cartographer探秘第一章之安装编译与参数配置

最新推荐文章于 2024-04-30 08:48:29 发布

李太白lx

最新推荐文章于 2024-04-30 08:48:29 发布

阅读量1.1w

点赞数 44

分类专栏： cartographer 文章标签： cartographer

本文链接：https://blog.csdn.net/tiancailx/article/details/90757522

版权

cartographer 专栏收录该内容

20 篇文章 64 订阅

订阅专栏

第一步安装与编译

具体的安装步骤参考官方文档即可，链接如下。值得注意的是，一定要确保每个步骤都安装成功，尤其是Ninja。

https://google-cartographer-ros.readthedocs.io/en/latest/compilation.html

1.1 下载代码

其中ceres1.13.0是需要翻墙才能下载的，可以直接下载我上传的代码，cartographer的2019年5月28日的安装代码(release-1.0)，包含了proto,cartographer,cartographer_ros以及ceres1.13.0版本。

---

后来有同学反应 abseil-cpp 这个包也下载不下来，所以我又上传了一份新的代码，是2021年04月20日在github上下载的最新的代码，包含了如下内容．

https://download.csdn.net/download/tiancailx/17061391

cartographer_install_2021-04-20:
    abseil-cpp
    protobuf
    ceres-solver
    cartographer
    cartographer_ros
    auto-carto-build.sh

通过如下命令执行编译与安装脚本

chmod +x auto-carto-build.sh
./auto-carto-build.sh

通过执行脚本自动安装abseil-cpp，protobuf，ceres-solver，以及cartographer，会直接安装在系统里，以后如果不更改的话就不需要重新编译了．

所以之后只需要在ROS的工作空间中使用catkin_make编译cartographer_ros就可以了，就像 1.3.4.1 说的那样．

1.2 安装依赖

sudo apt-get install -y python-wstool python-rosdep ninja-build \
	libgflags-dev python-sphinx libgoogle-glog-dev libsuitesparse-dev liblua5.2-dev \
	libatlas-base-dev stow

1.3 编译

其中1-4步为分步执行各个依赖包．

其中，1.3.5是通过脚本来安装cartographer与各个依赖包．

1.3.1 第一步编译abseil-cpp

最新的cartographer还依赖 abseil-cpp 这个包，所以首先单独安装一下这个包．

这个包的安装方式在cartographer/scripts文件夹中的 install_abseil.sh 文件中．可以直接运行这个文件，运行方式如下所示：

cd cartographer/scripts
chmod +x install_abseil.sh
./install_abseil.sh

也可以直接将命令复制到终端中逐行运行，这个文件的内容如下所示．可以看到，首先通过git clone的方式下载了abseil-cpp 包，之后将这个包的版本切换到了 d902 版本，然后才进行编译与安装．

set -o errexit
set -o verbose

git clone https://github.com/abseil/abseil-cpp.git
cd abseil-cpp
git checkout d902eb869bcfacc1bad14933ed9af4bed006d481
mkdir build
cd build
cmake -G Ninja \
  -DCMAKE_BUILD_TYPE=Release \
  -DCMAKE_POSITION_INDEPENDENT_CODE=ON \
  -DCMAKE_INSTALL_PREFIX=/usr/local/stow/absl \
  ..
ninja
sudo ninja install
cd /usr/local/stow
sudo stow absl

注意：install之后这个包就不需要管了，可以删除掉了，因为已经install到系统里了。

1.3.2 第二步编译protobuf

protobuf 的安装方式在cartographer/scripts文件夹中的 install_proto3.sh 文件中．可以直接运行这个文件，运行方式如下所示：

cd cartographer/scripts/
chmod +x install_proto3.sh 
./install_proto3.sh

也可以直接将命令复制到终端中逐行运行，这个文件的内容如下所示．

可以看到，首先通过git clone的方式下载了protobuf 包，之后将这个包的版本切换到了 3.4.2 版本，然后才进行编译与安装．

set -o errexit
set -o verbose

VERSION="v3.4.1"

# Build and install proto3.
git clone https://github.com/google/protobuf.git
cd protobuf
git checkout tags/${VERSION}
mkdir build
cd build
cmake -G Ninja \
  -DCMAKE_POSITION_INDEPENDENT_CODE=ON \
  -DCMAKE_BUILD_TYPE=Release \
  -Dprotobuf_BUILD_TESTS=OFF \
  ../cmake
ninja
sudo ninja install

注意：install之后这个包就不需要管了，可以删除掉了，因为已经install到系统里了。

1.3.3 第三步编译ceres

ceres 的安装方式在cartographer/scripts文件夹中的 install_ceres.sh文件中．可以直接运行这个文件，运行方式如下所示：

cd cartographer/scripts/
chmod +x install_ceres.sh
./install_ceres.sh

也可以直接将命令复制到终端中逐行运行，这个文件的内容如下所示．

可以看到，首先通过git clone的方式下载了protobuf 包，之后将这个包的版本切换到了1.13.0 版本，然后才进行编译与安装．

set -o errexit
set -o verbose

VERSION="1.13.0"

# Build and install Ceres.
git clone https://ceres-solver.googlesource.com/ceres-solver
cd ceres-solver
git checkout tags/${VERSION}
mkdir build
cd build
cmake .. -G Ninja -DCXX11=ON
ninja
CTEST_OUTPUT_ON_FAILURE=1 ninja test
sudo ninja install

注意：ceres的下载需要科学上网才可以下载．如果不知道从哪里下载ceres的同学，可以去我的资源中免费下载．

1.3.4 第四步编译cartographer与cartographer_ros

如果你跟着我成功走到了这步的话，那么恭喜你，你的安装没有遇到各种意外．

前三步已经将cartographer与cartographer_ros的各个依赖包都装好了，这步就是要开始编译主角，cartographer与cartographer_ros了．

这一步根据是否需要修改cartographer的代码，可以分成两种编译方式．

1.3.4.1 不需要修改cartographer源码

如果不需要修改cartographer源码的话，可以先编译cartographer，然后install到系统中，接下来就只需要将cartographer_ros看做是一个普通的ROS包进行编译就好了．

首先，安装cartographer，通过在终端中逐行执行如下命令即可完成cartographer的编译与安装，最后一步会将cartographer安装到系统中，可以被其他的包找到．

# Build and install Cartographer.
cd cartographer
mkdir build
cd build
cmake .. -G Ninja
ninja
sudo ninja install

之后，再编译carographer_ros．

这步就和普通的ROS包的编译方式一样了，先新建工作空间，将cartographer_ros放进工作空间的src文件夹下，之后在工作空间中执行catkin_make即可完成cartographer_ros的编译．

1.3.4.2 需要修改cartographer源码

需要修改cartographer的源码的话，就需要将cartographer与cartographer_ros放在一起进行编译．

由于carographer不是ROS的包，所以不能通过catkin_make进行编译．需要通过cartographer官方教程中的ninja来进行编译．

首先，编译时要确保各个包处于正确的位置上，如下所示：

cartographer_ws:
    src:
        cartographer
        cartographer_ros:
            cartographer_ros
            cartographer_ros_msgs
            cartographer_ros_rviz

之后，通过cartographer官方文档中的编译指令进行编译

# 处于cartographer_ws文件夹内
catkin_make_isolated --install --use-ninja

1.3.5 通过脚本编译cartographer与依赖

如果觉得上述步骤很麻烦，可以将所有的命令设置成一个脚本文件一起执行．

首先将各个包的位置设置为如下所示，将protobuf与ceres-solver，cartographer，放在同一个文件夹下．并新建一个auto-carto-build.sh文件．

cartographer_ws:
    protobuf
    cartographer
    ceres-solver
    auto-carto-build.sh

auto-carto-build.sh的内容如下所示，这个脚本首先会下载 abseil-cpp，然后进行 abseil-cpp的编译与安装，之后进行ceres-solver的编译与安装，之后进行protobuf的编译与安装，之后进行cartographer的编译与安装．

#! /bin/bash

# Build and install abseil-cpp
set -o errexit
set -o verbose

git clone https://github.com/abseil/abseil-cpp.git
cd abseil-cpp
git checkout d902eb869bcfacc1bad14933ed9af4bed006d481
mkdir build
cd build
cmake -G Ninja \
  -DCMAKE_BUILD_TYPE=Release \
  -DCMAKE_POSITION_INDEPENDENT_CODE=ON \
  -DCMAKE_INSTALL_PREFIX=/usr/local/stow/absl \
  ..
ninja
sudo ninja install
cd /usr/local/stow
sudo stow absl

# Build and install Ceres.
cd -
cd ../../ceres-solver
mkdir build
cd build
cmake .. -G Ninja -DCXX11=ON
ninja
#CTEST_OUTPUT_ON_FAILURE=1 ninja test
sudo ninja install

# Build and install proto3.
cd ../../protobuf
mkdir build
cd build
cmake -G Ninja \
  -DCMAKE_POSITION_INDEPENDENT_CODE=ON \
  -DCMAKE_BUILD_TYPE=Release \
  -Dprotobuf_BUILD_TESTS=OFF \
  ../cmake
ninja
sudo ninja install

# Build and install Cartographer.
cd ../../cartographer
mkdir build
cd build
cmake .. -G Ninja
ninja
#CTEST_OUTPUT_ON_FAILURE=1 ninja test
sudo ninja install

上边的脚步是将test注释掉了，如果想要启用test就把注释打开。

通过如下命令执行脚本

chmod +x auto-carto-build.sh
./auto-carto-build.sh

通过这个脚本安装之后，abseil-cpp, protobuf, ceres, cartographe, 都会被install进系统中。

也就是说如果不改cartographer源码的话，以后都不需要编译这四个包了，只需要用catkin_make编译cartographer_ros即可．这种情况下，修改lua文件也会即时生效。

如果使用 catkin_make_isolated --install --use-ninja 编译这几个包的话每次改完Lua文件还需要使用这条指令编译之后才可以使得修改后的lua文件生效。

第二步参数配置

安装好了之后试着跑一下demo，官方文档中的那几个demo包的下载需要翻墙，下好了直接就能跑，只要把bag包放在Download文件夹下即可。

如果想要使用自己的机器人跑carto该怎么去修改参数配置文档呢，也就是lua文件。

carto的默认参数配置在cartographer/configuration_files文件夹下，其中有2个起总领作用，分别是map_builder.lua以及trajectory_builder.lua。两个文件的内容如下：

# map_builder.lua

include "pose_graph.lua"

MAP_BUILDER = {
  use_trajectory_builder_2d = false,
  use_trajectory_builder_3d = false,
  num_background_threads = 4,
  pose_graph = POSE_GRAPH,
  collate_by_trajectory = false,
}

# trajectory_builder.lua

include "trajectory_builder_2d.lua"
include "trajectory_builder_3d.lua"

TRAJECTORY_BUILDER = {
  trajectory_builder_2d = TRAJECTORY_BUILDER_2D,
  trajectory_builder_3d = TRAJECTORY_BUILDER_3D,
--  pure_localization_trimmer = {
--    max_submaps_to_keep = 3,
--  },
  collate_fixed_frame = true,
  collate_landmarks = false,
}

可以看到，map_build.lua配置了是使用trajectory_build_2d还是trajectory_build_3d，以及后端使用的线程数。trajectory_build就是前端具体的参数配置，分为2d和3d两个文件，而pose_graph.lua为后端优化的具体参数配置。那想要配置自己的硬件实现carto该怎么做呢，接下来我照着carto的demo的配置文件backpack_2d.lua进行讲解一下。

include "map_builder.lua"
include "trajectory_builder.lua"

options = {
  map_builder = MAP_BUILDER,
  trajectory_builder = TRAJECTORY_BUILDER,
  map_frame = "map",
  tracking_frame = "base_link", # 进行slam的坐标系，如果有imu的话为imu的坐标系，没有的话就是base_link 或者 base_footprint
  published_frame = "base_link", # carto发布的坐标系
  odom_frame = "odom", # 里程计数据的坐标系名称
  provide_odom_frame = true, # 是否发布里程计坐标系，适用于机器人本身没有odom坐标系的情况
  publish_frame_projected_to_2d = false, 
  use_pose_extrapolator = true, 
  use_odometry = false, # 是否使用odom数据
  use_nav_sat = false, # 是否使用gps数据
  use_landmarks = false, # 是否使用landmarks
  num_laser_scans = 0, # 如果用的是单线雷达，此处为雷达的数量
  num_multi_echo_laser_scans = 1, 
  num_subdivisions_per_laser_scan = 10, # 将雷达一帧的数据拆分成几次发出来，对于普通雷达的驱动包来说，此处应为1
  num_point_clouds = 0, # 多线雷达的数量
  lookup_transform_timeout_sec = 0.2,
  submap_publish_period_sec = 0.3,
  pose_publish_period_sec = 5e-3,
  trajectory_publish_period_sec = 30e-3,
  rangefinder_sampling_ratio = 1., # 接下来的5个参数为5种观测的权重比
  odometry_sampling_ratio = 1., # 如odom的数据非常不准，可以设置为0.3以减小odom对整体优化的影响
  fixed_frame_pose_sampling_ratio = 1.,
  imu_sampling_ratio = 1.,
  landmarks_sampling_ratio = 1.,
}

MAP_BUILDER.use_trajectory_builder_2d = true # 具体是使用2d 还是 3d 的slam
TRAJECTORY_BUILDER_2D.num_accumulated_range_data = 10 # 几个雷达，以及一帧数据被拆成几次发出来，对于1个激光雷达，普通的雷达驱动包来说，此处应为1

return options

这是对默认的配置文件进行了简单的分析，但是该怎样配置自己的硬件的lua呢？

# myrobot_2d.lua

include "map_builder.lua"
include "trajectory_builder.lua"

options = {
  map_builder = MAP_BUILDER,
  trajectory_builder = TRAJECTORY_BUILDER,
  map_frame = "map",
  tracking_frame = "base_link",
  published_frame = "base_link",
  odom_frame = "odom",
  provide_odom_frame = true,
  publish_frame_projected_to_2d = false,
  use_pose_extrapolator = true,
  use_odometry = false,
  use_nav_sat = false,
  use_landmarks = false,
  num_laser_scans = 1,
  num_multi_echo_laser_scans = 0,
  num_subdivisions_per_laser_scan = 1,
  num_point_clouds = 0,
  lookup_transform_timeout_sec = 0.2,
  submap_publish_period_sec = 0.3,
  pose_publish_period_sec = 5e-3,
  trajectory_publish_period_sec = 30e-3,
  rangefinder_sampling_ratio = 1.,
  odometry_sampling_ratio = 1.,
  fixed_frame_pose_sampling_ratio = 1.,
  imu_sampling_ratio = 1.,
  landmarks_sampling_ratio = 1.,
}

MAP_BUILDER.use_trajectory_builder_2d = true
TRAJECTORY_BUILDER_2D.use_imu_data = false
TRAJECTORY_BUILDER_2D.use_online_correlative_scan_matching = true
TRAJECTORY_BUILDER_2D.min_range = 0.
TRAJECTORY_BUILDER_2D.max_range = 30.

return options

以上配置了使用1个单线激光雷达进行2d slam 的lua文件，并且是在机器人本身没有提供odom坐标系的情况下。以上配置出来的tf为 map->odom->base_link。

这几个坐标系的名字都是干嘛的呢？

map_frame始终为map，这个不用动。tracking_frame也可以始终为base_link不用动。provide_odom_frame 为 false时，carto发布的坐标变化为 map_frame -> published_frame ，也就是map到base_link，如果provide_odom_frame为 true时，carto就会发布map -> odom -> base_link 的坐标变化。

所以，如果机器人本身存在odom坐标系，而你又想让carto 使用 odom数据，就需要将published_frame 设置为odom，provide_odom_frame = false 而use_odometry = true。

之后MAP_BUILDER.use_trajectory_builder_2d为使用2d slam 。在进行2d slam 时，carto的默认配置是使用imu的，所以如果没有imu就要TRAJECTORY_BUILDER_2D.use_imu_data = false，否则会一直等待imu的数据而进行不下去。而3d 的 slam 必须使用imu，所以就没有这个参数配置。

再之后 TRAJECTORY_BUILDER_2D.use_online_correlative_scan_matching = true，这一项配置很重要，对于我自己使用的雷达或者在 gazebo 中仿真时，如果不配置这项得到的建图效果将非常差。但是carto得demo没有进行这一项的配置也跑的很好，这让我很费解，难道是因为我没使用imu的问题？？？

那这个参数是干嘛的呢？

这个参数配置的是否使用实时的闭环检测方法来进行前端的扫描匹配。如果这项为false，则扫描匹配使用的是通过前一帧位置的先验，将当前scan与之前做对比，使用高斯牛顿法迭代求解最小二乘问题求得当前scan的坐标变换。如果这项为true，则使用闭环检测的方法，将当前scan在一定的搜索范围内搜索，范围为设定的平移距离及角度大小，然后在将scan插入到匹配的最优位置处。这种方式建图的效果非常好，即使建图有漂移也能够修正回去，但是这个方法的计算复杂度非常高，非常耗cpu。

到这里2d 的 slam 应该能够使用了。在carto demo 的 launch 中配置了 urdf 模型，如果机器人的urdf 模型已经单独启动了，那么就不需要在carto的launch中配置urdf了。carto的launch 和 lua 配置文件都是在install_isolated/share/cartographer_ros/launch/ 和 install_isolated/share/cartographer_ros/configuration_files/ 下，所以如果只修改了cartographer_ros软件包中的launch 和 lua 文件之后是需要重新编译的，编译之后才能将修改的文件安装到install_isolated文件中。编译的命令为：

source install_isolated/setup.bash
catkin_make_isolated --install --use-ninja

第三步参数说明

3.1 trajectory_builder_2d.lua

TRAJECTORY_BUILDER_2D = { # 距离的单位： 米， 角度的单位： 度，时间的单位： 秒
  use_imu_data = true, 
  min_range = 0., # 雷达数据的最远最近滤波
  max_range = 30.,
  min_z = -0.8, # 还可以设置雷达数据在z轴上的滤波将3d数据转成2d的
  max_z = 2.,
  missing_data_ray_length = 5., # 超出'max_range'的点将以此长度作为free空间插入
  num_accumulated_range_data = 1, # carto建议将一帧雷达数据分成几个ros的消息发，以减少运动带来的雷达数据的畸变
  voxel_filter_size = 0.025, # 使用voxel滤波时立方体边长的大小，这个值是固定的

# 使用固定的voxel滤波之后，再尝试使用自适应的voxel滤波，体素滤波器 用于生成稀疏点云 以进行 扫描匹配
  adaptive_voxel_filter = { 
    max_length = 0.5,       # 尝试确定最佳的立方体边长，边长最大为0.5
    min_num_points = 200,   # 如果存在 较多点 并且大于'min_num_points'，则减小体素长度以尝试获得该最小点数
    max_range = 50.,        # 距远离原点超过max_range 的点被移除 
  },

  loop_closure_adaptive_voxel_filter = {
    max_length = 0.9,       
    min_num_points = 100,   # 体素滤波器 用于生成稀疏点云 以进行 闭环检测
    max_range = 50.,
  },

# 是否使用 real_time_correlative_scan_matcher 解决 在线的扫描匹配 问题，从而为ceres提供先验信息
  use_online_correlative_scan_matching = false, 

# 有2种解决 扫描匹配 问题 的方法

# 通过 类似闭环检测 的方式找到最优匹配，然后作为 先验，再使用ceres_scan_matcher 进行求解

# 计算复杂度高，但是很鲁棒，在odom或者imu不准时依然能达到很好的效果
# 如果一个平台的瞬间平移很少，则可以降低平移的权重，旋转也是一样
  real_time_correlative_scan_matcher = {
    linear_search_window = 0.1,            # 找到最佳扫描匹配的最小线性搜索窗口
    angular_search_window = math.rad(20.), # 找到最佳扫描匹配的最小角度搜索窗口
    translation_delta_cost_weight = 1e-1,  # 用于计算各部分score的权重
    rotation_delta_cost_weight = 1e-1,
  },

# 将前一时刻的位姿作为先验，使用odom或者imu的数据进行预测，以确定scan的最优位姿
  ceres_scan_matcher = {
    occupied_space_weight = 1., # 每个Cost因素的 尺度因子
    translation_weight = 10., 
    rotation_weight = 40.,    
    ceres_solver_options = {    # see https://code.google.com/p/ceres-solver/
      use_nonmonotonic_steps = false,
      max_num_iterations = 20,
      num_threads = 1,
    },
  },

# 只有当scan的 平移、旋转或者时间 超过阈值时 才会被加入到 submap 中，不超过则舍弃
  motion_filter = {
    max_time_seconds = 5.,
    max_distance_meters = 0.2,
    max_angle_radians = math.rad(1.),
  },

  imu_gravity_time_constant = 10., # 移动时通过imu观测10s以确定重力的平均方向

  submaps = {
    num_range_data = 90,  # 每个submap的scan总数为num_range_data 的2倍，前一半进行初始化而不进行匹配，后一半进行匹配
    grid_options_2d = {
      grid_type = "PROBABILITY_GRID",  # submap 存储雷达数据的格式，还可以为Truncated Signed Distance Fields (TSDF)
      resolution = 0.05,  # 0.05米 栅格的尺寸
    },
    range_data_inserter = {
      range_data_inserter_type = "PROBABILITY_GRID_INSERTER_2D",

      probability_grid_range_data_inserter = {
        insert_free_space = true, # 如果为 false，则free的栅格不会改变 占用网格 中的概率。
        hit_probability = 0.55,   # hit(占用) 时的概率
        miss_probability = 0.49,  # miss（空闲） 时的概率
      },

      tsdf_range_data_inserter = {
        truncation_distance = 0.3,
        maximum_weight = 10.,
        update_free_space = false,
        normal_estimation_options = {
          num_normal_samples = 4,
          sample_radius = 0.5,
        },
        project_sdf_distance_to_scan_normal = true,
        update_weight_range_exponent = 0,
        update_weight_angle_scan_normal_to_ray_kernel_bandwidth = 0.5,
        update_weight_distance_cell_to_hit_kernel_bandwidth = 0.5,
      },

    },
  },
}

3.2 trajectory_builder_3d.lua

MAX_3D_RANGE = 60.

TRAJECTORY_BUILDER_3D = {
  min_range = 1.,
  max_range = MAX_3D_RANGE,
  num_accumulated_range_data = 1,
  voxel_filter_size = 0.15,


# 在3d slam 时会有2个自适应滤波，一个生成高分辨率点云，一个生成低分辨率点云

  high_resolution_adaptive_voxel_filter = {
    max_length = 2.,
    min_num_points = 150,
    max_range = 15.,
  },

  low_resolution_adaptive_voxel_filter = {
    max_length = 4.,
    min_num_points = 200,
    max_range = MAX_3D_RANGE,
  },

  use_online_correlative_scan_matching = false,
  real_time_correlative_scan_matcher = {
    linear_search_window = 0.15,
    angular_search_window = math.rad(1.),
    translation_delta_cost_weight = 1e-1,
    rotation_delta_cost_weight = 1e-1,
  },

# 在3D中，occupied_space_weight_0和occupied_space_weight_1参数分别与高分辨率和低分辨率滤波点云相关
  ceres_scan_matcher = {
    occupied_space_weight_0 = 1.,
    occupied_space_weight_1 = 6.,
    translation_weight = 5.,
    rotation_weight = 4e2,
    only_optimize_yaw = false,
    ceres_solver_options = {
      use_nonmonotonic_steps = false,
      max_num_iterations = 12,
      num_threads = 1,
    },
  },

  motion_filter = {
    max_time_seconds = 0.5,
    max_distance_meters = 0.1,
    max_angle_radians = 0.004,
  },

  imu_gravity_time_constant = 10.,
  rotational_histogram_size = 120, # rotational scan matcher 的 histogram buckets


# 在3D中，出于扫描匹配性能的原因，使用两个混合概率网格。 （术语“hybrid”仅指内部树状数据表示并被抽象给用户）
  submaps = {
    high_resolution = 0.10,  # 用于近距离测量的高分辨率hybrid网格 for local SLAM and loop closure，用来与小尺寸voxel进行精匹配
    high_resolution_max_range = 20.,  # 在插入 high_resolution map 之前过滤点云的最大范围
    low_resolution = 0.45,   # 用于远距离测量的低分辨率hybrid网格 for local SLAM only，用来与大尺寸voxel进行粗匹配
    num_range_data = 160,
    range_data_inserter = {
      hit_probability = 0.55,
      miss_probability = 0.49,
      num_free_space_voxels = 2, # 最多可更新多少个free space voxels以进行扫描匹配，0禁用free space
    },
  },
}

3.3 pose_graph.lua

POSE_GRAPH = {
  optimize_every_n_nodes = 90, # 每几个节点（节点是什么？scan?）执行一次优化，设为0即关闭后端优化
  constraint_builder = {
    sampling_ratio = 0.3,    # 如果添加的约束与潜在约束的比例低于 此比例，则将添加约束。
    max_constraint_distance = 15., # 在子图附近考虑姿势的阈值
    min_score = 0.55,        # 扫描匹配分数的阈值，低于该阈值时不考虑匹配。 低分表示扫描和地图看起来不相似
    global_localization_min_score = 0.6,    # 阈值，低于该阈值的全局定位不受信任
    loop_closure_translation_weight = 1.1e4, # 优化问题中的 闭环约束 的 平移 的权重
    loop_closure_rotation_weight = 1e5,      # 优化问题中的 闭环约束 的 旋转 的权重
    log_matches = true,     # 闭环约束的直方图统计报告

    fast_correlative_scan_matcher = { # 闭环检测的第一步
      linear_search_window = 7.,      # 依靠“分支定界”机制在不同的网格分辨率下工作，并有效地消除不正确的匹配
      angular_search_window = math.rad(30.), # 一旦找到足够好的分数（高于最低匹配分数），它（scan）就会被送入Ceres扫描匹配器以优化姿势。
      branch_and_bound_depth = 7,
    },

    ceres_scan_matcher = { # 闭环检测的第二步 优化位姿图
      occupied_space_weight = 20.,
      translation_weight = 10.,
      rotation_weight = 1.,
      ceres_solver_options = {
        use_nonmonotonic_steps = true,
        max_num_iterations = 10,
        num_threads = 1,
      },
    },

    fast_correlative_scan_matcher_3d = {
      branch_and_bound_depth = 8,
      full_resolution_depth = 3,
      min_rotational_score = 0.77,
      min_low_resolution_score = 0.55,
      linear_xy_search_window = 5.,
      linear_z_search_window = 1.,
      angular_search_window = math.rad(15.),
    },

    ceres_scan_matcher_3d = {
      occupied_space_weight_0 = 5.,
      occupied_space_weight_1 = 30.,
      translation_weight = 10.,
      rotation_weight = 1.,
      only_optimize_yaw = false,
      ceres_solver_options = {
        use_nonmonotonic_steps = false,
        max_num_iterations = 10,
        num_threads = 1,
      },
    },
  },

  matcher_translation_weight = 5e2,
  matcher_rotation_weight = 1.6e3,

  optimization_problem = { # 残差方程的参数配置
    huber_scale = 1e1, # Huber损失函数的尺度因子，该值越大，(potential) outliers（潜在）异常值 的影响越大。
    acceleration_weight = 1e3, # IMU加速度的权重
    rotation_weight = 3e5,     # IMU旋转项的权重
    local_slam_pose_translation_weight = 1e5, # 基于local SLAM的姿势在连续节点之间进行平移的权重
    local_slam_pose_rotation_weight = 1e5,    # 基于里程计的姿势在连续节点之间进行平移的权重
    odometry_translation_weight = 1e5,
    odometry_rotation_weight = 1e5,
    fixed_frame_pose_translation_weight = 1e1, # FixedFramePose？应该是gps的
    fixed_frame_pose_rotation_weight = 1e2,
    log_solver_summary = false,             # 可以记录Ceres全局优化的结果并用于改进您的外部校准
    use_online_imu_extrinsics_in_3d = true, # 作为IMU残差的一部分
    fix_z_in_3d = false,
    ceres_solver_options = {
      use_nonmonotonic_steps = false,
      max_num_iterations = 50,
      num_threads = 7,
    },
  },
  max_num_final_iterations = 200, # 在建图结束之后会运行一个新的全局优化，不要求实时性，迭代次数多
  global_sampling_ratio = 0.003,
  log_residual_histograms = true,
  global_constraint_search_after_n_seconds = 10.,
  --  overlapping_submaps_trimmer_2d = {
  --    fresh_submaps_count = 1,
  --    min_covered_area = 2,
  --    min_added_submaps_count = 5,
  --  },
    
}

注: 目标计划

在3个月的时间中，我要完成carto的参数配置，最优参数的选择，carto的算法原理以及代码过程。并且将hokuyo, sick, 倍加福 3种单线激光雷达的建图效果对比出来，并分别配置出参数。以及 vlp-16 多线雷达的建图效果及参数。

所以这一章讲的是参数的意义，之后会将carto的论文及代码分析写出来。最后给出4种雷达的建图效果对比。接下来的第二章是对carto的论文进行分析，由于carto的前端使用的hector slam 的方法，所以还会顺带讲一下hector slam 的扫描匹配的最小二乘的公式推导。

由于本人正处于学习调研阶段，所以难免会有错误及疏漏，如果错误请指出，不胜感激！

李太白lx

关注

44
点赞
踩
177

收藏

觉得还不错? 一键收藏
24
评论
cartographer探秘第一章之安装编译与参数配置

第一步安装与编译具体的安装步骤参考官方文档即可，链接如下。值得注意的是，一定要确保每个步骤都安装成功，尤其是Ninja。https://google-cartographer-ros.readthedocs.io/en/latest/compilation.html其中ceres1.13.0是需要翻墙才能下载的，可以直接下载我上传的代码，cartographer的2019年5月28日...
复制链接

扫一扫