采用16线激光雷达和轮式里程计调用cartographer室内融合定位

​之前有说过如何调用cartographer进行室内纯定位，但那是采用纯激光雷达进行定位的，我们知道，纯激光雷达存在长廊效果，如果室内场景特征不够明显，定位肯定是不行的。

那么要想不出现长廊效应，现有的办法就是融合定位，因为不管怎样，采用纯激光雷达都会出现长廊效应，但是融合定位可以很好的解决这个问题。

本次我将说明如何进行参数配置实现调用cartographer包进行融合定位。（本次采用的是激光雷达+轮式里程计融合定位）

首先就是revo_lds.lua配置文件，其中published_frame需要改成odom，然后tracking_frame如果不使用imu的话，则是base_link或者base_footprint，一般是base_link，如果采用imu的话则是imu_link。

下面的一系列true和false全改成false，除了use_odometry这一项是否使用里程计改成true。

主要是该文件的配置，其他的配置基本可以不改：

revo_lds.lua：

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",
  odom_frame = "odom",
  provide_odom_frame = false,
  publish_frame_projected_to_2d = false,
  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 = 0.5,
  submap_publish_period_sec = 0.3,
  pose_publish_period_sec = 2e-2,
  --启用将跟踪的姿势发布为geometry_msgs / PoseStamped到主题“ tracked_pose”。
  --publish_tracked_pose_msg = true,
  trajectory_publish_period_sec = 30e-3,
  rangefinder_sampling_ratio = 1.,
  odometry_sampling_ratio = 1.,    
  --如果有时间不一致问题odometry_sampling_ratio可以改为0.3或0.1，但未从根源上解决问题。
  fixed_frame_pose_sampling_ratio = 1.,
  imu_sampling_ratio = 1.,
  landmarks_sampling_ratio = 1.,
  }
  --pure_localization
  POSE_GRAPH.optimize_every_n_nodes = 0
  MAP_BUILDER.num_background_threads = 4
  POSE_GRAPH.global_sampling_ratio = 0.003
  POSE_GRAPH.constraint_builder.sampling_ratio = 0.3
  POSE_GRAPH.constraint_builder.min_score = 0.85
  POSE_GRAPH.global_constraint_search_after_n_seconds = 30
  --pure_localization end
  -- POSE_GRAPH.optimization_problem.log_solver_summary = true

  MAP_BUILDER.use_trajectory_builder_2d = true
  
  TRAJECTORY_BUILDER_2D.submaps.num_range_data = 45
  TRAJECTORY_BUILDER_2D.min_range = 0.05
  TRAJECTORY_BUILDER_2D.max_range = 15.
  TRAJECTORY_BUILDER_2D.missing_data_ray_length = 1.
  TRAJECTORY_BUILDER_2D.use_imu_data = true
  --重力常数
  TRAJECTORY_BUILDER_2D.imu_gravity_time_constant = 9.7883
  
  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.angular_search_window = math.rad(45.)
  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

  --扫描匹配器可以在不影响分数的情况下自由地前后移动匹配项。我们希望通过使扫描匹配器支付更多费用来偏离这种情况，
  --从而对这种情况进行惩罚。控制它的两个参数是TRAJECTORY_BUILDER_2D.ceres_scan_matcher.translation_weight和
  --rotation_weight。越高，将结果从先前移开，换句话说，就越昂贵：扫描匹配必须在要接受的另一个位置产生更高的分数。
  --TRAJECTORY_BUILDER_2D.ceres_scan_matcher.translation_weight = 2e2
  --TRAJECTORY_BUILDER_2D.ceres_scan_matcher.rotation_weight = 4e2


  POSE_GRAPH.optimization_problem.huber_scale = 1e2
  --odom
  --POSE_GRAPH.optimization_problem.initial_pose_translation_weight = 1e5
  --POSE_GRAPH.optimization_problem.initial_pose_rotation_weight = 1e5
  --POSE_GRAPH.optimization_problem.odometry_translation_weight = 1e5
  --POSE_GRAPH.optimization_problem.odometry_rotation_weight = 1e1
  

return options

然后就是在运行过程中可能会报错的问题，主要是时间不一致的问题，参考：

https://blog.csdn.net/weixin_44570248/article/details/118462631

最后附上我定位的图片：

这是刚启动rviz存在的定位偏差

这是在小车实际运行一段时间后的定位，可以看出效果还是有所改善的，不过也同样存在一点偏差。

最后说一些小提示：像这个定位的先验地图是很久之前建好的，个人建议在最初建图时将场景内的不确定因素可以先移出场景外，建一个“保质期”比较久的地图可以为后续的定位达到更好的效果。