基于树莓派4的硬件部署cartographer建图算法

最新推荐文章于 2023-11-02 16:35:28 发布

wallEVA96

最新推荐文章于 2023-11-02 16:35:28 发布

阅读量1.6k

点赞数 2

分类专栏： ros

本文链接：https://blog.csdn.net/walleva96/article/details/117823127

版权

ros 专栏收录该内容

24 篇文章 6 订阅

订阅专栏

前言

cartographer因为加了回环检测，以及图优化等思路，在室内建图方面相比hector，gmapping等算法有着较好的建图效果， hector如果雷达频率高的话，也是完全可以胜任建图，但是在低特征的场合下，仍然还是要gmapping去融合里程计的效果会更为优秀一些。我最早接触cartographer是在2017年，当时谷歌一开源，我便第一时间下载学习，当时需要的算力硬件比较苛刻，现在经过优化之后，已经完全可以在树莓派的硬件上流畅的运行，如今如何突发奇想，写一下学习总结。

部署

需要条件：

Ubuntu 20.04
ROS1.0中的Noetic 版本

编译过程：

在Noetic ROS版本中通过以下命令安装相应的工具。

sudo apt-get update
sudo apt-get install -y python3-wstool python3-rosdep ninja-build stow
# 在老一点的ROS版本使用以下命令安装相应的工具。
sudo apt-get update
sudo apt-get install -y python-wstool python-rosdep ninja-build stow

创建cartographer工作空间并加载代码。

mkdir catkin_ws
cd catkin_ws
wstool init src
wstool merge -t src https://raw.githubusercontent.com/cartographer-	project/cartographer_ros/master/cartographer_ros.rosinstall
wstool update -t src

安装cartographer_ros相关的依赖，需要使用rosdep的命令来安装相应的包，如果你已经执行过，那么sudo rosdep init会报错，这个错误可以忽略。

sudo rosdep init
rosdep update
rosdep install --from-paths src --ignore-src --rosdistro=${ROS_DISTRO} -y
# 在Ubuntu 16 / ROS Kinetic的版本下，需要加载以下命令。
src/cartographer/scripts/install_proto3.sh

Cartographer需要使用abseil-cpp库，通过以下命令手动安装
```
src/cartographer/scripts/install_abseil.sh
```
由于可能和ros自带的abseil-cpp库冲突，需要借助以下命令卸载。
```
sudo apt-get remove ros-${ROS_DISTRO}-abseil-cpp
```
编译和安装
```
catkin_make_isolated --install --use-ninja
```
至于为何使用catkin_make_isolated工具，可以参考博文链接：https://blog.csdn.net/walleva96/article/details/117782357

编译问题：

编译的时候，会出现cmake找不到python3的问题，如下log:

Could NOT find PythonLibs: Found unsuitable version "2.7.6", but required at least "3.0.0"

可以通过以下命令解决，将python3链接到python命令上。

ln -s /usr/bin/python3 /usr/bin/python

配置Lua参数

首先，关于轨迹 trajectory_builder、建图 map_builder的基本参数在代码文件链接中，我们在构建自己的参数文件时，要将其include到配置文件中，然后进行对应的参数设置。
https://github.com/cartographer-project/cartographer/tree/master/configuration_files
其次，我们还需要适配机器人传感器，坐标系等相关的参数，基本参数说明如下：
可以参考链接： https://google-cartographer-ros.readthedocs.io/en/latest/configuration.html

map_frame
用于发布子地图， 作为机器人位姿的父坐标系， 一般设置为 "map"

tracking_frame
机器人进行slam算法跟踪的坐标系， 如果使用了imu一般就设置为"imu_link", 否则设置为"base_link/base_footprint"

published_frame
作为机器人位姿变换坐标系下的子坐标系， 用于发布机器人的坐姿位置。 如果系统中，有其他节点发布了"odom"坐标系， 那么，需要将该值配置为"odom"， 让catographer会去建立map到odom之间的转换，来不断调整里程计可能带来的误差， 无里程计的时候， 该值就设置为"base_link" 即可。
特别要注意的是，如果系统中已经在发布"odom"坐标系的时候， 下方的"odom_frame"和"provide_odom_frame"就没必要设置了， 不然会冲突。

odom_frame
只有在将"provide_odom_frame" 设置为true的时候， 这个值才能够起作用， 并由cartographer通过激光匹配估计等手段来产生并发布。
这个坐标系在建图中的关系为'map_frame --> odom_frame --> published_frame'， 该值通常设置为 "odom"， 一般如果无里程计发布， 并且机器人又需要odom坐标系的时候就启用该功能， 由cartographer来发布相应的消息。

provide_odom_frame
如果使能的话， cartographer将会在map坐标系下，将机器人的位置姿态不断发布， 也就是会不断更新"odom_frame"坐标变换、

publish_frame_projected_to_2d
如果使能的话，机器人的"published_frame"值将会被严格限制在2维平面上， 比如有人将"published_frame"设置为"base_footprint"的话， 那么坐标系就不应该存在z轴方向上的变换而避免偏离地平面。

use_odometry
如果使能的话，cartographer将会订阅"odom"话题的数据， 此时odom传感器的数据一定要发布。

use_nav_sat
如果使能的话，cartographer将会订阅"fix"话题上的sensor_msgs/NavSatFix 的卫星导航相关的数据而融合到SLAM系统之中。

use_landmarks
如果使能， 将会订阅“landmarks”话题上的cartographer_ros_msgs/LandmarkList 数据。 该话题可以为空， 但是不能够不提供， 因为cartograopher为确保landmarks的可靠性将会严格限制传感器的时间顺序， 然而，也可以通过设置 trajectory builder中的"collate_landmarks"选项值为false， 来允许使用不确定的lanmark的值。

num_laser_scans
设置二维激光雷达的数量， 通过订阅"scan"话题中sensor_msgs/LaserScan数据。 
如果系统中存在多个激光雷达， 那么就要发布相应的话题为"scan_1","scan_2"等等。

num_multi_echo_laser_scans
设置多回波激光雷达的数量， 通过订阅"echoes"话题中的sensor_msgs/MultiEchoLaserScan 数据。
如果存在多个多回波激光雷达传感器， 那么就要发布相应的话题为"echoes_1", "echoes_2". 这种传感器的话，每个测距值和灵敏度都会包含多个回波值。
 
num_subdivisions_per_laser_scan
激光雷达传感器或者多回波雷达传感器被分割成多个点云的数目， 该选项主要是为了当扫描器在移动的时候， 分割扫描数据能够确保更容易展现点云数据？ 这个选项跟 trajectory builder中的"num_accumulated_range_data"值相对应， 该值用于累加组合分割的scan数据为一个完整可用于扫描匹配的点云数据。

num_point_clouds
需要订阅的点云话题数目，如果存在多个的话， 则订阅的话题名为 "points2_1", "points2_2"

lookup_transform_timeout_sec
Timeout in seconds to use for looking up transforms using tf2. 
使用tf2查找坐标变换时，等待的超时时间。

submap_publish_period_sec
发布子地图的位置的时间间隔，一般设置为. 0.3 秒左右。

pose_publish_period_sec
发布位置姿态的时间间隔， 一般设置为 5e-3  表示 200 Hz.

publish_to_tf
是否发布坐标变换。

publish_tracked_pose
是否发布话题"tracked_pose"数据geometry_msgs/PoseStamped用于位姿跟踪。 

trajectory_publish_period_sec
 发布trajectory markers的间隔周期  一般设置为 30e-3， 表示30 milliseconds.
 
rangefinder_sampling_ratio
 range finders传感器的抽样比例， 表示对该传感器的置信度， 值从0~1表示。

odometry_sampling_ratio
odometry 数据的抽样比例

fixed_frame_sampling_ratio
固定坐标系的抽样比例

imu_sampling_ratio
imu传感器的抽样比例

landmarks_sampling_ratio
 landmarks数据的抽样比例

配置实例

只使用二维激光，无里程计的范例：

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

options = {
  map_builder = MAP_BUILDER,
  trajectory_builder = TRAJECTORY_BUILDER,
  map_frame = "map",
  tracking_frame = "base_footprint",
  published_frame = "base_footprint",
  provide_odom_frame = true,
  odom_frame = "odom",
  publish_frame_projected_to_2d = false,
  publish_tracked_pose = true,
  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.,
  landmarks_sampling_ratio = 1.,
  imu_sampling_ratio = 0.,
}

MAP_BUILDER.use_trajectory_builder_2d = true

TRAJECTORY_BUILDER_2D.submaps.num_range_data = 35
TRAJECTORY_BUILDER_2D.min_range = 0.3
TRAJECTORY_BUILDER_2D.max_range = 13.
TRAJECTORY_BUILDER_2D.missing_data_ray_length = 1.
TRAJECTORY_BUILDER_2D.use_imu_data = false
TRAJECTORY_BUILDER_2D.use_online_correlative_scan_matching = true
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.linear_search_window = 0.1
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.translation_delta_cost_weight = 10.
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.rotation_delta_cost_weight = 1e-1

POSE_GRAPH.optimization_problem.huber_scale = 1e2
POSE_GRAPH.optimize_every_n_nodes = 35
POSE_GRAPH.constraint_builder.min_score = 0.65

return options

附带里程计的配置范例：

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

options = {
  map_builder = MAP_BUILDER,
  trajectory_builder = TRAJECTORY_BUILDER,
  map_frame = "map",
  tracking_frame = "base_footprint",
  published_frame = "odom",
  provide_odom_frame = false,
  odom_frame = "odom",
  publish_frame_projected_to_2d = false,
  publish_tracked_pose = true,
  use_pose_extrapolator = true,
  use_odometry = true,
  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 = 0.1,
  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.,
  landmarks_sampling_ratio = 1.,
  imu_sampling_ratio = 0.,
}

MAP_BUILDER.use_trajectory_builder_2d = true

TRAJECTORY_BUILDER_2D.submaps.num_range_data = 35
TRAJECTORY_BUILDER_2D.min_range = 0.2
TRAJECTORY_BUILDER_2D.max_range = 15.
TRAJECTORY_BUILDER_2D.missing_data_ray_length = 1.
TRAJECTORY_BUILDER_2D.use_imu_data = false
TRAJECTORY_BUILDER_2D.use_online_correlative_scan_matching = true
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.linear_search_window = 0.15
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.translation_delta_cost_weight = 10.
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.rotation_delta_cost_weight = 1e-1
TRAJECTORY_BUILDER_2D.ceres_scan_matcher.ceres_solver_options.num_threads = 2
-- cartographer has motion filter, don't move too quick.

POSE_GRAPH.optimization_problem.huber_scale = 1e2
POSE_GRAPH.optimize_every_n_nodes = 30
POSE_GRAPH.constraint_builder.min_score = 0.65

return options

wallEVA96

关注

2
点赞
踩
12

收藏

觉得还不错? 一键收藏
0
评论
基于树莓派4的硬件部署cartographer建图算法

前言cartographer因为加了回环检测，以及图优化等思路，在室内建图方面相比hector，gmapping等算法有着较好的建图效果， hector如果雷达频率高的话，也是完全可以胜任建图，但是在低特征的场合下，仍然还是要gmapping去融合里程计的效果会更为优秀一些。我最早接触cartographer是在2017年，当时谷歌一开源，我便第一时间下载学习，当时需要的算力硬件比较苛刻，现在经过优化之后，已经完全可以在树莓派的硬件上流畅的运行，如今如何突发奇想，写一下学习总结。部署需要条件
复制链接

扫一扫