Cartographer 中的简易全局重定位方法

已于 2023-09-14 17:58:10 修改
阅读量1.1k 收藏 1
点赞数 1
文章标签： c++ 机器人 算法
于 2023-08-02 01:41:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/github_37710643/article/details/132053627
版权

这两天上网冲浪的时候看到有人说 Cartographer 里有一个 PerformGlobalLocalization 函数用于全局重定位，可以看 cartographer github 仓库的 Issue #95  Localization in Existing Map。

不过我在源码里搜了一下并没有发现这个函数，然后又把旧版本的源码也搜了一下，发现在0.3.0版本之后被删除了，同时新版本中也提供了 pure_localization 模式，函数被删除应该和这个有点关系。

全文：

Cartographer 中的简易全局重定位方法 - 哔哩哔哩

Ros cartographer pure localization 自定位+重定位+导航
weixin_44025389的博客
10-19 4282
在完成了前面的方针之后，随着不断挖掘开始跑 cartographer + move_base 的构架，由于amcl定位的实时性和重定位的能力远不及 cartographer pure localization 自定位的构建方式，所以本文开始放弃 gampping + amcl + move_base 开启本文的 cartographer + move_base框架主要思路为：仿真 + 实战的探索过程本文主要分两部分： A.仿真调通 + B.自定位实战 + C.自定位导航实战。
MATLAB算法实战应用案例精讲-【人工智能】SLAM（概念篇）
qq_36130719的博客
06-06 2904
SLAM是Simultaneous Localization and Mapping的缩写，意为“同时定位与建图 （同步定位与地图构建）”，是业界公认视觉领域空间定位技术的前沿方向。它是指运动物体自身位置不确定的条件下，根据传感器的信息，一边计算自身位置，一边构建环境地图的过程,同时利用地图进行自主定位和导航。它主要用于解决机器人在未知环境运动时，如何通过对环境的观测确定自身的定位和运动轨迹，同时构建出周围环境的地图。
cartographer 3D mapping
07-20
Continuous-Time SLAM—Improving Google’s Cartographer 3D Mapping
cartographer全局重定位的实现
zhangkkit的博客
01-14 804
本博客主要介绍cartographer全局重定位的实现，目前已经测试能够实现在6米180度范围内的全局重定位。
提升激光SLAM重定位效率：增强版Cartographer算法
gitblog_09819的博客
10-31 584
提升激光SLAM重定位效率：增强版Cartographer算法 【下载地址】增强重定位的Cartographer算法改进 本仓库提供了一种针对激光SLAM算法的改进方案，重点在于增强Cartographer算法中的重定位功能。通过在五千平方米的车库环境中进行实验验证，我们成功将重定位耗时降低至3.35秒。本资源文件包含了...
【Cartographer魔改】cartographer定位模式下设置起始位姿——快速重定位
weixin_44923488的博客
03-28 1万+
【Cartographer魔改】cartographer定位模式下设置起始位姿——快速重定位 在使用cartographer的纯定位工作模式下，默认机器人的起点位姿位map坐标系原点位姿。 如果当机器人启动定位launch时不在初始位置附近，cartograpeher默认从map坐标系原点位姿附近开始搜索，当地图较大时重定位会花费较多时间，甚至失败。 因此，本文通过修改cartograpeher源码的方式，修改定位模式的初始位姿，从而达到快速重定位的目的。 主要借鉴了博文： https://blog.csd
cartographer_ros定位功能位姿获取与重定位设置
热门推荐
fengdehuhuan122的专栏
03-21 1万+
本人小白，项目中使用cartographer进行机器人的定位。cartographer_ros中没有发布机器人在地图坐标系中的位姿topic，只发布各frame间的tf变换。若通过tf变换获取位姿坐标，测试发现不管激光频率多高（20~100hz），获取的位姿频率只有5h左右。因此对源码进行简单修改，获取高频率的位姿topic并在rviz中根据机器人当前位置进行重定位。 准备工作 源码安装 首先对...
激光slam算法改进提出了一种增强重定位的cartographer算法
rODtDpzD的博客
10-27 1953
目前，Cartographer算法是激光SLAM中常用的算法之一，其基于优化的方式，通过建图、定位和回环检测等过程实现了高精度的机器人自主导航。本文提出了一种增强重定位的Cartographer算法，通过对地图中的关键位置进行提前计算和预处理，减小了定位和回环检测的计算复杂度，大大提高了机器人的自主导航效率。同时，在增强重定位后，机器人的重定位耗时时间大大减小，提高了机器人的自主导航效率。具体来说，通过对地图中的关键位置进行提前计算和预处理，减小了定位和回环检测的计算复杂度，从而大幅度降低了重定位的耗时。
使用cartographer纯定位替换amcl定位
XJ_75的博客
08-18 6664
经过实际使用，发现cartographer定位对于重定位的表现比amcl好。如果机器人的起始位置离原点较远，amcl很难自行重定位到正确的位置，只能手动修改初始位置。然而cartographer定位的表现则很好，在行驶一段距离或原地旋转一段时间后能够正确重定位。
新品发布 | Prometheus 450第三代正式发布
AMOVLAB(阿木实验室)
03-30 1097
P450—让无人机更智能，让科研更高效 Prometheus 450（P450）是阿木实验室专为科研工作者及无人机开发者设计并打造的无人机飞行平台，适用于无人机专业应用研究和开发。 P450遵循“让研发更高效”的设计理念，搭载开源飞控PX4及开源自主无人机软件平台Prometheus，提供丰富的demo例程，涵盖控制、规划、SLAM、目标检测、深度学习、集群控制等多个无人机及人工智能相关研究方向，旨在为无人机的智能与自主飞行提供全套解决方案。 P450的迭代亮点...
Amcl Cartographer 双定位
1818610
02-03 3220
1、使用记录 １）执行双定位，执行过程中未报错。注意各个launch文件执行顺序。 ２）ＡＭＣＬ运行过程中，ＳＣＡＮ与地图匹配没carto好，感觉慢半拍，不 影响使用。 ３）Amcl 定位精度稍差，但无首次定位漂移的问题，carto有这问题。 ４）carto 在ｉｍｕ加laser , 定位还行，进行搬移后，还是能准确定位。 ５）ｃａｒｔｏ启动首次定位容易飘，无法到达指定位置。 ６）ｃｐｕ占用率在增...
全局变量重定位
Matrix_Designer的专栏
09-25 908
对于寄生程序，全局变量重定位不可避免。下面代码实现了全局变量的重定位。 <br /><br /> inline DWORD GetOffset()<br /> {<br /> DWORD dwGlobalOffset=0;<br /> __asm<br /> {<br /> call OffsetLabel<br /> OffsetLabel:<br /> pop dwGlobalOffset<br /> sub dwGlobalOffset,offset Of
cartographer大场景无初始位置快速重定位_2w平工厂测试秒级重定位
qq_33346065的博客
02-05 465
大场景重定位是使用cartograper定位时常见的应用情况，一般的会采用二维码或人工提供初始位置的方式进行局部重定位，这种方法对部署和运行有一定局限性，本文提供一种改进的方法，使用全局重定位在全图搜索，无需初始位置，并且进行效率提升在2万平场地可以实现秒级定位。在2万平、100多个子图情况下这个效率比原始算法要快很多，基本满足实际项目的应用（在重定位阶段机器人自旋，成功后进行任务）。
给 Cartographer 添加全局重定位功能
github_37710643的博客
08-17 780
新版本的 Cartographer 是没有初始全局重定位的功能的，不过旧版本中有提供一个简单的实现参考，可以看我先前的文章《Cartographer 中的简易全局重定位方法》，但是旧版源码中并没有实际使用这个函数。其实这个函数是不够用的，地图大点都要匹配很久。下面将会介绍如何在新版 carto 中添加上全局重定位功能，并提供接口供 cartographer_ros 调用。同时也会介绍如何用 carto 自带的线程池加速重定位的计算。
Cartographer工程化
Leo_Xj的博客
06-13 2024
机器人中cartographer的工程化应用
linux内核全局变量重定位,Bootloader全局变量重定位和KernelRelocate函数
weixin_39900736的博客
04-30 256
1 为什么要对全局变量重定位首先研究为什么要对Bootloader的全局变量执行重新定位的问题。在Bootloader的源代码中不可避免的要定义一些全局变量，这些全局变量被放置在编译得到的可执行二进制文件的数据段存储区。Bootloader镜像文件或在ROM中以XIP方式运行或被复制到一块在.bib工程文件中定义为RAMIMAGE的区域内，尽管这块区域位于系统RAM存储器中，但却是被当作ROM来使...
cartographer建图，重定位及发布消息结构为nav_msgs::Odometry的odom话题
小王子的博客
10-21 4882
完整功能包（包含carto建图，重定位以及odom话题发布）上传至 众所周知，cartographer的重定位模式没有发布消息结构为nav_msgs::Odometry的odom话题 但cartographer_ros功能包中包含tracked_pose话题，里面包含了map坐标系下雷达的位姿， 默认不打开，我们在此基础上完成odom话题的发布 首先找到node.cc里面的node_options_.publish_tracked_pose，可以看到如果if为true，将发布tracked_pose话题，选
ROS的谷歌建图算法cartographer导航重定位报错记录
qq_46556567的博客
10-28 1461
Global Frame: odom Plan Frame size 37: map Error: Lookup would require extrapolation into the future. Requested time 1666945228.908213219 but the latest data is at time 1666945228.907838500, when looking up transform from frame [odom] to frame [map]
在自己的机器人上跑 Cartographer pure location纯定位
工大机器人工作室
07-13 3778
本文基于本人的2D Cartographer SLAMhttps://blog.csdn.net/qq_34935373/article/details/107181281 话不多说： 依然三个项目文件配置： launch文件： <launch> <param name="/use_sim_time" value="false" /> <param name="robot_description" textfile="$(find cartograp
Cartographer定位
最新发布
03-20
### Cartographer SLAM 定位功能介绍 #### 1. Cartographer 的核心特性 Cartographer 是由 Google 开发的一个开源实时室内 SLAM (Simultaneous Localization and Mapping) 工具，主要用于机器人导航中的建图与定位任务。它采用了基于 Ceres Solver 的非线性优化方法来处理传感器数据并生成高精度的地图[^1]。这种优化方式使得 Cartographer 能够有效减少累积误差，并提高地图的质量。 #### 2. 子图机制的应用 Cartographer 利用了 **子图（Submap）** 的概念，在局部范围内构建多个小型地图片段，随后通过全局优化将这些子图拼接成完整的地图。这种方法不仅提高了计算效率，还能够显著降低动态障碍物对建图过程的影响。因此，Cartographer 特别适合应用于复杂的室内外环境。 #### 3. 多传感器融合能力 Cartographer 支持多种类型的传感器输入，包括里程计（Odometry）、惯性测量单元（IMU）以及激光扫描仪（LaserScan）。这使其能够在不同硬件配置下灵活部署，无论是低成本的小型设备还是高性能的工业级平台都能适用。此外，Cartographer 同时支持 2D 和 3D 地图创建，进一步扩展了其应用场景范围。 #### 4. ORB-SLAM 辅助下的重定位改进 为了提升 Cartographer 在复杂场景中的表现，研究者提出了结合视觉 SLAM 技术（如 ORB-SLAM）的方式来进行全局重定位。具体而言，当 Cartographer 面临大量相似帧被剔除的情况时，可能会导致特征点不足的问题，而引入 ORB-SLAM 可以为系统提供更多可靠的匹配信息，从而改善整体性能[^2]。 #### 5. 实验验证与实际效果 一项针对大型地下停车场（约五万平方米面积）的研究表明，经过特定参数调整后的 Cartographer 算法可以将重定位时间缩短到仅需 3.35 秒左右[^3]。这一成果证明了该技术在真实世界大规模环境中具备良好的实用价值。 #### 6. 寻找初始位姿的重要性 无论是在已知地图上的重新定位还是未知区域探索期间遇到闭环检测挑战时，“寻找初始位姿”都是一个关键环节。如果缺乏准确的位置估计，则难以利用 ceres_scan_matching 方法完成精确定位需求[^4]。因此，如何快速可靠地获取当前位置成为整个流程中不可或缺的一部分。 ```python import cartographer_ros.msg as crm def initialize_pose(map_data, sensor_readings): """ 初始化姿态函数示例 参数: map_data: 当前可用地图数据 sensor_readings: 最新传感器读数 返回值: estimated_position: 计算得出的最佳位置猜测 """ pass # 此处省略具体实现逻辑 ``` ---
评论
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