ROS读书记录1：机器人SLAM导航核心技术与实战1

陈傻鱼

已于 2024-04-17 19:30:20 修改

阅读量474

点赞数 4

分类专栏： ROS放弃指南文章标签：机器人 ROS SLAM

于 2024-03-05 17:02:42 首次发布

本文链接：https://blog.csdn.net/qq_45113070/article/details/136430810

版权

ROS放弃指南专栏收录该内容

12 篇文章 8 订阅

订阅专栏

视频参考：《机器人SLAM导航核心技术与实战》书籍配套教学视频

第0章

在这里插入图片描述

第1章 ROS相关知识

ROS:机器人开发平台
①ROS是一个分布式通信框架(最核心的本质
②ROS是一个开发工具的集台
③ROS是一系列开源软件包

计算机中程序的通信分为：①进程内通信 (程序内通信）
②进程间通信 (程序间通信)
③跨计算机通信 (设备间通信)
ROS=进程通信+网络通信；
在这里插入图片描述

ROS中程序=进程=节点；
topic:多对多；解耦合，可以分开设计；
service:多对一；实时性更高；
action:
消息类型分为：标准消息类型和自定义消息类型；标准的消息类型可以参考下面的网站
https://wiki.ros.org/std_msgs
ROS1的特点：中心化，XMLRPC/TCP/UDP传输；
ROS2.0的特点：去中心化，DDS信息传输方式。兼容ROS1，通过Bridge机制。
在这里插入图片描述

第2章 C++编程范式

SLAM选C++不选Python的原因：
实时性方面，C++要优于Python，Python是对程序员友好的编程语言，C++是对计算机友好的编程语言。Python一般用来开发跟实时性无关的功能，比如车道识别/动态物体追踪。
Python可以跨平台，是因为程序运行在Python虚拟机上。
在这里插入图片描述

C++编译

在这里插入图片描述

静态链接库 libxx.o结尾是.O;动态链接库 libxx.so结尾是.SO;
静态库：会打包所有的二进制文件，这样bin文件较大。缺点：程序升级麻烦。可能只改动了一个小的库，但是要升级所有的文件。
动态库：不用强行打包到一起，程序运行的时候自动查找库。这样就避免重复打包公用库，bin文件会较小。缺点：可能会有库不兼容问题。

g++

示例代码和执行流程

cd dero/
g++ foo.cpp main.cpp -o demo
./demo

makefile

类似一个脚本文件；
示例代码和执行流程

start:
g++ -o foo.o -c foo.cpp
g++ -o main.o -c main.cpp
g++ -o demo foo.o main.o
clean:
rm -rf foo.o main.o

//执行流程
cd demo/
make
make clean
./demo

CMake

比Make更智能，会自动处理引用关系
写在CMakeLists.txt文件中
示例代码和执行流程

cmake_minimum_required (VERSION 2.8]
project(demo)

include_directories("$[PROJECT_BINARY_DIR)")

add_library(foo foo.cPp)  // 编译成库
addLexecutable (demo main.cpp)  // 编译成可执行文件
target_link libraries (demo foo)   // 链接

// 执行流程
cd demo/
cmake .
make
./demo

命名规范

成员变量：m+驼峰；package用大驼峰；

第3章 OpenCv

图像处理是利用计算机对图像进行计算分析的技术，包括数字图像处理和计算机视觉两大领域。
数字图像处理：初级算法，滤波、缩放、分割；
计算机视觉：高级算法，识别、追踪；
常见图片处理库：口OpenCV、Halcon、Matlab、PIL、skimage。
AI图片处理平台：TensorFlow、PyTorch、Caffe。
在这里插入图片描述

OpenCv与PCL

单目相机得到的数据一般是2维的，所以需要OpenCv来进行处理；
双目、RGB-D相机、激光雷达得到的数据一般是3维的，需要PCL来进行点云处理。

第4章机器人传感器

当环境特征不明显时，例如走廊空旷房间，SLAM纯定位失效。会结合自身运动状态进行定位

IMU

IMU数据频率很高，而相机、轮式里程计测量频率较低，可以在时间上互补。而IMU又可以和雷达相机等不同数据进行空间上的互补。
良率检测：将一些建模困难的重要误差项作为指标，对指标存在较大误差的IMU模块进行筛除。
内参：IMU测量的都是三维空间量，所以要测量各个轴上的分量，但是IMU制作工艺误差会使得实际的三个轴不是正交的，所以需要轴偏差矩阵来修正。加速度作用在X Y轴上可能会出现换算的不一致性，这种换算不一致性是由敏感器件和AD转换器的固有特性的差异引起的，称为尺度偏差。静止状态IMU在各个轴上的测量值不一定为零，这种是由制造过程中的机械，物理，电子等的固有偏差，称为零偏。
外参：IMU与其他设备进行数据融合时，需要知道IMU与其他设备的相对位姿，才能进行数据融合。

数据融合

最常用的是：卡尔曼滤波融合和互补滤波融合。
互补滤波融合是简化版卡尔曼滤波，其中最有名的是Madgwick和Mahony算法；
其中Mahony 简化版 Madgwick。
在这里插入图片描述

激光雷达

多线激光雷达使用PCL库进行点云处理。PCL中包含点云滤波、特征点提取、点云配准、点云分割、点云曲面重建。
单线激光雷达和多线激光雷达都是绕Z轴旋转，校准方法都是采用纯估计法和里程计辅助法。
为了提高雷达运动畸变校正的效果，可以将里程计辅助法与ICP估计法相结合。先利用轮式里程计对雷达畸变做初步校正，然后将校正后的雷达数据放入ICP算法求位置转移，利用得到的位置转移信息反过来修正里程计的误差，这样就形成了一个迭代闭环。通过不断的迭代，实现对雷达运动的畸变校正。

相机

相机数据发布在<cam_name>/image_raw中。
ROS有自带驱动包usb_cam，但是只能发布相机的image_raw数据，无法发布CameraInfo信息。CameraInfo信息中包含相机的内参校正参数，相机的模式配置和其他硬件信息。
gscam功能包可以发布image_raw和CameraInfo信息。
相机标定采用camera_calibration功能包，标定完的信息保存在~/.ros/camera_info/head_camera.yaml中。

双目相机

双目相机可以当作两个独立的单目相机，也可以将左右图进行拼接然后发布。拼接的图会消耗硬件的计算资源，但是保证了左右图的时间同步，一般都会采用拼接发布。
双目相机标定也采用camera_calibration功能包。

RGB-D相机

在这里插入图片描述
RGB-D相机可以探测深度信息。而且可以通过depthimage_to_laserscan功能包将RGB-D深度图转为激光雷达扫描图。
由于RGB-D相机的视野角度小，激光SLAM建图效果，没有360度扫描的激光雷达建的地图好。所以，通常不用RGB-D相机建图，而只做避障用。我们可以将一定高度范围的深度图压缩成平面图，然后用二维扫描信息进行三维障碍物避障。
在这里插入图片描述

第5章机器人主机

在这里插入图片描述
ROS节点开机自启动，需要安装 robot_upstart。
ROS网络通信是中心式结构。所有参与ROS网络通信的主机都必须指定一台主机作为master。

第6章机器人底盘

底盘是机器人传感器和机器人主机的载体，也是移动机器人的基本形式。
轮式机器人分为：两轮差速、四轮差速、阿克曼、全向。
在这里插入图片描述
机器人通常借助感知装持续跟外部环境进行交互，从而来获取机器人的状态和环境的状态，我们可以简单的把机器人获取自身状态的行为叫做自我认知，把机器人获取环境状态为叫做环境认知。

SLAM是建图和定位的结合，导航是定位和路径规划的结合，探索是建图和路径规划的结合。SPLAM是建图、定位和导航的结合。
一种情况是，机器人会先启动SLAM算法构建好环境的地图。然后关闭 SLAM中的建图功能，利用建立好的地图和SLAM定位算法，为导航提供定位信息，这个过程也叫重定位。
另一种情况是，机器人启动SLAM算法的同时启动导航，这样机器人会一边建图一边导航，环境地图会随机器人导航而实时更新。
由于同时开启 SLAM算法和导航会使地图的鲁棒性很差，实际商业机器人上一般都是前一种情况。

第7章 SLAM的数学基础

SLAM简史

定位问题：已知全局地图坐标信息，利用观测求解机器人在地图中的坐标。
建图问题：已知机器人的实时坐标，利用观测求解被观测物体的坐标。
在这里插入图片描述
SLAM:Simultaneous Localization and Mapping
我在哪?->取决于何种参考系
我将到何处去?->取决于目的地在参考系下采用的描述方式
我该如何去?->取决于路线和运动方式
数据相关：数据关联的数据形式是多样的，除了基于激光轮廓，还可以基于激光特征点、图像特征、机器学习特征等。其实目前的人工智能算法，也就相当于一个数据关联模型。

SLAM中的概率理论

SLAM基于概率论：不确定性是普遍存在的，而概率理论的目的是试图从不确定性事物中发现一些确定性规律。
大数定律是将统计平均用来表示数学期望的依据。中心极限定理可以解释正态分布为何普遍存在。
SLAM问题，是一个状态估计问题，用概率进行描述。有两种方法：基于贝叶斯网络的状态估计，基于因子图的状态估计。
在这里插入图片描述

SLAM是一个软硬件相结合，理论加实战的浩大工程性问题
企业的目的是要将SLAM技术真正落地到产品，而不是等你慢慢研究数学理论或简单调几个参数，每个从业者都应该建立起大局观以避免重复造轮子。
在这里插入图片描述
数学模型的构建，是基于大量实践数据归纳总结出来的经验。
波束模型缺乏光滑性，导致构建出来的地图具有很多毛刺。
似然域模型较为平滑，构建出来的地图不易出现毛刺。

置信度，其实是对后验概率分布的符号化简写。
由于实际SLAM问题的非线性最小二乘中，很难找到合适的线性化方法，初值也比较难确定，并目代价函数的谋差往往不能最小化到0值，所以上面介绍的直接求解方法很难利用在实际问题中实际工程中，通常采用优化方法进行迭代求解。
在这里插入图片描述
可以发现，每一种方法都是前一种的改进，下降速度越来越好，但是每一步迭代的计算代价越来越高。
因此，在实际应用中要结合实际问题合理选择。比如Dogleg算法虽然每步迭代下降效果是最好的，但是每步选代付出的计算代价也最昂贵，站在整个迭代过程看，迭代效率并不一定比最普通的梯度下降法好。常用优化工具
在这里插入图片描述