古月 ROS移动机器人实战5.3ROS导航框架介绍笔记

机器人自主导航流程

机器人躲避障碍物，偏离最优路径，由本地规划器完成。本地规划器实时规划避障路径，还会努力让机器人沿着全局路径运动，也就是规划机器人每时每刻的运动速度，速度通过cmd_vel发送给底盘，底盘中的驱动就会控制机器人的电机按照某一速度运动，从而带动机器人向目标前进。

白色表示在导航里面这个模块是必须的（ros提供的，可以直接用），灰色用不用都行（需要可以直接调用），蓝色需要重点关注（硬件相关的驱动和控制需要自己实现）
全局规划器负责规划从起点到终点的最优路径，本地规划器尽量让机器人沿着最优路径运动，并完成对动态障碍物的实时避障规划，计算路径的依据是全局和局部代价地图，代价地图是在栅格地图的基础上给每个格子赋予了一个代价值，规划器规划的路径就会有一个总体代价，付出的代价越小就是越优的路径。
完整地图变成的代价地图数据量大，但是信息量足够多，主要提供给全局规划器使用；本地代价地图只裁剪了机器人周边小范围的代价地图，便于实时计算，提供给本地规划器使用。
recovery_behaviors，机器人发现自己无法导航时触发的行为，原地打转、寻找出路或者清除代价地图，重新根据传感器来检测障碍物是否真实存在，还可以根据应用场景，自己开发恢复动作。
amcl是基于雷达的全新定位算法，就像是手机的GPS功能一样，持续为导航提供机器人的位姿信息，里程计也可以定位，但是有累积误差，因此大部分时间需要用到amcl。
蓝色的模块：需要根据机器人采用的硬件，为导航提供相应的数据支持。通过传感器驱动发布话题信息，还有传感器与机器人的坐标变换，便于算法将雷达获取的深度数据转换成机器人坐标系下的距离。
参考链接：http://wiki.rps.org/navigation
机器人根据里程计硬件实时发布odom话题。
最终只是给机器人发布一个速度控制的话题–cmd_vel。指令落实到机器人的电机上需要机器人的底层控制器来实现。


amcl功能包封装了一套针对二维环境下的蒙特卡洛定位方法，针对已有的地图使用粒子滤波器跟踪一个机器人的姿态，得到优化后的全局定位。以某一个固定的频率不断对粒子做筛选，基本一致的留下，不一致的删掉，最终这些粒子就会逐渐向机器人的真实位姿靠拢，聚集度最高的地方就看做是机器人的当前位姿。可以参考《概率机器人》做更加深入的学习。