cartographer_pose_extrapolator

0.引言

• 传感器数据处理：从LaserScan到TimedPointCloudOriginData

PoseExtrapolator 主要用于前端里程计：

• 进行畸变去除
• 点云处理时估计重力 EstimateGravityOrientation()
• 提供scanMatcher位姿的预测值 extrapolator_->ExtrapolatePose()

PoseExtrapolator主要思想: 采用匀速运动学模型预测未来时间time处的pose. 而匀速运动学模型的平移速度（线速度）是由

• 1.里程计或者
• 2.两次scanmatch结果的微分得到,并优先采用里程计的数据.

角速度是由

• 1.采用两次scan-match的航向进行微分获得
• 2.里程计
• 3.直接用IMU的角速度测量，优先级最高

私有变量：

• 姿态预测相关
  imu_tracker_ 只在添加位姿时更新, 用于保存添加校位姿准时的姿态
  odometry_imu_tracker_ 只在添加位姿时更新, 用于根据里程计数据计算线速度时姿态的预测
  extrapolation_imu_tracker_ 只在添加位姿时更新, 用于位姿预测时的姿态预测
• 通过里程计计算的线速度与角速度
  linear_velocity_from_odometry_ 只在添加里程计数据时更新, 用于位姿预测时的平移量预测
  angular_velocity_from_odometry_ 只在添加里程计数据时更新, 用于不使用imu数据时的imu_tracker_的角速度的更新
• 通过pose计算的线速度与角速度
  linear_velocity_from_poses_ 只在添加位姿时更新, 用于位姿预测时 不使用里程计数据时 平移量的预测
  angular_velocity_from_poses_ 只在添加位姿时更新, 用于 不使用里程计数据时 的imu_tracker_的角速度的更新
• 传感器数据队列的个数
  imu_date_ 队列数据的个数最少是1个
  odometry_data_ 队列数据的个数最少是2个, 所以, odometry_data_.size() < 2 就意味着不使用里程计
  timed_pose_queue_ 队列数据的个数最少是2个

数据结构：

// 保存一定时间内的pose
const common::Duration pose_queue_duration_; // 时间差 0.001s
struct TimedPose {
  common::Time time;
  transform::Rigid3d pose;
};
std::deque<TimedPose> timed_pose_queue_;
std::deque<sensor::ImuData> imu_data_;
struct OdometryData {
  common::Time time;
  transform::Rigid3d pose;
};
std::deque<sensor::OdometryData> odometry_data_;

1.添加观测

1.1. AddImuData

向imu数据队列中添加imu数据,并进行数据队列的修剪 TrimImuData();

1.2. AddOdometryData

向odom数据队列中添加odom数据,并进行数据队列的修剪 TrimOdometryData();,并计算角速度与线速度.

从 odometry_data_ 里面取出最老的与最新的两帧的数据。

  // 根据位姿队列中最后一个位姿 乘以 上次添加位姿时的姿态预测到time时刻的姿态变化量
  // 得到预测的 最新里程计数据时刻 tracking frame 在 local 坐标系下的姿态
  const Eigen::Quaterniond orientation_at_newest_odometry_time =
      timed_pose_queue_.back().pose.rotation() *
      ExtrapolateRotation(odometry_data_newest.time,
                          odometry_imu_tracker_.get());
  // 将tracking frame的线速度进行旋转, 得到 local 坐标系下 tracking frame 的线速度
  linear_velocity_from_odometry_ =
      orientation_at_newest_odometry_time *
      linear_velocity_in_tracking_frame_at_newest_odometry_time;

2.状态量的更新与校准AddPose

将扫描匹配后的pose加入到pose队列中,计算线速度与角速度,并将imu_tracker_的状态更新到time时刻. 主要参考文章

void PoseExtrapolator::AddPose(const common::Time time,
                               const transform::Rigid3d& pose)

• step 1 如果imu_tracker_没有初始化就先进行初始化

    if (imu_tracker_ == nullptr) {
  common::Time tracker_start = time;
  if (!imu_data_.empty()) {
    tracker_start = std::min(tracker_start, imu_data_.front().time);
  }
  // imu_tracker_的初始化
  imu_tracker_ =
      absl::make_unique<ImuTracker>(gravity_time_constant_, tracker_start);
  }
  

• step 2 在timed_pose_queue_中保存pose 并 修剪数据

    timed_pose_queue_.push_back(TimedPose{time, pose});
    // 保持pose队列中第二个pose的时间要大于 time - pose_queue_duration_
    while (timed_pose_queue_.size() > 2 && // timed_pose_queue_最少是2个数据
           timed_pose_queue_[1].time <= time - pose_queue_duration_) {
      timed_pose_queue_.pop_front();
    }
  

2.1. UpdateVelocitiesFromPoses

根据timed_pose_queue_中的数据（包含刚新加入的pose）计算线速度与角速度.

2.3.AdvanceImuTracker

/**
 * @brief 更新imu_tracker的状态, 并将imu_tracker的状态预测到time时刻
 * 
 * @param[in] time 要预测到的时刻
 * @param[in] imu_tracker 给定的先验状态
 */
void PoseExtrapolator::AdvanceImuTracker(const common::Time time,
                                         ImuTracker* const imu_tracker) const {
// 将imu_tracker_更新到time时刻
AdvanceImuTracker(time, imu_tracker_.get());

2.3.1.不使用imu 或者 预测时间之前没有imu数据的情况

在time之前没有IMU数据, 因此我们推进ImuTracker, 并使用姿势和假重力产生的角速度来帮助2D稳定

• step 1 预测当前时刻的姿态与重力方向imu_tracker->Advance(time);

  // 根据预测出的姿态变化量,预测旋转后的线性加速度的值
   gravity_vector_ = rotation.conjugate() * gravity_vector_;
  

  为什么要对旋转求逆？？

• step 2 使用 假的重力数据对加速度的测量进行更新。imu_tracker->AddImuLinearAccelerationObservation(Eigen::Vector3d::UnitZ());

   // 指数滑动平均法 exponential moving average
   // Step: 1 求delta_t, delta_t初始时刻为infinity, 之后为time_-last_linear_acceleration_time_
  const double delta_t =
      last_linear_acceleration_time_ > common::Time::min()
          ? common::ToSeconds(time_ - last_linear_acceleration_time_)
          : std::numeric_limits<double>::infinity();
  last_linear_acceleration_time_ = time_;
  
  // Step: 2 求alpha, alpha=1-e^(-delta_t/10)
  // delta_t越大, alpha越大
  const double alpha = 1. - std::exp(-delta_t / imu_gravity_time_constant_);
  
  // Step: 3 将之前的线加速度与当前传入的线加速度进行融合, 这里采用指数滑动平均法
  
  // 指数来确定权重, 因为有噪声的存在, 时间差越大, 当前的线性加速度的权重越大
  // 这里的gravity_vector_改成线性加速度更清晰一些
  gravity_vector_ =
      (1. - alpha) * gravity_vector_ + alpha * imu_linear_acceleration;
      
  // Change the 'orientation_' so that it agrees with the current
  // 'gravity_vector_'.
  // Step: 4 求得 线性加速度的值 与 由上一时刻姿态求出的线性加速度 间的旋转量
  const Eigen::Quaterniond rotation = FromTwoVectors(
      gravity_vector_, orientation_.conjugate() * Eigen::Vector3d::UnitZ());
  
  // Step: 5 使用这个旋转量来校准当前的姿态
  orientation_ = (orientation_ * rotation).normalized();
  

• step 3 使用从pose 或 从odom 计算得到的角速度进行测量值的更新 imu_angular_velocity_ = imu_angular_velocity;

2.3.2.有 imu 数据的情况

• step 1 imu_tracker的时间比imu数据队列中第一个数据的时间早, 就先预测到imu数据队列中第一个数据的时间.

    if (imu_tracker->time() < imu_data_.front().time) {
    // Advance to the beginning of 'imu_data_'.
    imu_tracker->Advance(imu_data_.front().time);
  }
  

• step 2 利用 imu数据依次更新状态直至 当前时刻。

    // 在imu数据队列中找到第一个时间上 大于等于 imu_tracker->time() 的数据的索引
  auto it = std::lower_bound(
      imu_data_.begin(), imu_data_.end(), imu_tracker->time(),
      [](const sensor::ImuData& imu_data, const common::Time& time) {
        return imu_data.time < time;
      });
  
  // 然后依次对imu数据进行预测, 以及添加观测, 直到imu_data_的时间大于等于time截止
  while (it != imu_data_.end() && it->time < time) {
    // 预测出当前时刻的姿态与重力方向
    imu_tracker->Advance(it->time);
    // 根据线速度的观测,更新重力的方向,并根据重力的方向对上一时刻预测的姿态进行校准
    imu_tracker->AddImuLinearAccelerationObservation(it->linear_acceleration);
    // 更新角速度观测
    imu_tracker->AddImuAngularVelocityObservation(it->angular_velocity);
    ++it;
  }
  // 最后将imu_tracker的状态预测到time时刻
  imu_tracker->Advance(time);
  

2.4.修剪数据

  // pose队列更新了,之前imu及里程计数据已经过时了
  // 因为pose是匹配的结果,之前的imu及里程计数据是用于预测的,现在结果都有了,之前的用于预测的数据肯定不需要了
  TrimImuData();
  TrimOdometryData();

  // 用于根据里程计数据计算线速度时姿态的预测
  odometry_imu_tracker_ = absl::make_unique<ImuTracker>(*imu_tracker_);
  // 用于位姿预测时的姿态预测
  extrapolation_imu_tracker_ = absl::make_unique<ImuTracker>(*imu_tracker_);

3.位姿预测

3.1.ExtrapolatePose

预测得到time时刻 tracking frame 在 local 坐标系下的位姿

• ExtrapolateTranslation预测平移
• ExtrapolateRotation预测旋转

3.2.EstimateGravityOrientation

预测得到time时刻 tracking frame 在 local 坐标系下的姿态，利用 imu_tracker 进行预测：

  ImuTracker imu_tracker = *imu_tracker_;
  // 使得 imu_tracker 预测到time时刻
  AdvanceImuTracker(time, &imu_tracker);

3.3.ExtrapolatePosesWithGravity

获取一段时间内的预测位姿的结果.

参考文章