对gmapping的理解

参考网址里已经对gmapping包用到的理论做了总结。我这里写一下自己的理解和gmapping的程序执行流程。
gmapping包涉及到两个文件夹。

可以分别在下面两个网址下载：
https://github.com/OpenSLAM-org/openslam_gmapping
https://github.com/ros-perception/slam_gmapping

openslam_gmapping是openslam发布的gmapping库，slam_gmapping是gmapping库的ROS封装，其调用了gmapping库里的算法。gmapping库里的文件很多，但用到的就几个文件。

slam_gmapping文件夹

slam_gmapping文件夹中的main.cpp文件中定义了SlamGMapping类的一个变量并执行了startLiveSlam函数。
slam_gmapping.cpp中有几个非常重要的函数。
1）main.cpp中执行的构造函数是SlamGMapping类的无参数传入的构造函数，主要是读取参数文件的参数。
2）startLiveSlam函数订阅和发布了一些话题。
3）publishLoop函数周期性发布发布map->odom的转换关系。
4）laserCallback函数是调用gmapping算法的主要函数。下图显示了该函数的执行流程。

5）updateMap函数里会获取权重最大的粒子，然后遍历该粒子的整个运动轨迹，并用轨迹上的各个点携带的激光数据生成地图。因为下次选中的粒子可能不是原来的，所以这里每次都会找到权重最大的粒子然后重新生成地图，发布出去。

openslam_gmapping文件夹

gmapping算法的主要处理函数就是gridslamprocessor.cpp中的processScan函数。slam_gmapping文件夹中的执行函数主要就是将ros格式的数据打包成gmapping算法所需的数据格式，然后传入processScan函数。下图是该函数的执行流程：

1）调用drawFromMotion函数更新每个粒子的位置分布。该函数里面对x，y，theta各个状态量维度都加了高斯噪声。论文中描述的算法好像没有说加高斯噪声。

   //write the state of the reading and update all the particles using the motion model
   for (ParticleVector::iterator it=m_particles.begin(); it!=m_particles.end(); it++){
     OrientedPoint& pose(it->pose);
     pose=m_motionModel.drawFromMotion(it->pose, relPose, m_odoPose);
   }

图片截取自论文第6页的伪算法流程
2）scanMatch函数的定义在gridslamprocessor.hxx文件中。它调用optimize函数执行爬山算法搜寻局部最优位姿。然后将最优位置替换掉原来的位姿。但论文中还多执行了一步操作。论文中在最优位置附近再搜寻K个位置，计算其权重，然后加权平均得到最终的均值位姿和协方差。从而用高斯分布来近似目标分布。

得到均值位姿后再进行一次权重计算。调用updateTreeWeights(false);进行权重归一化，并计算出$N_{\mathrm{e}\mathrm{f}\mathrm{f}}$。
3）执行重采样操作。

	resample(plainReading, adaptParticles);

resample函数中会将$N_{\mathrm{e}\mathrm{f}\mathrm{f}}$与阈值进行比较来决定是否进行重采样。$N_{\mathrm{e}\mathrm{f}\mathrm{f}}$越大说明粒子越收敛，越小说明越分散。
如果进行重采样则执行下面的函数获取采样后的粒子下标。
该函数采样转轮算法输出选中的粒子下标。没有被选中的粒子会被删除，其携带的轨迹信息和地图都会被删掉。从这里就可以看出频繁重采样对粒子多样性的影响。因为好的粒子也有概率被删掉。而粒子会慢慢趋于一致。

    //采取重采样方法决定，哪些粒子会保留  保留的粒子会返回下标.里面的下标可能会重复，因为有些粒子会重复采样
    //而另外的一些粒子会消失掉
    uniform_resampler<double, double> resampler;
    m_indexes=resampler.resampleIndexes(m_weights, adaptSize);//因为adaptSize传入的是0，输出的粒子数目保持和原来一样，只是有些粒子是一样的。
    //m_indexes中粒子下标的顺序是从小到大的。

保留下来的粒子会新增一个节点，保存当前粒子位姿和相应的激光数据帧。然后更新粒子携带的地图信息。
如果不重采样则对每个粒子都新增一个节点。将当前粒子位姿和对应的激光数据帧保存到节点里。然后更新所有粒子的地图信息。

粒子是如何保存轨迹信息和地图的，这里需要说明一下。
先看一下粒子的结构体Particle。其结构体声明在gridslamprocessor.h文件中

 /**This class defines a particle of the filter. Each particle has a map, a pose, a weight and retains the current node in the trajectory tree*/
    struct Particle{
      /**constructs a particle, given a map
	 @param map: the particle map
      */
      Particle(const ScanMatcherMap& map);

      /** @returns the weight of a particle */
      inline operator double() const {return weight;}
      /** @returns the pose of a particle */
      inline operator OrientedPoint() const {return pose;}
      /** sets the weight of a particle
	  @param w the weight
      */
      inline void setWeight(double w) {weight=w;}
      /** The map */
      ScanMatcherMap map;
      /** The pose of the robot */
      OrientedPoint pose;

      /** The pose of the robot at the previous time frame (used for computing thr odometry displacements) */
      OrientedPoint previousPose;

      /** The weight of the particle */
      double weight;

      /** The cumulative weight of the particle */
      double weightSum;

      double gweight;

      /** The index of the previous particle in the trajectory tree */
      int previousIndex;

      /** Entry to the trajectory tree */
      TNode* node; //指向最近一个轨迹节点
    };

每个粒子都会有一个指向最近一个轨迹节点的指针node。通过该指针就可以遍历该粒子所有位姿点和对应的激光数据帧。
节点的数据结构如下：

    struct TNode{
      /**Constructs a node of the trajectory tree.
       @param pose:      the pose of the robot in the trajectory
       @param weight:    the weight of the particle at that point in the trajectory
       @param accWeight: the cumulative weight of the particle
       @param parent:    the parent node in the tree
       @param childs:    the number of childs
      */
      TNode(const OrientedPoint& pose, double weight, TNode* parent=0, unsigned int childs=0);

      /**Destroys a tree node, and consistently updates the tree. If a node whose parent has only one child is deleted,
       also the parent node is deleted. This because the parent will not be reacheable anymore in the trajectory tree.*/
      ~TNode();

      /**The pose of the robot*/
      OrientedPoint pose; 
      
      /**The weight of the particle*/
      double weight;

      /**The sum of all the particle weights in the previous part of the trajectory*/
      double accWeight;

      double gweight;


      /**The parent*/
      TNode* parent;

      /**The range reading to which this node is associated*/
      const RangeReading* reading;

      /**The number of childs*/
      unsigned int childs;

      /**counter in visiting the node (internally used)*/
      mutable unsigned int visitCounter;

      /**visit flag (internally used)*/
      mutable bool flag;
    };

gmapping中用树来存储粒子的整个轨迹。每一个节点就是轨迹中的一点。该节点存储了机器人的位姿，该节点粒子的权重，所有父节点粒子权重之和，该节点激光数据帧，指向父节点的指针和子节点的数量。Fastslam为了解决fullslam问题，它保存了机器人的整条轨迹。

在最后生成地图时会先取出累积权重（轨迹上各个节点的权重之和）最大的粒子，然后遍历其轨迹中的每一个位姿点。利用每个位姿点对应的激光数据帧绘制地图。然后处理成便于rviz显示的样子发布出去。

参考网址：
GMapping漫谈
GMapping原理分析
简单傻x的图解–gmapping
Improved Techniques for Grid Mapping with Rao-Blackwellized Particle Filters

关注公众号《首飞》回复“机器人”获取精心推荐的C/C++，Python，Docker，Qt，ROS1/2，机器人学等机器人行业常用技术资料。