算法简介
(这部分是github上ReadME搬运过来的)mcl_3dl节点是基于三维激光雷达的定位算法,核心是蒙特卡洛定位(MCL),也称为粒子滤波定位,通过用粒子的密度和权重来表示待估计位姿的概率分布。
观测:
1 LIDAR测量模型:
通常波束模型与似然域模型相比,可以减少地图中被测点的false positive匹配,但更复杂。mcl_3dl节点同时使用这两个模型来以良好的计算能力实现好的匹配结果。计算粒子的likelihood的时候,将用大量随机采样点做似然域模型得到的结果,与用少量随机采样点做波束模型预测的结果相乘,计算不复杂但是又减少了误匹配。
具体做法是:
在似然域模型中,likelihood是每个观测点到地图中最近点的距离之和,最近点的搜索使用分块Kd树,观测点进行体素滤波并随机采样以降低计算复杂度。具体实现在lidar_measurement_model_likelihood.cpp
在波束模型中,likelihood通过ray casting计算,N是观测点的射线数量,n是穿过地图中障碍物的射线数量,alpha是拒绝权重,计算公式是alpha ^(n / N)。具体实现在lidar_measurement_model_beam.cpp
2 轴相关距离权重
在墙壁稀疏只有地板的一些环境中,由于可以修正估计Z位置的点的数量相对较大,在Z方向上的距离就更少关注。距离计算的权重系数可以由参数更改,在上述环境下权重设置为:((dist_weight_x,dist_weight_y,dist_weight_z)=(1.0,1.0,5.0))。这个在代码里面没有找到体现
3 加速度测量模型 imu产生的观测
通过获取IMU数据中的加速度矢量与粒子姿态之间的差来计算姿态的likelihood。
预测
根据带有噪声参数的里程计数据预测粒子的姿态,建议使用由IMU补偿的里程计数据。
重采样:
mcl_3dl节点通过复制较大概率的粒子来对粒子重新采样,复制的粒子会因高斯噪声而扩散。
扩展重置Expansion resetting
mcl_3dl临时实现了扩展重置方法。如果所有观测点中,具有相关联地图点的观测点的比例小于阈值,则通过给定的高斯噪声扩展粒子分布。一定的程度上可以解决局部极值问题。
代码里的实现就是在之前的基础上给粒子加噪声,然后等待重新收敛
执行
roslaunch mcl_3dl test.launch use_pointcloud_map:=false use_cad_map:=false \ use_bag_file:=true bag_file:=${HOME}/Downloads/short_test.bag
有几个参数:
use_neonavigation = true(默认false) 会执行下面两个其他地方的包:
trajectory_tracker trajectory_recorder path_recorder
dist_interval = 0.1
ang_interval = 0.2
trajectory_tracker trajectory_recorder poses_ref
dist_interval = 0.5
ang_interval = 100.0
use_cad_map = true默认! use_pointcloud_map 会执行下面这个包:
obj_to_pointcloud obj_to_pointcloud obj_to_pointcloud
<param name="objs" value="$(arg map_objs)" />
<param name="offset_x" value="$(arg map_offset_x)" />
<param name="offset_y" value="$(arg map_offset_y)" />
<param name="scale" value="$(arg map_scale)" />
<remap from="~/cloud" to="mapcloud" />
use_pointcloud_map = true(默认true)会执行下面这个包:
<node pkg="pcl_ros" type="pcd_to_pointcloud" name="pcd_to_pointcloud"
args="$(arg map_pcd)" if="$(arg use_pointcloud_map)">
<remap from="cloud_pcd" to="mapcloud" />
</node>
上面三个参数额外执行的包都不是mcl_3dl提供的
主要结构
这是mcl_3dl节点执行后的graph
Topic:
接收
- /cloud(雷达发布)
- /odom(码盘)
- /imu/data(imu)
- /tf(一系列的tf变换)
- /mapcloud(点云地图,插入到chunk kdtree,会随时检测地图更新)
- /initialpose(发布这个话题,粒子就在提供的位置处叠加噪声,如果不发布这个话题,粒子就在默认位置处叠加噪声(默认位置可以通过ros参数修改和读取))
发布
- /tf(odom到map 还有一个floor到map)
- /amcl_pose(map坐标系下的位置)
服务:
- /resize_mcl_particle 可以实时调整粒子数(调整粒子数的操作和重采样很相似,都是大概率的粒子多复制)
- /global_localization 实时启动全局定位
- /expansion_resetting 实时进行扩展重置
在test/src/ test_global_localization.cpp文件中给出了全局定位的使用过程:
- 发布cloud_map;
- 发布生成的cloud imu odom数据 并等待初始化(status变成normal;
- 然后发了5次odom数据 用来那边做预测
- 调用重定位服务并等待状态变成GLOBAL_LOCALIZATION (下面的过程会一直发/cloud /odom /imu/data数据)
- 等待全局定位结束
- 等了40个循环提高位姿精度
部分代码
-
chunked_kdtree.h 块kd树 在pcl kdtree基础上增加了分块 在每个分块内进行pcl的kdtree搜索:kdtree_->radiusSearch(p, radius, id, dist_sq, num) 点,半径,紧邻索引值,近邻中心距,
-
raycast.h 定义了迭代器,与块kd树相结合的射线遍历 用在雷达波束模型中。这里有一个点:头文件里面重载了*操作符,因为for的范围循环在循环前,会对每一个对象进行一次" * ",再赋值 这个重载真牛逼;然后遍历射线 对射线的每个点在kdtree上搜索最近点。里面进行了两次搜索,没有看太懂 最后用两次的结果计算了sin_ang 做进一步判断
-
filter.h 提供了两种滤波方式 LPF和HPF 低通滤波和高通滤波
-
nd.h 正态分布 一维和多维的
-
point_types.h 定义了pointcloud类型然后注册到点云库中
-
point_conversion.h 定义了ros msg到pcl pointcloud转换
-
point_cloud_random_sampler.h 随机生成一坨点云
-
vec3.h 自己定义了位姿
-
quat.h 自己定义了旋转 以四元数形式存储 中间又RPY和轴角的转换
-
pf.h 定义了ParticleWeightedMean ParticleFilter(这个里面实现了重采样) Particle ParticleBase
-
state_6dof.h 扩展到6自由度位姿
-
parameters.h 参数集合
-
imu_measurement_model.h 重力加速度计观测 用观测与predict的第三分量,求cos 然后作为方差 返回对应的高斯分布的概率;之前对IMU做观测了解的不多,第一次遇到这种做法。
-
motion_prediction_model.h 差分轮式预测模型 设置前与当前的pose与时间间隔 预测下一时刻的pose 运动模型更新部分
-
noise_generator.h 生成噪声 正态分布 只在对角线生成和全矩阵生成两种
-
lidar_measurement_model.h 雷达观测模型 likelihood和beam模型
-
compatibility.h ros subscribe和advertise等兼容性相关的文件
-
voxel_grid.h 对点云体素化 然后进行滤波(取每个体素中所有三维点中间一点的点)输出
-
lidar_measurement_model_beam.cpp 波束模型的具体实现
-
lidar_measurement_model_likelihood.cpp 似然域模型的具体实现
-
mcl_3dl.cpp 整个的ros节点,各种topic的回调函数,粒子滤波的过程在/cloud对应的回调函数里面,这个文件比较大 做了一部分注释贴上来
理解
1 mcl_3dl节点的全局定位实现就是和正常定位一样,在整个地图撒粒子,这样开始的时候计算效率肯定不高,但是随着收敛迭代,会不断减小粒子数,这一点想法很好。因为没法实际测试,所以不知道具体的效果怎么样,收敛效率怎么样。
2 全局定位似乎不一定能解决局部收敛问题,比如集中在某几个地方会存在大量的粒子;
3 在定位的过程中也会构建新的地图,但是这个地图没有与传入的地图融合
(最后就是发一些感慨,最近疫情期间,在家学习效率太低了……希望借这篇博客给自己提提神,接下来抓紧时间多学习啊啊啊啊 最后的最后 武汉加油!!!