机器人操作系统ROS—深度相机+激光雷达实现vSLAM建图与导航

最新推荐文章于 2024-06-11 09:37:21 发布
最新推荐文章于 2024-06-11 09:37:21 发布
阅读量2.4w 收藏 664
点赞数 36
文章标签： 人工智能 java 编程语言 机器学习 计算机视觉
原文链接：https://mp.weixin.qq.com/s?__biz=MzU1MjY4MTA1MQ==&mid=2247596092&idx=3&sn=c4dc1cf33b0afb37c1a34a3cc58f70f7&chksm=fbfd5308cc8ada1e0c259063805aa495543fd59987716d45405df8c3e2ad5c0e85da9fb5d1c2&scene=126&&sessionid=0
版权

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

a4b6004a0f6c0685312d2d9ed86aef76.png

来源丨小猪实验室

这次将带大家学习如何使用深度相机实现机器人的视觉SLAM建图及导航。

目录 

一、 概述

    1.深度相机

    2.常见的深度相机

        2.1 双目视觉(Stereo)

        2.2 结构光(Structured-light)

        2.3 光飞行时间法(TOF)

    2.4 综合对比

二、 摄像头通路打通

    1.硬件连接

    2.安装驱动

    3.测试摄像头

    4.点云显示

    5.转激光雷达数据测试

三、 视觉 vSLAM 建图及导航

    1.vSLAM建图

    2.导航

四、视觉+激光雷达建图及导航

    1.视觉+激光雷达建图

    2.视觉vSLAM +激光雷达导航

一、 概述

1.深度相机

随着机器视觉，自动驾驶等颠覆性的技术逐步发展，采用3D相机进行物体识别，行为识别，场景建模的相关应用越来越多，可以说深度相机就是终端和机器人的眼睛，那么什么是深度相机呢，跟之前的普通相机（2D）想比较，又有哪些差别？深度相机又称之为3D相机，顾名思义，就是通过该相机能检测出拍摄空间的景深距离，这也是与普通摄像头最大的区别。

普通的彩色相机拍摄到的图片能看到相机视角内的所有物体并记录下来，但是其所记录的数据不包含这些物体距离相机的距离。仅仅能通过图像的语义分析来判断哪些物体离我们比较远，哪些比较近，但是并没有确切的数据。而深度相机则恰恰解决了该问题，通过深度相机获取到的数据，我们能准确知道图像中每个点离摄像头距离，这样加上该点在2D图像中的(x,y)坐标，就能获取图像中每个点的三维空间坐标。通过三维坐标就能还原真实场景，实现场景建模等应用。

深度相机也具备普通相机的一些不足，容易受视差影响：包括黑色物体（特征点少）、透明物体（光的穿透）、光滑物体（光反射太强）、图像无纹理(特征点少)、过度曝光(特征点少)等。

308315f904767fe1c0f3a3038e16bc35.png

2.常见的深度相机

目前市面上常有的深度相机方案有以下三种：

2.1 双目视觉(Stereo)

双目立体视觉(Binocular Stereo Vision)是机器视觉的一种重要形式，他是基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像，通过计算图像对应点间的位置偏差，来获取物体三维几何信息的方法。

双目相机的主要优点有：

  • 1）硬件要求低，成本也低。普通 CMOS 相机即可

  • 2）室内外都适用。只要光线合适，不要太昏暗

但是双目的缺点也是非常明显：

  • 1）对环境光照非常敏感。光线变化导致图像偏差大，进而会导致匹配失败或精度低

  • 2）不适用单调缺乏纹理的场景。双目视觉根据视觉特征进行图像匹配，没有特征会导致匹配失败

  • 3）计算复杂度高，需要很高的计算资源。该方法是纯视觉的方法，对算法要求高，实时性差

  • 4）基线限制了测量范围。测量范围和基线（两个摄像头间距）成正比，导致无法小型化

代表公司：

  • Leap Motion， ZED， 大疆

2.2 结构光(Structured-light)

通过近红外激光器，将具有一定结构特征的光线投射到被拍摄物体上，再由专门的红外摄像头进行采集。这种具备一定结构的光线，会因被摄物体的不同深度区域，而采集不同的图像相位信息，然后通过运算单元将这种结构的变化换算成深度信息，以此来获得三维结构。简单来说就是，通过光学手段获取被拍摄物体的三维结构，再将获取到的信息进行更深入的应用。通常采用特定波长的不可见的红外激光作为光源，它发射出来的光经过 一定的编码投影在物体上，通过一定算法来计算返回的编码图案的畸变来得到物体的位置和深度信息。下图是一个典型的结构光相机的示意图:

92dc59311b76d9549d9f49d32db3abd1.png

1e049e945252bbcf6fca37eb6d00134f.png

结构光（散斑）的优点主要有：

  • 1）方案成熟，相机基线可以做的比较小，方便小型化。

  • 2）资源消耗较低，单帧 IR 图就可计算出深度图，功耗低。

  • 3）主动光源，夜晚也可使用。

  • 4）在一定范围内精度高，分辨率高，分辨率可达 1280×1024,帧率可达 60FPS。

散斑结构光的缺点与结构光类似：

  • 1）容易受环境光干扰，室外体验差。

  • 2）随检测距离增加，精度会变差。

代表公司：

  • 奥比中光，苹果(Prime Sense)，微软 Kinect-1，英特尔 RealSense, Mantis Vision 等。

2.3 光飞行时间法(TOF)

顾名思义是测量光飞行时间来取得距离，具体而言就是通过给目标连续发射激光脉冲，然后用传感器 接收从反射光线，通过探测光脉冲的飞行往返时间来得到确切的目标物距离。因为光速激光，通过直接测 光飞行时间实际不可行，一般通过检测通过一定手段调制后的光波的相位偏移来实现。TOF 法根据调制方法的不同，一般可以分为两种：脉冲调制（Pulsed Modulation）和连续波调制 （Continuous Wave Modulation）。脉冲调制需要非常高精度时钟进行测量，且需要发出高频高强度激光，目 前大多采用检测相位偏移办法来实现 TOF 功能。简单来说就是，发出一道经过处理的光，碰到物体以后会反射回来，捕捉来回的时间，因为已知光速和调制光的波长，所以能快速准确计算出到物体的距离。

其原理示意图：

f9193efcbba110c606843e362207f1b0.png

因为 TOF 并非基于特征匹配，这样在测试距离变远时，精度也不会下降很快，目前无人驾驶以及一些高端的消费类 Lidar 基本都是采用该方法来实现。

TOF 的优点主要有：

  • 1）检测距离远。在激光能量够的情况下可达几十米

  • 2）受环境光干扰比较小

但是 TOF 也有一些显而易见的问题：

  • 1）对设备要求高，特别是时间测量模块。

  • 2）资源消耗大。该方案在检测相位偏移时需要多次采样积分，运算量大。

  • 3）边缘精度低。

  • 4）限于资源消耗和滤波，帧率和分辨率都没办法做到较高。

代表公司：

  • 微软 Kinect-2，PMD，SoftKinect， 联想 Phab。

    • 传感器技术不是很成熟，因此，分辨率较低，成本高，但由于其原理与另外两种完全不同，实时性高，不需要额外增加计算资源，几乎无算法开发工作量，是未来。

2.4 综合对比

从上面三种主流的 3D 相机成像方案来看，各有优劣，但是从实际应用场景来看，在非无人驾驶域，结构光，特别是散斑结构光的用途是最广泛。因为从精度，分辨率，还有应用场景的范围来看双目和 TOF 都没有办法做到最大的平衡。而且对于结构光容易受环境光干扰，特别是太阳光影响问题，鉴于此类相机都有红外激光发射模块，非常容易改造为主动双目来弥补该问题。

结构光与TOF的对比：

对比来看，结构光技术功耗更小，技术更成熟，更适合静态场景。而TOF方案在远距离下噪声较低，同时拥有更高的FPS，因此更适合动态场景。

目前，结构光技术主要应用于解锁以及安全支付等方面，其应用距离受限。而TOF技术主要用于智能机后置摄影，并在AR、VR等领域（包括3D拍照、体感游戏等）有一定的作用。

e141909bf4a073c944c34482e6b65a45.png

3D结构光和TOF两者其实各有优劣势。结构光最大的优势是发展的较为成熟，成本比较低，劣势是只适合中短距离使用。ToF优势是抗干扰性较好，视角较宽，缺陷是功耗高，造价贵，精度及深度图分辨率较低。两项技术各有侧重点和适配使用场景。

结构光相机硬件说明：

综合考虑成本，本文将采用此类相机，在这里单独说明下。

Kinect（xbox游戏机配件）：

e919b4e4735c83ba9bb01ea07dc9c4a8.png

乐视体感相机（乐视tv配件）：

022bc9b6000fd3d49e6556a5c762026c.png

相机一般有三只眼睛，从左到右分别为：

  • 投射红外线pattern的IR Projector（左）

  • 摄像头Color Camera（中）

  • 读取反射红外线的IR Camera（右）

Depth传感器读取左右两边投射的红外线pattern，通过pattern的变形来取得Depth的信息。

二、 摄像头通路打通

1.硬件连接

考虑成本，我们在上一次组装的ROS+底盘套装的基础上，新增一个深度相机即可：

  • 乐视体感三合一摄像头 * 1

  • usb子母延长线          * 1

2.安装驱动

# 安装相关依赖
sudo apt install ros-$ROS_DISTRO-rgbd-launch ros-$ROS_DISTRO-libuvc-camera ros-$ROS_DISTRO-libuvc-ros ros-$ROS_DISTRO-camera-info-manager   # ros-$ROS_DISTRO-libuvc 
# 安装vslam相关依赖
sudo apt install ros-$ROS_DISTRO-rtabmap ros-$ROS_DISTRO-rtabmap-ros ros-$ROS_DISTRO-depthimage-to-laserscan

# 克隆功能包源码
cd ~/catkin_ws/src
git clone git@github.com:orbbec/ros_astra_camera.git
git clone git@github.com:yanjingang/robot_vslam.git

# 创建udev规则
cd ros_astra_camera
chmod +x ./scripts/create_udev_rules
./scripts/create_udev_rules
# 配置并加载环境变量(机器人端执行)
cd ~/catkin_ws/src
./robot_vslam/script/setrgbd.sh astrapro
source ~/.bashrc          # export CAMERA_TYPE=astrapro

# 编译
cd ~/catkin_ws
catkin_make --pkg astra_camera robot_vslam
source ~/catkin_ws/devel/setup.bash

3.测试摄像头

在完成第一步的功能包编译之后，将摄像头连接到机器人的主机

# 0.检查摄像头是否正常识别
ll /dev/astra*
  lrwxrwxrwx 1 root root 15 Jan  6 12:50 /dev/astra_pro -> bus/usb/001/014
  lrwxrwxrwx 1 root root 15 Jan  6 12:50 /dev/astrauvc -> bus/usb/001/015

# 1.机器人端启动摄像头(启动后会弹出几个警告，不用管它，这是由于驱动中的一些参数摄像头不支持)
#roslaunch astra_camera astra.launch  # Use Astra
roslaunch robot_vslam astrapro.launch
# 如果报Warning: USB events thread - failed to set priority. This might cause loss of data...，是因为没有权限，执行以下命令
#sudo -s
#source /home/work/.bashrc
#roslaunch robot_vslam astrapro.launch

# 2.PC 端查看图像(常用topic：深度：/camera/depth/image；彩色：/camera/rgb/image_raw/compressed；红外：/camera/ir/image；注:ir图像只能通过rviz显示，在rqt_image_view 中显示会是全黑，这和图像格式有关，并非设备问题)
rviz  或 rqt_image_view

4.点云显示

这一部分为了让大家了解一下 rviz 中的各类插件的使用，将带着大家一起搭建一个 rviz 显示环境。（如果不想进行手动配置，也可以直接使用预先配置好的文件：/robot_vslam/rviz/astrapro.rviz）

首先我们添加一个点云显示插件，点击”Add”，在弹出的界面中双击” PointCloud2”：

d42d727cb4537d01aa5abe964c226d3b.png

展开左侧PointCloud2选型卡，选择Topic：

8b0750e0b36c94e162b58d6809a4d9b8.png

将 Fixed Frame 选择为 camera_link：

32d3b73c24706912fae6a293ea1575cf.png

此时界面中就会显示出点云图：

4a35044154460fbd2dc442517e0c1ff8.png

在 Color Transformer 中选择不同的颜色模式可以给点云按照不同的规则着色：

2820041eaaf7576f018c607acaee1015.png

最后通过左上角的”File”选项卡中 Save Config As 可以将当前 rviz 配置保存到指定位置，下次打开 rviz 候可以通过 Open Config 直接打开配置文件避免再次手动配置界面。

d677e30beeb5fb1f838828eeea5171d9.png

5.转激光雷达数据测试

# 启动深度相机（机器人端）
roslaunch robot_vslam camera.launch
# 启动深度图到雷达数据的转换 
roslaunch robot_vslam depth_to_laser.launch

# pc端可视化
rviz

配置一下界面就可以正常显示雷达数据了

ee9b907f5965b1f4f216aee88983bb48.png

这里可以注意到，相对于机器人的 TF 坐标位置，雷达数据并不是像我们常见的激光雷达数据是 360 度的，这是由于深度相机的视场角(即 FOV，我们这款相机水平 FOV 为 58.4 度，垂直FOV 为 45.5 度)是有限的，所以转换出的雷达数据角度范围和相机是水平 FOV是一致的，简单理解就是，只能看到相机前方一定角度范围内的东西。

三、 视觉 vSLAM 建图及导航

1.vSLAM建图

机器人端启动建图：

# 启动底盘base control
roslaunch ros_arduino_python arduino.launch
# 启动camera
roslaunch robot_vslam camera.launch
# 启动rtab vslam
roslaunch robot_vslam rtabmap_rgbd.launch

在 rtabmap_rgbd.launch 启动完成后，camera 节点和 rtabmap 的节点中会分别输出以下信息(因为这里输出的信息较多且有参考价值，所以我们没有将所有的启动文件写成一个 launch 文件在同一个终端中输出)

2777429300d7cb8da563e36b1677ef9d.png

6004b6faf9704c0cdb386bf4fb02d05c.png

PC端查看建图过程：

# PC端打开rviz终端(在rviz终端中就可以看到所建立的平面地图和立体地图)
roslaunch robot_vslam rtabmap_rviz.launch
# 也可以使用rtabmap自带的图形化界面rtabmapviz在PC端来观测建图过程（不建议，带宽占用100M以上）
# roslaunch robot_vslam rtabmapviz.launch

429743102dca079923614db82edc68f9.png

键盘控制机器人移动：

# 键盘控制
rosrun teleop_twist_keyboard teleop_twist_keyboard.py

我们建议是将机器人的直线运动速度不超过 0.2m/s,旋转速度不超过 0.4rad/s 以保证建图质量。建图过程和激光雷达建图基本一致，遥控机器人在环境中遍历一遍完成建图。

地图是默认保存在机器人端~/.ros/rtabmap.db 文件中，由于这个文件包含了建图过程中的图片和特征点的信息，所以文件会比较大。

注意:启动 roslaunch robot_vslam rtabmap_rgbd.launch 都会覆盖掉 rtabmap.db 文件，如果需要保留上次建图的结果，注意备份文件。

建图完成后 rviz 中的地图如下所示

ce31cc98ed90f2594e6ded5491315e67.png

这里我们也可以修改点云显示的颜色来实现其他效果，例如这样

631ed09ccf232e2c604becc86bd8ca27.png

2145e6b3b22018578d390fc1e5115fe7.png

2.导航

机器人端打开四个终端，分别运行:

# 启动底盘base control
roslaunch ros_arduino_python arduino.launch
# 启动camera
roslaunch robot_vslam camera.launch
# 启动rtab并自动定位
roslaunch robot_vslam rtabmap_rgbd.launch localization:=true
# 启动movebase（纯前向视觉无法后退）
roslaunch robot_vslam move_base.launch planner:=dwa move_forward_only:=true

这里 move_base 的 planner 参数可以选择 dwa 和 teb，这部分在激光雷达导航部分已经介绍过，这里就不再赘述，move_forward_only 参数是为了只允许机器人向前运动(视觉传感器只有前向感知) 。启动后检查各个节点有无报错，正常应该是可以直接定位成功的。

# pc端rviz查看和控制
roslaunch robot_vslam rtabmap_rviz.launch

15905721dd5461524f5e175db38a9d3f.png

# pc端rtabmap查看（需手动下载全局地图）
roslaunch robot_vslam rtabmapviz.launch

d4c3109b815ff40ee70e4b453400ffae.png

在 rtabmapviz 中点击红框中的按钮同步地图数据库的信息，可能会花费一点时间，取决于你的局域网条件。如果左下位置中没有出现图像且图像两侧处为黑色，则机器人尚未完成初始位置的确定。如果如下图所示，则机器人已经完成定位，可以开始导航无需执行下面的步骤(通常机器人从纹理比较丰富且上次已经到达过的位置启动，都可以直接完成定位，这里文档中是为了说明初始定位这一过程故意从一处几乎没有纹理的区域启动使机器人不能完成初始定位)

如果没有自动定位成功，则可以在 PC 端或机器人端启动一个键盘控制节点：

rosrun teleop_twist_keyboard teleop_twist_keyboard.py

控制慢速移动机器人，直到左下角位置出现图像且两侧为绿色表示定位成功

ef40ecbc4420de8b2d6ad6cf60dd8912.png

接下来就可以在地图中指定目标点让机器人导航过去了。

9666b0cd52f8917c7353614aae758e7b.png

注意：rgbd 相机的视场角较小，且深度信息存在较大的盲区，在导航中有可能会发生碰撞，可以通过调节增大 robot_vslam/param/MarsRobot/costmap_common_params.yaml中的inflation_radius 参数来改善，但是很难达到和激光雷达导航或rgbd相机+激光雷达的效果。

四、视觉+激光雷达建图及导航

1.视觉+激光雷达建图

这里操作过程和第三章节完全一致，只是部分启动指令有差异，所以这里只列出启动指令，不再描述操作过程。
机器人端打开三个终端，分别运行:

# 启动激光雷达+base_control
roslaunch robot_navigation robot_lidar.launch 
# 启动深度摄像头
roslaunch robot_vslam camera.launch 
# 启动rgbd+lidar联合建图
roslaunch robot_vslam rtabmap_rgbd_lidar.launch

# pc端查看
roslaunch robot_vslam rtabmap_rviz.launch
# pc端控制移动
rosrun teleop_twist_keyboard teleop_twist_keyboard.py

我们建议是将机器人的直线运动速度不超过 0.2m/s,旋转速度不超过 0.4rad/s 以保证建图质量建图过程和激光雷达建图基本一致，遥控机器人在环境中遍历一遍完成建图。这里可以看到，由于加入了360 度的激光雷达数据，建图在 2D 的地图方面表现要更好一些。26c4b9542da1221208f078b8c67ea92d.png

2.视觉vSLAM +激光雷达导航

机器人端打开四个终端，分别运行:

# 启动激光雷达+base_control
roslaunch robot_navigation robot_lidar.launch 
# 启动camera 
roslaunch robot_vslam camera.launch 
# 启动rtab并自动定位 
roslaunch robot_vslam rtabmap_rgbd_lidar.launch localization:=true 
# 启动movebase（允许后退） 
roslaunch robot_vslam move_base.launch planner:=dwa move_forward_only:=false

# pc端查看
roslaunch robot_vslam rtabmap_rviz.launch
roslaunch robot_vslam rtabmapviz.launch

这里由于加入了 360 度的激光雷达，机器人具备了全向的感知能力，所以可以将 move_forward_only 参数设置为 false 允许机器人向后运动。79adbece0839a8038757dc0892f587d4.png今天带大家学习了如何使用深度相机实现视觉slam建图和导航，同时我们也尝试了视觉+激光雷达的协同使用，机器人在障碍物感知和避障方面有了明显改善，同时通过摄像头我们也能更方便的实现远程监控和控制。下一次你想看到什么呢？欢迎留言，我将带大家一起实现～！

本文仅做学术分享，如有侵权，请联系删文。

3D视觉精品课程推荐：

1.面向自动驾驶领域的多传感器数据融合技术

2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

9.从零搭建一套结构光3D重建系统[理论+源码+实践]

10.单目深度估计方法：算法梳理与代码实现

11.自动驾驶中的深度学习模型部署实战

12.相机模型与标定(单目+双目+鱼眼）

13.重磅！四旋翼飞行器：算法与实战

14.ROS2从入门到精通：理论与实战

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

f3d8658b38d124fa055c903a192903cb.png

▲长按加微信群或投稿

57b876d6c1ed428f6b8a659d94797095.png

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

8569b4eb543af53ec7fd80616e788ac9.png

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~  

3Ｄ视觉工坊
关注
  • 36
    点赞
  • 踩
  • 664
    收藏
    觉得还不错? 一键收藏
  • 15
    评论
利用ros3d.js实现 turtlebot3 在web 端显示并导航
苏凯的博客
12-08 1384
利用ros3djs实现 turtlebot3 在web 端显示并导航
激光雷达与相机融合目标检测数据
11-17
包含图片和相应的点云文件，适用于相机与雷达融合检测算法仿真，点云文件格式为.bin，图片为JPG，数据文件下载。
基于ROS实现的激光雷达SLAM建图与路径规划c++源码+文档说明，包括SLAM建图、定位、路径规划，算法介绍，主要事项
最新发布
06-11
基于ROS实现的激光雷达SLAM建图与路径规划c++源码+文档说明，包括SLAM建图、定位、路径规划，算法介绍，主要事项已获导师指导并通过的97分的高分大作业设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于ROS实现的激光雷达SLAM建图与路径规划c++源码+文档说明，包括SLAM建图、定位、路径规划，算法介绍，主要事项已获导师指导并通过的97分的高分大作业设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于ROS实现的激光雷达SLAM建图与路径规划c++源码+文档说明，包括SLAM建图、定位、路径规划，算法介绍，主要事项已获导师指导并通过的97分的高分大作业设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于ROS实现的激光雷达SLAM建图与路径规划c++源码+文档说明，包括SLAM建图、定位、路径规划，算法介绍，主要事项已获导师指导并通过的97分的高分大作业设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。基于ROS实现的激光雷达SLAM建图与路径规
探索未来导航新境界：mcl3d_ros——高效3D LiDAR定位的开源瑰宝
gitblog_00039的博客
06-11 244
探索未来导航新境界：mcl3d_ros——高效3D LiDAR定位的开源瑰宝 项目地址:https://gitcode.com/NaokiAkai/mcl3d_ros 在自动驾驶与机器人技术的浪潮中，精准定位是核心挑战之一。今天，我们要向您介绍一款打破传统的ROS包——mcl3d_ros，这是一套基于3D激光雷达（LiDAR）的蒙特卡洛定位(Monte Carlo Localization, MC...
【ROS真车篇】激光雷达SLAM建图+自主导航+RGB深度相机
limingmin2020的博客
07-27 3295
本篇为大家带来超硬核ROS小车技术分享，包括激光雷达SLAM建图、自主导航与RGB深度相机三方面，图文结合，简单易懂，非常推荐各位开发者阅读学习，亲自动手实践。
ROS-激光雷达建立地图算法介绍
热门推荐
口袋里的跳跳糖
12-28 2万+
                                                  激光雷达建立地图算法介绍 建图算法： 1. hector_slam 要求: 高更新频率、小测量噪声的激光扫描仪,不需要里程计，可手持建图。 在hector_slam程序中，最重要的是hector_mapping节点: (1)订阅的主题： scan(类型：sensor_msgs/L...
小白实现雷达x4导航小车。上位机：树莓派Ubuntu16.04，下位机：stm32
02-24 4451
感谢博主，尊重原创，以下为网址搬运：1、Kinetic ros安装:http://www.ncnynl.com/archives/201801/2273.html      indigo参考：http://blog.csdn.net/little_gray/article/details/509848342、x4雷达驱动安装使用的官方安装包      其他雷达可以参考：http://www.cnb...
【C++】ROS：navigation导航模块学习与算法示例
DevFrank的博客
04-23 2499
navigation导航模块学习与算法示例
SLAM论文与开源代码汇总（激光+视觉+融合）
huazaiqhp的博客
12-10 3722
激光视觉SLAM
【ROS2机器人入门到实战】使用SLAM_TOOLBOX完成建图
生活不止眼前的苟且
09-02 4265
SLAM 是通过传感器获取环境信息然后进行定位和建图。在 ROS 2 中，提供了很多的 SLAM 功能包，比如 slam_toolbox，cartographer_ros 和 rtabmap_slam 等。针对二维场景，其中 slam_toolbox 开箱即用，上手较为简单，就用它类来构建我们的第一张地图。
ros2 中 深度图像转雷达扫描节点 “depthimage_to_laserscan” 的变动
～勿据散客～的博客
11-03 319
节点名称： depthimage_to_laserscan -> depthimage_to_laserscan_node。话题名称： image -> depth;
openvslam_ros:OpenVSLAM的ROS软件包
03-09
openvslam_ros 的ROS软件包。
ROS导航功能包 程序
12-21
采用URDF文件构建机器人的3D模型，采用gmapping包实现了机器人工作环境的地图构建，这一节将利用amcl包和move_base包实现移动机器人的自主导航。http://blog.csdn.net/wangchao7281/article/details/53691351
基于ROS的激光雷达+小车+IMU的SLAM建图、定位、路径规划c++实现源码+项目说明.zip
04-10
基于ROS的激光雷达+小车+IMU的SLAM建图、定位、路径规划c++实现源码+项目说明.zip # 单线激光雷达SLAM建图与路径规划 使用的硬件：autolabor pro1小车、小觅双目相机(S1030标准版本)、IntelNUC迷你主机、显示器、2D...
基于ROS实现的激光雷达+小车+IMU 的 SLAM建图、定位、路径规划基于C++实现+源代码+文档说明.zip
05-14
SLAM建图、定位、路径规划基于C++实现+源代码+文档说明.zip基于ROS实现的激光雷达+小车+IMU 的 SLAM建图、定位、路径规划基于C++实现+源代码+文档说明.zip基于ROS实现的激光雷达+小车+IMU 的 SLAM建图、定位、路径...
基于单线激光雷达SLAM建图与路径规划c++实现源码+项目说明(SLAM建图、定位、路径规划).zip
09-21
基于单线激光雷达SLAM建图与路径规划c++实现源码+项目说明(SLAM建图、定位、路径规划).zip 单线激光雷达SLAM建图与路径规划 使用的硬件：autolabor pro1小车、小觅双目相机(S1030标准版本)、IntelNUC迷你主机、...
机器人操作系统（ROS）经典中文教程.pdf
02-03
经典书籍，机器人操作系统（Robot Operating System, ROS）是一个开源框架，用于开发复杂的机器人软件应用程序。它提供了一系列的库和工具，以帮助软件开发者创建模块化、可复用的代码，并实现不同硬件组件之间的...
视觉激光融合SLAM分类简介——V-LOAM、VELO、LVI-SAM、LIMO
m0_58605508的博客
11-13 406
灰度摄像机: Point Grey Flea 2 (FL2-14S3M-C) ×2 (10 Hz,resolution: 1392×512 pixels, opening: 90◦ ×35◦),彩色摄像机: Point Grey Flea 2 (FL2-14S3C-C) ×2 (10 Hz,resolution: 1392×512 pixels, opening: 90◦×35◦),光学镜头(4-8 mm): Edmund Optics NT59-917 ×4。
melodic+激光雷达A1M8建图的基本代码步骤
03-27
以下是使用melodic激光雷达A1M8建图的基本代码步骤： 1. 安装ROS melodic和激光雷达驱动程序 2. 启动激光雷达驱动程序 ``` roslaunch a1_driver a1.launch ``` 3. 启动激光雷达数据可视化工具 ``` roslaunch a1_lidar_view a1_lidar_view.launch ``` 4. 启动gmapping建图算法 ``` roslaunch gmapping gmapping.launch ``` 5. 订阅激光雷达数据并发布到gmapping节点 ``` rosrun tf static_transform_publisher 0 0 0 0 0 0 1 map laser 100 ``` 6. 保存地图 ``` rosrun map_server map_saver -f ~/map ``` 以上就是使用melodic激光雷达A1M8建图的基本代码步骤。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 15
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值