cartographer代码入口:
global_trajectory_builder.cc文件下的AddHorizontalLaserFan函数,
其中分为两部分:前端AddHorizontalLaserFan{}
后端sparse_pose_graph_->AddScan{}
一、前端
所用帧间匹配算法:相关匹配算法优化初始位姿,再使用ceres库优化
代码流程:
scan数据直接应用于帧间匹配
odom/imu数据 通过位姿外推器(松耦合)得 预测位姿
预测位姿作为初始位姿 加入 相关匹配方法(注在本阶段不需使用分支定界,因为在小范围枚举)
得到的位姿 再次传入 ceres优化得到最终位姿
在此位姿下实现激光数据帧插入submap中,至此前端较为重要的流程已经完成
(注:因为前段的位姿是通过增量式计算得到的,所以会产生累计误差,因此后端优化就由此产生以消除累计误差)
二、后端
后端回环包括激光数据帧和过去所有submap实现匹配的过程,匹配成功就计算相对位姿和得分,根据得分判断是否需要调用优化。
对于后端回环检测和优化理论不理解可以参考SPA优化算法详解:以Cartographer后端为例 - 知乎
后端的代码流程:
每加入一帧激光帧,调用ComputeConstraintsForScan()先是约束计算,计算和当前和前一个submap的相对位姿实现约束加入(注:此时约束是用前端得到的是带有误差的位姿和submap的相对位姿)
然后是回环检测(触发条件:新scan和新完成submap): 在调用ComputeConstraintsForScan()中调用MaybeAddGlobalConstraint()枚举已经完成的submap,实现真实约束计算其实就是加入的scan和过去所有submap匹配过程。
for(所有submap)
//*********************************************
而这个匹配过程使用了多分辨率建立多个地图,实现分支定界加速(现在粗分辨率中找到激光点落在地图中的最高得分,再在最高得分的栅格上继续细分分辨率,一直到最细分辨率,由于精度受限于分辨率因此无法得到更精确的位姿,所以有优化方法补充)
最后使用优化的方法得到scan在global地图中的真实位姿(前端得到的是带有误差的位姿),再计算与当前submap的约束。
submap++;
//*****************************************
当节点到达设定数量时,调用优化。
误差函数:
真实位姿与submap的相对位姿 减去 前端得到的是带有误差的位姿和submap的相对位姿