【ROS】中级操作学习整理-激光SLAM

最新推荐文章于 2024-08-02 18:45:38 发布

鹏某啥都讲点

最新推荐文章于 2024-08-02 18:45:38 发布

阅读量1.8k

点赞数 5

分类专栏： ROS 文章标签：学习自动驾驶人工智能

本文链接：https://blog.csdn.net/qq_52785580/article/details/124691862

版权

ROS 专栏收录该内容

13 篇文章 9 订阅

订阅专栏

系列文章目录

·【ROS】中级操作学习整理-gazebo机器人仿真

·【ROS】中级操作学习整理-TF坐标变换

·【ROS】中级操作学习整理-传感器建模

·【ROS】中级操作学习整理-激光SLAM

文章目录

前言

前面介绍了如何在gazebo中建立自己的移动机器人模型，并且我们为机器人建模了传感器，使得我们的机器人在仿真环境中也可以感知周围的环境，那么这篇文章就可以根据之前的工作，利用激光雷达来感知周围的环境，构建环境地图。

这篇文章要讲的SLAM（Simultaneous localization and mapping）-同步定位与建图是我感兴趣的方向，SLAM的问题可以描述为：将一个机器人放入未知环境中的未知位置，是否有办法让机器人一边移动一边逐步描绘出此环境完全的地图，在这个过程中机器人可以实现自身的定位和周围环境的感知，并为下一步的导航和路径规划做好准备。

SLAM分为激光SLAM（主要传感器是激光雷达）和视觉SLAM（主要传感器是相机），SLAM是1988年才提出的概念，现在理论发展基本饱和，SLAM的框架已经大概搭建完毕，现在正处于应用的巅峰期，SLAM领域门槛较高，亟需顶尖人才。

关于更多SLAM的知识可以参考高翔博士的《视觉SLAM十四讲》或者更多网络上的资源，这篇文章我们还是以ROS为主，讲解ROS中集成的一些激光SLAM算法，以及他们如何在我们的机器人上应用起来。

一、地图描述格式

在介绍激光SLAM算法之前，我们先介绍一下在ROS中地图是怎么存储和传递的。

在ROS中地图（map）其实也是一个话题，可以由建图算法发布，由路径规划节点订阅，或者由rviz节点订阅进行可视化显示，map的数据结构如下：

std_msgs/Header header          // 数据的消息头
  uint32 seq                    // 数据的序号
  time stamp                    // 数据的时间戳
  string frame_id               // 地图的坐标系
nav_msgs/MapMetaData info       // 地图的一些信息
  time map_load_time            // 加载地图的时间
  float32 resolution            // 地图的分辨率，一个格子代表着多少米，一般为0.05，[m/cell]
  uint32 width                  // 地图的宽度，像素的个数, [cells]
  uint32 height                 // 地图的高度，像素的个数, [cells]
  geometry_msgs/Pose origin     // 地图左下角的格子对应的物理世界的坐标，[m, m, rad]
    geometry_msgs/Point position
      float64 x
      float64 y
      float64 z
    geometry_msgs/Quaternion orientation
      float64 x
      float64 y
      float64 z
      float64 w
// 地图数据，优先累加行，从（0,0）开始。占用值的范围为[0,100]，未知为-1。
int8[] data

比较重要的有frame_id用来描述地图的坐标系，width和height用来描述地图的高度和宽度，data这是一个变长度数组用来记录地图栅格的占用情况，ROS中地图的栅格占用情况是通过概率表示的，表示这个栅格有多大的概率被占用。

二、gmapping

Gmapping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，算是性能较好且最常用的激光SLAM算法了，我们这里只谈gmapping的应用，而不具体深究它的算法实现。

优点：gmapping可以实时构建室内环境地图，在小场景中计算量少，且地图精度较高，对激光雷达扫描频率要求较低。

缺点：随着环境的增大，构建地图所需的内存和计算量就会变得巨大，所以gmapping不适合大场景构图。一个直观的感受是，对于200x200米的范围，如果栅格分辨率是5cm，每个栅格占用一个字节内存，那么每个粒子携带的地图都要16M的内存，如果是100粒子就是1.6G内存。

可以通过以下的命令安装gmapping算法

sudo apt-get install ros-noetic-gmapping

gmapping订阅和发布的话题

gmapping算法订阅tf话题和雷达数据话题scan，雷达数据不用说，由激光雷达发布，这里的tf需要注意，一定要包含机器人底盘坐标系（base_frame）和里程计坐标系（odom_frame）之间的坐标变换关系，因为SLAM解决的是定位问题，需要由这个tf经过算法，计算得出机器人（base_frame）与环境（map_frame）之间的相对位置，这个过程就是定位的过程。

因此gmapping发布了新的tf变换，并且发布三个话题，map就是创建的二维栅格地图，map_metadata主要包含地图的数据，还有机器人位姿估计的熵entropy（平时用不到，我认为是用来评估算法性能的）

虽然ROS中集成了gmapping算法，但是我们也需要创建一个launch文件来调整gmapping的一些参数，以获得我们需要的性能，具体的参数含义可以参考ros的官方说明，这里只对一些需要注意的参数进行说明。

<launch>
    <arg name="scan_topic" default="/scan" />                  <!-- 根据自己发布scan名称进行修改 -->
    <node pkg="gmapping" type="slam_gmapping" name="slam_gmapping" output="screen" clear_params="true">
        <param name="base_frame" value="/base_footprint"/>     <!-- 根据自己的基座标系名称进行修改 -->
        <param name="odom_frame" value="/odom"/>               <!-- 根据自己的里程计坐标系名称进行修改 -->
        <param name="map_update_interval" value="4.0"/>
        <!-- Set maxUrange < actual maximum range of the Laser -->
        <param name="maxRange" value="5.0"/>
        <param name="maxUrange" value="4.5"/>
        <param name="sigma" value="0.05"/>
        <param name="kernelSize" value="1"/>
        <param name="lstep" value="0.05"/>
        <param name="astep" value="0.05"/>
        <param name="iterations" value="5"/>
        <param name="lsigma" value="0.075"/>
        <param name="ogain" value="3.0"/>
        <param name="lskip" value="0"/>
        <param name="srr" value="0.01"/>
        <param name="srt" value="0.02"/>
        <param name="str" value="0.01"/>
        <param name="stt" value="0.02"/>
        <param name="linearUpdate" value="0.5"/>
        <param name="angularUpdate" value="0.436"/>
        <param name="temporalUpdate" value="-1.0"/>
        <param name="resampleThreshold" value="0.5"/>
        <param name="particles" value="80"/>
        <param name="xmin" value="-1.0"/>
        <param name="ymin" value="-1.0"/>
        <param name="xmax" value="1.0"/>
        <param name="ymax" value="1.0"/>
        <param name="delta" value="0.05"/>
        <param name="llsamplerange" value="0.01"/>
        <param name="llsamplestep" value="0.01"/>
        <param name="lasamplerange" value="0.005"/>
        <param name="lasamplestep" value="0.005"/>
        <remap from="scan" to="$(arg scan_topic)"/>
    </node>
</launch>

代码段中通过注释，标注了三个一定需要我们根据自己机器人信息修改的参数，这几个参数需要通过rostopic list具体查看到底是哪个话题在发布，修改成对应的话题，构建了这个launch文件，我们就可以愉快的启动gmapping算法进行建图了，可以把gmapping与启动gazebo仿真环境的代码放在一个一个launch文件中启动。

<launch>
	<include file="$(find mbot_gazebo)/launch/view_mbot_with_laser_gazebo.launch"/>
	<include file="$(find my_mapping)/launch/my_gmapping.launch"/>
	<include file="$(find my_mapping)/launch/mbot_movebase.launch"/>
	
	<node pkg="rviz" type="rviz" name="rviz" args="-d $(find my_mapping)/config/my_gmapping.rviz"/>
</launch>

当然，这个文件中我还包含了movebase路径规划的配置文件，目前是我们不需要的；还包含了rviz的配置文件，当然你也可以打开一个rviz界面进行手动设置。

运行gmapping算法后，机器人的tf树上会出现图中红框的部分，这部分就是由gmapping算法发布的新tf变换，另外，使用rostopic工具也可以看到gmapping发布的话题。

我们在gazebo仿真环境中添加一些能被雷达检测到的障碍物，然后启动机器人键盘控制器节点，让机器人在环境中走一圈，看看构建出的地图是什么样子。

这里就大概完成了一张地图的创建，我们可以使用一下这行命令将地图保存到当前目录下。

rosrun map_server map_saver [-f filename]

保存的地图有两个文件，pgm格式的文件像是一张图像，yaml文件中记录了地图的信息，将地图保存下来后，在今后的仿真环境导航工作中就可以直接使用map_server节点直接加载地图了。

加载地图的命令：

rosrun map_server map_server filename.yaml

下面是yaml文件中记录的信息

三、hector

hector_slam算法与gmapping一样都是建图算法，但是hector的特点是不需要里程计的信息即可完成建图，他只需要接收雷达的信息，使用高斯牛顿方法进行建图，下面来看一下hector订阅和发布的信息

在这里插入图片描述

hector不需要odom与base之间的坐标系变换，但是需要知道laser坐标系和base坐标系之间的坐标变换，这一部分的坐标变换关系我们可以通过robot_state_publisher发布的机器人坐标变换关系获取，然后hector会发布map与odom之间的坐标变换，以确定机器人在环境中的位置。

也可以通过以下的代码安装hector_slam

sudo apt-get install ros-noetic-hector-slam

然后也可以像启动gmapping一样，通过配置hector的launch文件，配置它的参数

<launch>
    <include file="$(find mbot_gazebo)/launch/view_mbot_with_laser_gazebo.launch"/>
    <node pkg="hector_mapping" type="hector_mapping" name="hector_height_mapping" output="screen">
      <!--Frame names-->
    <param name="pub_map_odom_transform" value="true"/>
    <param name ="map_frame" value ="map"/>
    <param name="base_frame" value="base_link" />
    <param name="odom_frame" value="odom" />

    <!--TF use-->
    <param name="use_tf_scan_transformation" value="true"/>
    <param name="use_tf_pose_start_estimate" value="false"/>

    <!--mapsize /start point-->
    <param name="map_resolution" value="0.05"/>
    <param name="map_size" value="1024"/>
    <param name="map_start_x" value="0.5"/>
    <param name="map_start_y" value="0.5"/>
    <param name="laser_z_min_value" value="-1.0"/>
    <param name="laser_z_max_value" value="1.0"/>
    <param name="map_multi_res_levels" value="2"/>

    <param name="map_pub_period" value="1"/>
    <param name="laser_min_dist" value="0.4"/>
    <param name="laser_max_dist" value="5.5"/>
    <param name="output_timing" value="false"/>
    <param name="pub_map_scanmatch_transform"  value="true"/>

    <!--map update parameter-->
    <param name="update_factor_free" value="0.45"/>
    <param name="update_factor_occupied" value="0.7"/>
    <param name="map_update_distance_thresh" value="0.1"/>
    <param name="map_update_angle_thresh" value="0.05"/>

    <!--Advertising  config-->
    <param name="scan_topic" value="scan" />
    <param name="advertise_map_service" value="true"/>
    <param name="map_with_known_poses" value="false"/>
    <param name="scan_subscriber_queue_size" value="5"/>

  </node>

  <!-- Move base -->
 <include file="$(find my_mapping)/launch/mbot_movebase.launch"/>

</launch>

其中需要注意的地方也是frame的名字，需要与你的机器人坐标系匹配，更多关于参数的含义可以参考官网的说明。

hector可以代替gmapping算法进行建图，在上面的launch文件中，我也添加了机器人仿真环境的启动和movebase框架的启动，下面就运行一下launch文件一起看一下它的效果。

然后也可以使用tf工具，可视化其中的坐标变换关系

当然也可以使用map_server节点将地图保存下来

另外，hector提供了另一个节点也可以用来保存地图及机器人的地理位置信息-geotiff_node，可以通过这行代码，将地图保存为一个包含图像数据的 .tif 文件和一个包含地理参考信息的 .tfw 文件。

rostopic pub syscommand std_msgs/String "savegeotiff"

最后，这个包提供了一个节点hector_trajectory_server，可以在给定目标和源框架的情况下保存基于tf的轨迹数据，轨迹在内部保存为nav_msgs/Path，可以使用服务或主题获取。在内部，一个 tf::Transformlistener 监听tf，执行必要的转换并将生成的姿势推送到保存的轨迹。更新和发布速率可以通过参数进行修改。

优缺点：不需要里程计，但对于雷达帧率要求很高40Hz，估计6自由度位姿，可以适应空中或者地面不平坦的情况。初值的选择对结果影响很大，所以要求雷达帧率较高

四、cartograph

cartographer是google开发的实时室内SLAM项目，cartographer采用基于google自家开发的ceres非线性优化的方法，cartographer的亮点在于代码规范与工程化，非常适合于商业应用和再开发。并且cartographer基于submap子图构建全局地图的思想，能有效的避免建图过程中环境中移动物体的干扰。并且cartographer支持多传感器数据（odometry、IMU、LaserScan等）建图，支持2D_SLAM和3D_SLAM建图。

这部分使用的是google的开源库，具体我没用过，可以参考这篇博客。

五、karto

karto是基于图优化的SLAM算法，用高度优化和非迭代cholesky矩阵进行稀疏系统解耦作为解。图优化方法利用图的均值表示地图，每个节点表示机器人轨迹的一个位置点和传感器测量数据集，箭头的指向的连接表示连续机器人位置点的运动，每个新节点加入，地图就会依据空间中的节点箭头的约束进行计算更新。路标landmark越多,内存需求越大,然而图优化方式相比其他方法在大环境下制图优势更大。

karto采取的是spa(karto_slam)或g2o(nav2d), karto的前端与后端采取的是单线程进行

先运行下面的代码，安装karto_slam：

sudo apt-get install ros-kinetic-slam-karto

下面我们还是从应用的角度看看hector_slam需要那些话题的输入和输出

在这里插入图片描述

hector_slam的输入是激光雷达的数据scan和系统命令，另外还有一个必须要求的tf变换，就是odom与base之间的坐标变换（hector_slam需要里程计信息），然后它发布地图map、地图信息map_metadata、估计的机器人位姿slam_out_pose，然后像gmapping一样发布odom与map之间的坐标变换，另外他也提供了一个用来获取地图数据的服务。

然后我们将hector_slam的参数配置单独放置在一个yaml文件中，然后通过launch文件将参数加载到参数服务器上，下面是yaml文件

# General Parameters
use_scan_matching: true
use_scan_barycenter: true
minimum_travel_distance: 0.2 
minimum_travel_heading: 0.174                  #in radians
scan_buffer_size: 70
scan_buffer_maximum_scan_distance: 20.0
link_match_minimum_response_fine: 0.8
link_scan_maximum_distance: 10.0
loop_search_maximum_distance: 4.0
do_loop_closing: true
loop_match_minimum_chain_size: 10
loop_match_maximum_variance_coarse: 0.4     # gets squared later
loop_match_minimum_response_coarse: 0.8
loop_match_minimum_response_fine: 0.8

# Correlation Parameters - Correlation Parameters
correlation_search_space_dimension: 0.3
correlation_search_space_resolution: 0.01
correlation_search_space_smear_deviation: 0.03

# Correlation Parameters - Loop Closure Parameters
loop_search_space_dimension: 8.0
loop_search_space_resolution: 0.05
loop_search_space_smear_deviation: 0.03

# Scan Matcher Parameters
distance_variance_penalty: 0.3              # gets squared later
angle_variance_penalty: 0.349                # in degrees (gets converted to radians then squared)
fine_search_angle_offset: 0.00349               # in degrees (gets converted to radians)
coarse_search_angle_offset: 0.349            # in degrees (gets converted to radians)
coarse_angle_resolution: 0.0349                # in degrees (gets converted to radians)
minimum_angle_penalty: 0.9
minimum_distance_penalty: 0.5
use_response_expansion: false

具体的参数含义也可以参考官网说明，下面是启动的launch文件。

<launch>

  <node pkg="slam_karto" type="slam_karto" name="slam_karto" output="screen">
    <rosparam command="load" file="$(find slam_sim_demo)/param/karto_params.yaml" />
    <param name="map_update_interval" value="1"/>
    <param name="resolution" value="0.05"/>
  </node>

  <!-- Move base -->
 <include file="$(find navigation_sim_demo)/launch/include/move_base.launch.xml"/>
 
</launch>

这是启动后的情况，我在launch文件中一并启动了movebase节点，因此我们可以通过rviz的插件2D Nav Goal设定目标点，来控制机器人移动，建立一张完整的地图。

创建完地图后，也可以使用map_server节点将地图保存下来，以便下次使用。

另外我们还可以在建图过程中启动rosbag，记录我们建图的过程，方便以后我们进行复盘

rosbag record -a

总结

本文介绍了5中ROS中常见的激光SLAM建图方法，其中最为常用的是gmapping_slam，另外，我们在激光SLAM使用讲解过程中，一并对如何保存地图、加载地图、地图数据格式进行了简要说明，这涉及到一个重要节点map_server。

另外，虽然我们对这些算法的原理和参数没有进行详尽的说明，但我们在每个建图算法中都附上了相关的官网和参考链接，以便读者进行查阅。

最后，我们对于每个激光slam算法都进行了仿真，通过图片向读者展现了他们的效果。

下一篇，我们将对视觉slam中的代表-orbslam进行说明

鹏某啥都讲点

关注

5
点赞
踩
43

收藏

觉得还不错? 一键收藏
0
评论
【ROS】中级操作学习整理-激光SLAM

本文介绍了5中ROS中常见的激光SLAM建图方法，其中最为常用的是gmapping_slam，另外，我们在激光SLAM使用讲解过程中，一并对如何保存地图、加载地图、地图数据格式进行了简要说明，这涉及到一个重要节点map_server。另外，虽然我们对这些算法的原理和参数没有进行详尽的说明，但我们在文章目录前言一、gmapping二、hector三、google总结
复制链接

扫一扫

专栏目录