localhost:3000，虽然目前只会看到一个“Cannot GET /”的错误页面（因为我们还没定义路由），但这证明服务器确实在正常工作。按Ctrl+C可以停止服务器。

3. 设计核心功能接口

服务器跑起来了，但它现在还什么都做不了。接下来，我们要为它赋予“灵魂”，即实现AIGlasses_for_navigation项目需要的几个核心功能：接收图片、处理请求、返回结果。

3.1 处理文件上传

智能眼镜需要把拍到的环境图片传给我们。这里我们需要一个专门的工具来处理文件上传。multer是一个常用的中间件。先安装它：

npm install multer

然后在app.js中引入并配置它。我们计划把上传的图片暂时存放在一个叫uploads/的文件夹里。

const multer = require('multer'); const path = require('path'); // 确保上传目录存在 const fs = require('fs'); const uploadDir = 'uploads'; if (!fs.existsSync(uploadDir)){ fs.mkdirSync(uploadDir); } // 配置multer：存储到uploads文件夹，保留原始文件名 const storage = multer.diskStorage({ destination: function (req, file, cb) { cb(null, uploadDir) }, filename: function (req, file, cb) { // 用时间戳重命名文件，避免重名 const uniqueSuffix = Date.now() + '-' + Math.round(Math.random() * 1E9); cb(null, file.fieldname + '-' + uniqueSuffix + path.extname(file.originalname)); } }); const upload = multer({ storage: storage });

现在，我们可以创建一个接收图片的接口了。假设前端通过/api/upload这个地址，以image为字段名上传图片：

app.post('/api/upload', upload.single('image'), (req, res) => { // req.file 包含了上传文件的信息 if (!req.file) { return res.status(400).json({ error: '请上传有效的图片文件。' }); } const imagePath = req.file.path; console.log(`图片已上传至: ${imagePath}`); // 这里先简单返回成功消息，后续会在这里调用AI模型 res.json({ message: '图片上传成功！', filePath: imagePath }); });

3.2 调用Python模型进行推理

我们的导航算法很可能用Python编写（例如使用TensorFlow/PyTorch）。Node.js可以通过创建子进程的方式来调用Python脚本。我们需要安装一个辅助库来更安全、更方便地执行系统命令：

npm install shelljs

假设我们有一个Python脚本navigation_model.py，它接收一个图片路径作为参数，运行AI模型，并输出导航路径信息（例如一个路径点列表的JSON字符串）。

我们在app.js中引入shelljs，并修改上传接口，在上传成功后调用这个Python脚本：

const shell = require('shelljs'); // 在上传接口的回调函数中，添加调用Python模型的逻辑 app.post('/api/upload', upload.single('image'), (req, res) => { if (!req.file) { return res.status(400).json({ error: '请上传有效的图片文件。' }); } const imagePath = req.file.path; console.log(`开始处理图片: ${imagePath}`); // 调用Python子进程 // 假设你的python命令就是`python`，如果你的环境是python3，请相应修改 const pythonScriptPath = './scripts/navigation_model.py'; const command = `python ${pythonScriptPath} --image "${imagePath}"`; shell.exec(command, { silent: false }, (code, stdout, stderr) => { if (code !== 0) { console.error(`模型推理失败: ${stderr}`); return res.status(500).json({ error: '模型处理失败', detail: stderr }); } console.log(`模型推理成功，输出: ${stdout}`); try { // 假设Python脚本打印到stdout的是一个JSON字符串 const navigationData = JSON.parse(stdout); // 此时，navigationData包含了路径信息 // 我们先返回给HTTP请求（后续会改为WebSocket推送） res.json({ message: '导航路径生成成功！', data: navigationData }); } catch (parseError) { console.error('解析模型输出失败:', parseError); res.status(500).json({ error: '处理模型输出时出错' }); } }); });

注意：你需要提前准备好navigation_model.py脚本，并确保它在指定的路径下。这个Python脚本需要能通过命令行参数接收图片路径，并打印出JSON格式的推理结果。

4. 实现实时导航路径推送

HTTP接口是一次性的请求-响应，但导航路径的生成可能需要一定时间，并且我们可能希望持续向眼镜端发送更新。这时，WebSocket就派上用场了，它能建立一条持久的双向通信通道。

4.1 集成WebSocket服务

我们使用流行的ws库来创建WebSocket服务。首先安装它：

npm install ws

然后，我们需要修改app.js，让HTTP服务器和WebSocket服务器共享同一个端口。这通常需要直接使用Node.js内置的http模块来创建服务器。

const http = require('http'); const WebSocket = require('ws'); // 创建HTTP服务器，并将Express应用作为请求处理器 const server = http.createServer(app); // 创建WebSocket服务器，将其附加到HTTP服务器上 const wss = new WebSocket.Server({ server }); // 监听WebSocket连接 wss.on('connection', function connection(ws) { console.log('新的客户端已通过WebSocket连接'); // 当收到客户端消息时 ws.on('message', function incoming(message) { console.log('收到客户端消息: %s', message); // 这里可以处理客户端发来的指令，例如开始导航、停止导航等 }); // 当连接关闭时 ws.on('close', () => { console.log('客户端已断开WebSocket连接'); }); // 可以向客户端发送一条欢迎消息 ws.send(JSON.stringify({ type: 'connection', message: 'WebSocket连接已建立' })); }); // 修改服务器启动方式 const PORT = process.env.PORT || 3000; server.listen(PORT, () => { console.log(`服务已启动在 http://localhost:${PORT}`); });

4.2 将推理结果推送给前端

现在，我们需要改造之前的图片处理流程。当AI模型生成导航路径后，不再通过HTTP响应返回，而是通过WebSocket广播给所有连接的客户端（比如智能眼镜的前端界面）。

我们需要一个方法来管理所有连接的WebSocket客户端，并在模型推理完成后通知它们。修改WebSocket连接处理部分和上传接口：

// 存储所有连接的客户端 const clients = new Set(); wss.on('connection', function connection(ws) { console.log('新的客户端已连接'); clients.add(ws); // 新连接加入集合 ws.on('close', () => { console.log('客户端已断开连接'); clients.delete(ws); // 连接关闭时从集合移除 }); // ... 其他 message 事件处理 }); // 一个用于向所有客户端广播消息的函数 function broadcastNavigationData(data) { const message = JSON.stringify({ type: 'navigation_path', data: data }); clients.forEach(client => { if (client.readyState === WebSocket.OPEN) { client.send(message); } }); } // 修改上传接口，将结果通过WebSocket推送 app.post('/api/upload', upload.single('image'), (req, res) => { if (!req.file) { return res.status(400).json({ error: '请上传有效的图片文件。' }); } const imagePath = req.file.path; console.log(`开始处理图片并准备实时推送: ${imagePath}`); // 立即响应HTTP请求，告知已开始处理 res.json({ message: '图片接收成功，正在生成导航路径，请等待实时推送...' }); // 异步调用Python模型 const pythonScriptPath = './scripts/navigation_model.py'; const command = `python ${pythonScriptPath} --image "${imagePath}"`; shell.exec(command, { silent: false }, (code, stdout, stderr) => { if (code !== 0) { console.error(`模型推理失败: ${stderr}`); broadcastNavigationData({ error: '模型处理失败' }); return; } console.log(`模型推理成功，准备推送结果`); try { const navigationData = JSON.parse(stdout); // 通过WebSocket广播导航数据 broadcastNavigationData(navigationData); } catch (parseError) { console.error('解析模型输出失败:', parseError); broadcastNavigationData({ error: '处理模型输出时出错' }); } }); });

这样，前端在上传图片后，会立即收到一个HTTP响应，然后保持WebSocket连接等待导航数据的推送。一旦后端处理完成，所有在线的客户端都会实时收到最新的导航路径。

5. 项目完善与运行测试

框架和核心功能都完成了，我们还需要做一些收尾工作，让项目更健壮、更好用。

5.1 添加请求日志与错误处理

一个好的服务需要有“眼睛”和“安全网”。我们添加一个简单的日志中间件来记录所有请求，并添加一个兜底的错误处理中间件。

在app.js中所有路由定义之前，添加日志中间件：

// 简易请求日志中间件 app.use((req, res, next) => { console.log(`[${new Date().toISOString()}] ${req.method} ${req.url}`); next(); // 继续处理下一个中间件或路由 });

在所有路由定义之后，添加一个404处理和一个错误处理中间件：

// 处理404 - 没有匹配的路由 app.use((req, res, next) => { res.status(404).json({ error: '抱歉，您访问的接口不存在。' }); }); // 全局错误处理中间件 app.use((err, req, res, next) => { console.error('服务器内部错误:', err.stack); res.status(500).json({ error: '服务器内部发生错误，请稍后再试。' }); });

5.2 使用nodemon提升开发体验

在开发过程中，每次修改代码都需要手动停止再重启服务器，很麻烦。nodemon工具可以监视文件变化，自动重启服务。

首先，将它安装为开发依赖：

npm install --save-dev nodemon

然后，修改package.json文件中的scripts部分：

"scripts": { "start": "node app.js", "dev": "nodemon app.js" }

现在，你可以在终端运行npm run dev来启动开发服务器。之后每次保存app.js或其他文件，服务器都会自动重启，无需你手动操作。

5.3 完整测试流程

让我们把整个流程串起来测试一下：

启动服务：在项目根目录下运行npm run dev。
测试文件上传：你可以使用Postman或curl工具来测试/api/upload接口。
- 在Postman中，创建一个POST请求，地址为http://localhost:3000/api/upload。
- 在Body选项卡中选择form-data，添加一个key为image（必须与代码中upload.single('image')的参数一致），类型为File的字段，并选择一张本地图片。
- 发送请求，你应该会立即收到{“message”: “图片接收成功，正在生成导航路径...”}的响应。
测试WebSocket连接：你可以使用在线的WebSocket测试客户端，或者写一个简单的前端页面。连接地址是ws://localhost:3000。
- 连接成功后，会收到服务端发来的欢迎消息。
- 当你通过HTTP接口上传图片后，如果Python脚本模拟成功，你应该能在WebSocket客户端看到推送过来的导航数据消息。

6. 总结与后续方向

跟着上面的步骤走一遍，一个具备核心功能的AIGlasses_for_navigation后端服务框架就搭建起来了。它能够接收图像，调用AI模型，并通过WebSocket实现实时数据推送。整个过程涉及了Node.js环境搭建、Express框架使用、文件处理、子进程调用和实时通信，算是把Web后端开发中几个常见的知识点都串了一遍。

当然，这只是一个起点。在实际项目中，你还需要考虑更多东西，比如如何安全地管理Python环境依赖（可以考虑用Docker容器化），如何对上传的图片进行格式和大小校验，如何设计更完善的WebSocket协议（区分不同类型的消息），以及如何将服务部署到云服务器上。数据库的集成（用于保存历史路径或用户数据）和用户认证也是常见的下一步。不过别担心，先把眼前这个能跑通的版本玩熟，那些更高级的功能都可以在此基础上一步步添加。动手试试吧，遇到问题多查查文档和社区，你会发现其实并没有想象中那么难。