ROS小车研究笔记：二维SLAM建图简介与源码分析

ROS提供了现成的各类建图算法实现。如果只是应用的话不需要了解详细算法原理，只需要了解其需要的输入输出即可。

1 Gmapping

Gmapping使用粒子滤波算法进行建图，在小场景下准确度高，但是在大场地中会导致较大计算量和内存需求

Gmapping需要机器人提供深度信息，IMU信息，和里程计信息这三个中至少两个。利用这些输入信息gmapping算法可以输出栅格地图即小车在地图中定位

Gmapping订阅话题tf和scan。tf话题包含激光雷达和机器人基坐标系位置关系，scan包含激光雷达信息和IMU加速度信息。Gmapping可以通过话题和服务两种方式发布地图信息。其中map话题发布实时地图栅格数据，而服务dynamic_map只有在客户端发布请求是才会发布最新地图，相对于话题可以节省通信开支

对于odom里程计信息，Gmapping不用话题获取，而是通过TF树进行维护。其中 -> base_link为激光雷达相对base_link（默认的机器人基坐标系）位置，这一值一般为静态，在小车模型文件中定义好。

base_link ->odom为机器人位置相对于里程计原点坐标。其中odom坐标系位置为小车开始运行时里程计位置。通过速度积分得到base_link和odom的距离即可得到小车里程信息

map->odom 为地图中机器人位置关于里程计坐标。这里map和odom都为1不同的参考坐标系，odom是里程计测得的位置坐标，依靠小车自身移动速度积分得到，map为激光雷达测得的小车在地图上位置坐标。两者坐标系差距即为里程计的偏移

小车源码：
1 mapping.launch 启动建图的launch文件（只保留和gmapping相关内容）

<launch>
  <arg name="mapping_mode"  default="gmapping" doc="opt: gmapping,hector,cartographer,karto"/>


  <!-- turn on lidar开启雷达  -->
  <include file="$(find turn_on_wheeltec_robot)/launch/wheeltec_lidar.launch" />

  <!-- 开启gmapping建图算法  -->
  <group if="$(eval mapping_mode == 'gmapping')">
  <include file="$(find turn_on_wheeltec_robot)/launch/include/algorithm_gmapping.launch" />
  <!-- 开启机器人底层相关节点  -->
  <include file="$(find turn_on_wheeltec_robot)/launch/turn_on_wheeltec_robot.launch">
    <arg name=