一篇文章读懂大象机器人myAGV如何实现建图导航！

myAGV 大象首款移动机器人，采用竞赛级麦克纳姆轮，全包裹金属车架；ROS开发平台内置两种slam算法，满足建图、导航方向的学习；提供丰富的扩展接口，可搭载my系列机械臂，实现移动抓取，完成更多应用。

1、工业级高品质外观

1.1麦克纳姆轮：

麦克纳姆轮的搭载，能够让myAGV进行全向运动，可以实现横向运动，做到原地转圈运动，向目的地前进的时候能够省去很多不必要的路径。

1.2可拆卸

带有金属框架的全包裹式设计使 myAGV 更加紧凑和坚固。内置树莓派4B和分体式结构，能够自主拆卸，能在外形/主板上自行设计创作出属于自己独一无二的小车

2、强大建图导航功能

2.1实时建图

目前myAGV使用中需要进行SLAM建图，因为移动机器人想要实现自主行走，核心在于实现自主定位导航，在自主定位技术导航中会涉及到定位、建图、路径规划等问题，而地图构建的好坏将直接影响myAGV的行走路径。

myAGV想要到达某个目的地，需要和人类绘制地图一样，描述环境、认识环境的过程主要就是依靠地图。下面对myAGV小车使用的两种建图算法进行介绍。

2.1.1 gmapping算法

GMapping是一种高效的粒子滤波器，是一个基于2D激光雷达使用RBPF（Rao-Blackwellized Particle Filters）算法完成二维栅格地图构建的SLAM算法。Gmapping可以实时构建室内地图，在构建小场景地图所需的计算量较小且精度较高。

操作：

先将小车放置在需要建图环境中的一个合适起始点位上，因为开启launch文件将会开启小车的IMU传感器及odom里程计，人为的移动小车将造成小车建图失真。

先打开SLAM扫描文件

运行命令：

cd myagv_ros

source ./devel/setup.bash

roslaunch myagv_odometry myagv_active.launch

然后打开gmapping建图文件，操控小车在所需要的空间里行走一圈

运行命令

roslaunch myagv_navigation myagv_slam_laser.launch

看到图像中建立出所需要的空间的时候就可以保存地图了

运行命令保存建出的地图：

rosrun map_server map_saver

2.1.2cartographer算法

cartographer是一套基于图优化的SLAM算法。

cartographer算法主要运用了Submap这一概念，每当或得一次laser scan的数据后，便与当前最近建立的Submap去进行匹配，使这一帧的laser scan数据插入到Submap上最优的位置。在不断插入新数据帧的同时该Submap也得到了更新。

一定量的数据组合成为一个Submap，当不再有新的scan插入到Submap时，就认为这个submap已经创建完成，接着会去创建下一个submap，具体过程如下图。

图来自csdn

所有创建完成的submap以及当前的laser scan都会用作回环检测的scan matching。如果当前的scan和所有已创建完成的submap在距离上足够近，则进行回环检测。完成回环检测后完成建图。

（Submap ：子图，将一小块区域雷达扫描的范围（scan）形成一张子图）

cartographer算法建图的过程跟gmapping算法建图的过程一样，先是打开雷达，再开启cartographer算法文件，去操控小车在所要建立的区域中行走，完成建图。

很多人可能都会有疑惑，建图明明一种算法就好了，为什么要介绍两种建图的算法呢？

我们来比较一下两种算法就能解决这个疑惑了。

Gmapping可以实时构建室内地图，在构建小场景地图所需的计算量较小且精度较高。 而相比Cartographer在构建小场景地图时，Gmapping不需要太多的粒子并且没有回环检测，因此计算量小于Cartographer，而精度并没有差太多。

在构建小场景地图的时候，gmapping和cartographer相比，前者不仅速度快也能够建造高精度的地图，而在地图的扩大gmapping需要的粒子数量多了容易把内存撑爆。而后者恰好可以解决地图扩大的问题，建图的效果还能够非常好（上图处在同一地形的建图）。

2.2地图导航

上一步在我们建好的地图中，我们可以让小车在地图里自动导航到某一个目的地。这都源于ROS的navigation功能包。

navigation中的move_base：

图来自csdn

global planner：

根据给定的目标位置进行总体路径的规划.

在ROS的导航中，首先会通过全局路径规划，计算出机器人到目标位置的全局路线。这一功能是navfn这个包实现的。navfn通过Dijkstra最优路径的算法，计算costmap上的最小花费路径，作为机器人的全局路线。

local planner：

据附近的障碍物进行躲避路线规划。

本地的实时规划是利用base_local_planner包实现的。该包使用Trajectory Rollout 和Dynamic Window approaches算法计算机器人每个周期内应该行驶的速度和角度（dx，dy，dtheta velocities）。

base_local_planner这个包通过地图数据，通过算法搜索到达目标的多条路经，利用一些评价标准（是否会撞击障碍物，所需要的时间等等）选取最优的路径，并且计算所需要的实时速度和角度。

接下来介绍一下我们复现的过程：

一开始我们得确定myagv的位置，用到了ros中的acml去定位。（在地图中确定myagv所在的位置）

（ 白色：myAGV ；红色点点:小车现在位置扫描出的激光点云；蓝色：是激光雷达局部地图膨胀生成的膨胀地图 ；绿色：是姿态数组 手动定位的时候绿色会进行收敛 直至团状 ）

原地转几圈完成定位后就可以开始进行自动导航了。

当我们点击“2D Nav Goal”，再点击地图上我们想要到达的点位，小车便会向着目标点位出发，同时还可以在rviz中看到起点到目标点位间有一条小车的规划路径，小车会沿着路线运动到目标点位。

2.3 PS2手柄控制

作为一个移动机器人怎能没有手柄控制呢！

我们开发了ps2手柄控制myAGV，这样myAGV就可以自由的运动，实现更多的可能。

下面是我们手柄控制的时序图提供一点思路给大家，能够手柄上做更多的开发。

最后，如果你拥有这样一辆小车你会做些什么？在它分体式结构可拆卸的小车，你能够给它改装成什么样子的AGV,是给他的车上加上一些武器去作为一辆战斗车，还是改装成搭载各种各样的机器充满未来感？

感谢你们的观看，如果有什么好的意见请留言！

上面就是我们对小车的初步介绍，后续会介绍myAGV搭载我们my系列的机械臂。