【环境配置】Turtlebot2 激光雷达+深度相机 GAZEBO仿真

已于 2023-01-17 14:15:41 修改
阅读量6.8k 收藏 157
点赞数 37
分类专栏： 导航避障 文章标签： ROS GAZEBO Turtlebot2
于 2021-12-04 11:50:57 首次发布
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/xi_shui/article/details/121713021
版权

前言

最近老师接了一个项目，做一个机器人仿真环境，我是负责移动机器人这部分的。老师的要求是以Turtlebot2为参考，后面可能涉及实机演示。在仿真的过程中我发现Turtlebot2仿真环境是以Kinect摄像头为传感器，进行伪激光数据输出，这在跑ROS中Gmapping算法是会导致特征点比较少（激光雷达360度，深度相机由于视场角问题，特征点非常少）会导致在某个区域机器人实际在移动但是gmapping算法认为机器人原地不动，出现卡顿现象，这是看古月居课程：ROS常用SLAM功能包使用指南 · 古月 知道的。所以我打算加入激光雷达传感器代替SCAN原有的伪激光话题。然后按照古月课程整理了一节《实验一 SLAM地图构建与保存 》

实验一 SLAM地图构建与保存

一.实验内容

本次实验通过Turtlebot仿真环境,配置ROS中几种常见的SLAM算法功能包实现对机器人周围环境的地图构建.

二.实验目标

1.了解SLAM算法的基本框架
2.掌握几种常见SLAM算法功能包的配置
3.了解不同SLAM算法之间的差异和各自适用的场景

三.实验环境

·Ubuntu18.04 desktop
·ROS Melodic
·TurtleBot2 仿真功能包

四.实验原理

4.1Gmapping

在这里插入图片描述

Gmapping是基于粒子滤波的算法。
优点:
1.可以实时构建室内地图，在构建小场景地图所需的计算量较小且精度较高。
2.相比Hector SLAM对激光雷达频率要求低、鲁棒性高（Hector 在机器人快速转向时很容易发生错误匹配，建出的地图发生错位，原因主要是优化算法容易陷入局部最小值）。
3.而相比Cartographer在构建小场景地图时，Gmapping不需要太多的粒子并且没有回环检测，因此计算量小于Cartographer而精度并没有差太多。
4.在长廊及低特征场景中建图效果好；在地况较为平整时采用Gmapping方法较多。
缺点：
1.依赖里程计（odometry），无法适用无人机及地面小车不平坦区。
2.严重依赖里程计，无法适应无人机及地面不平坦的区域，无回环（激光SLAM很难做回环检测），大的场景，粒子较多的情况下，特别消耗资源。
3.随着场景增大所需的粒子增加，因为每个粒子都携带一幅地图，因此在构建大地图时所需内存和计算量都会增加。因此不适合构建大场景地图。
4.没有回环检测，因此在回环闭合时可能会造成地图错位，虽然增加粒子数目可以使地图闭合但是以增加计算量和内存为代价。
所以Gmapping不能像cartographer那样构建大的地图。

4.2 Hector SLAM

在这里插入图片描述
PS:博客中懒得自己画了，图片直接截取古月居的课件，感觉课件中的很详细了
古月居官网

基于优化的算法（解最小二乘问题），优缺点：不需要里程计，但对于雷达帧率要求很高40Hz，估计6自由度位姿，可以适应空中或者地面不平坦的情况。初值的选择对结果影响很大，所以要求雷达帧率较高。Hector_SLAM提出的初衷是为了解决非平坦地区，非结构化环境下的地图构建。
优点：
1.SLAM经过多年的发展，在结构化场景下建图已经非常成熟，但是都离不开高精度的里程计数据，而Hector_SLAM完全摆脱了里程计，仅仅依赖于高频率的激光。不需要使用里程计，所以使得空中无人机及地面小车在不平坦区域建图存在运用的可行性。
2.利用已经获得的地图对激光束点阵进行优化, 估计激光点在地图的表示,和占据网格的概率。
3.利用高斯牛顿方法解决scan-matching 问题，获得激光点集映射到已有地图的刚体变换。
4.为避免局部最小而非全局最优，使用多分辨率地图；导航中的状态估计加入惯性测量系统（IMU），利用EKF滤波。
5.Hector_SLAM灵活高、可扩展性强，可用于二维和三维地图的创建，很好地适应了微型处理器，降低了SLAM算法对计算机硬件的要求，在自主移动机器人导航领域应用越来越多。
缺点：
1.需要雷达（LRS）的更新频率较高，测量噪声小。所以在制图过程中，需要robot速度控制在比较低的情况下，建图效果才会比较理想，这也是它没有回环（loop close）的一个后遗症。
2.且在里程计数据比较精确的时候，无法有效利用里程计信息。
实验表明：在大地图，低特征（distinctive landmarks）场景中，hector的建图误差高于gmapping。这是由于hector过分依赖scan-match。特别是在长廊问题中，误差更加明显。
补充：hector_slam通过最小二乘法匹配扫描点，且依赖高精度的激光雷达数据，因此扫描角很小且噪声较大的Kinect是不行的，匹配时会陷入局部点，地图比较混乱。

4.3 Cartographer

在这里插入图片描述

累计误差较前两种算法低，能天然的输出协方差矩阵，成本较低的雷达也能跑出不错的效果。先由一定数量的laser scan构建submap，由submap拼接成地图，具有回环检测，间隔一定数量的扫描进行一次所有submap的图优化（SPA，运用了分支定界原理进行加速）。

五.实验步骤

5.1 Gmapping建图
ROS中默认的SLAM定位算法为Gmapping,因此在编译好工作空间后,在终端直接运行:

roslaunch turtlebot_gazebo turtlebot_go.launch

在这里插入图片描述

新建终端输入

roslaunch turtlebot_gazebo gmapping_demo.launch

在这里插入图片描述

再新建终端输入

roslaunch turtlebot_teleop keyboard_teleop.launch

在这里插入图片描述

根据终端提示,将鼠标定位在此终端(按键控制终端,否则无法控制),通过Rviz左下角摄像头第一视角,按键盘”I”键控制机器人前进,”J”和”L”分别为左转和右转,”,”键为后退控制机器人对周围环境进行建图,并构建一张完整地图,用于后续机器人导航定位.

控制机器人运行一周后,见下图:
在这里插入图片描述

进入/home/用户名/turtlebot_ws/src/turtlebot_simulator/turtlebot_gazebo/maps目录下

rosrun map_server map_saver -f map

注释:rosrun map_server map_saver -f [要保存成地图的地图名,此处要保存为map]
生成map.pgm和map.yaml两个文件,其中map.pgm为地图,map.yaml为地图配置文件里面包括地图的路径,分辨率等.
在这里插入图片描述

最终生成地图:
在这里插入图片描述
5.2 Hector建图
Hector SLAM算法在Turtlebot2工作空间中已经配置完成，对配置感兴趣的同学可以查看hector.launch这个文件中的内容。
利用Hector进行建图：
新建终端：

roslaunch turtlebot_gazebo turtlebot_go.launch

在这里插入图片描述

新建终端输入：

roslaunch turtlebot_gazebo hector.launch

在这里插入图片描述

新建终端打开按键控制：

roslaunch turtlebot_teleop keyboard_teleop.launch

在这里插入图片描述

鼠标定位在此终端，根据提示控制机器人对周围环境进行建图。
在这里插入图片描述

进入/home/用户名/turtlebot_ws/src/turtlebot_simulator/turtlebot_gazebo/maps目录下

rosrun map_server map_saver -f map_hector

注释:rosrun map_server map_saver -f [要保存成地图的地图名,此处要保存为map]
生成map_hector.pgm和map_hector.yaml两个文件,其中map_hector.pgm为地图,map_hector.yaml为地图配置文件里面包括地图的路径,分辨率等.

在这里插入图片描述在这里插入图片描述

5.3 Cartographer建图
安装功能包：

sudo apt-get install  ros-melodic-cartographer-*

新建终端打开Gazebo仿真环境：

roslaunch turtlebot_gazebo turtlebot_go.launch

在这里插入图片描述

新建终端打开cartographer节点：

roslaunch turtlebot_gazebo cartographer_demo.launch

在这里插入图片描述

新建终端打开按键控制：

roslaunch turtlebot_teleop keyboard_teleop.launch

在这里插入图片描述

鼠标控制机器人进行建图：
在这里插入图片描述

保存地图：
新建终端依次输入下列三条指令：

rosservice  call /finish_trajectory "trajectory_id: 0" 
rosservice  call /write_state "filename: '${HOME}/mymap.pbstream'" 
rosrun cartographer_ros cartographer_pbstream_to_ros_map -map_filestem=${HOME}/mymap -pbstream_filename=${HOME}/mymap.pbstream -resolution=0.05

在Home目录下出现：
在这里插入图片描述

  1. mymap.pbstream
  2. mymap.pgm
  3. mymap.yaml

其中mymap.pgm和mymap.yaml是我们所需要的地图文件，并将其复制到/home/用户名/turtlebot_ws/src/turtlebot_simulator/turtlebot_gazebo/maps目录下。
在这里插入图片描述

Cartographer所建地图效果：

在这里插入图片描述

5.4建图效果对比
在这里插入图片描述

gmapping建图效果

在这里插入图片描述

hector建图效果

在这里插入图片描述

cartographer建图效果

5.5 RTAB建图
安装功能包：

sudo apt-get install ros-melodic-rtabmap ros-melodic-rtabmap-ros

启动Gazebo仿真环境：

roslaunch turtlebot_gazebo turtlebot_go.launch

在这里插入图片描述

运行RTAB节点：

roslaunch turtlebot_gazebo rtabmap_demo.launch

在这里插入图片描述在这里插入图片描述

配置rviz设置：
添加机器人模型：Add->By dispaly type->rviz->RobotModel 点击OK
在这里插入图片描述

左侧rviz设置按照下图勾选：
在这里插入图片描述

启动键盘控制节点：

roslaunch turtlebot_teleop keyboard_teleop.launch

在这里插入图片描述

通过键盘控制机器人进行建图：
在这里插入图片描述

关闭所有终端，新建终端查看构建地图输入：

rtabmap-databaseViewer ~/.ros/rtabmap.db

在这里插入图片描述

点击view中 Graph view查看2D地图
在这里插入图片描述

点击view中 Occupancy Grid查看3D地图
在这里插入图片描述

六.实验小结

  1. 有些安装包的下载需要科学上网，这也是学习过程中必备的技能。
  2. 通过本实验，掌握ROS中几种常见的建图方法，并学习各个算法原理体会不同算法之间的差异性以及各自适用的场景。
  3. 有兴趣的同学可以在TurtleBot2源码工程文件基础上，修改配置文件，搭建自己的仿真环境。
  4. 遇到问题时，分析问题可能出现的原因，有顺序条理地去解决，例如配置文件都正确，修改不起作用，需要检查当前环境变量是否设置正确

附录

代码开源地址

git clone https://github.com/FistsK/turtlebot2_withlidar.git

这两个文件夹是我已经配置好的，下载到你的turtlebot2源码配置工作区，覆盖掉相应文件夹即可。至于turtlebot2源码配置

turtlebot2源码配置

环境:Turtlebot2+Ubuntu18.04+melodic
1.安装依赖

 sudo apt-get install ros-melodic-kobuki-*
 sudo apt-get install ros-melodic-ecl-streams
 sudo apt-get install libusb-dev
 sudo apt-get install libspnav-dev
 sudo apt-get install ros-melodic-joystick-drivers
 sudo apt-get install bluetooth
 sudo apt-get install libbluetooth-dev
 sudo apt-get install libcwiid-dev

2.新建工作空间,准备相关包

 mkdir -p ~/turtlebot_ws/src 
 cd ~/turtlebot_ws/src 

 git clone https://github.com/turtlebot/turtlebot_simulator
 git clone https://github.com/turtlebot/turtlebot.git
 git clone https://github.com/turtlebot/turtlebot_apps.git
 git clone https://github.com/udacity/robot_pose_ekf
 git clone https://github.com/ros-perception/depthimage_to_laserscan.git 
 git clone https://github.com/yujinrobot/kobuki_msgs.git
 git clone https://github.com/yujinrobot/kobuki_desktop.git
 cd kobuki_desktop/
 rm -r kobuki_qtestsuite
 git clone https://github.com/toeklk/orocos-bayesian-filtering.git
 git clone https://github.com/turtlebot/turtlebot_msgs.git
 git clone https://github.com/ros-drivers/joystick_drivers.git

3.复制kobuki和yujin_ocs依赖库到turtlebot_ws/src工作空间下

 mkdir -p ~/repos/
 cd ~/repos/
 git clone https://github.com/yujinrobot/kobuki.git
 cp -r kobuki/* ~/turtlebot_ws/src/
 git clone https://github.com/yujinrobot/yujin_ocs.git
 cp -r yujin_ocs/yocs_cmd_vel_mux/  yujin_ocs/yocs_controllers  yujin_ocs/yocs_velocity_smoother ~/turtlebot_ws/src/

4.编译工作空间

 cd ~/turtlebot_ws
 catkin_make

5.添加工作空间到bashrc文件

echo "source ~/turtlebot_ws/devel/setup.bash" >> ~/.bashrc

6.启用环境变量

source ~/.bashrc

测试

roslaunch turtlebot_gazebo turtlebot_world.launch
roslaunch turtlebot_teleop keyboard_teleop.launch
RockWang.
关注
  • 37
    点赞
  • 踩
  • 157
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
gazebo中仿真雷达模型系列
vingsony的博客
08-29 5096
1.雷达文件 在~/.gazebo/models/下新建文件中添加如下文件 model.config<?xml version="1.0"?> <model> <name>Noisy laser</name> <version>1.0</version> <sdf version='1.6'>model.sdf</sdf> <author> <name>My N
ROS2GO之TurtleBot学习与使用资料
zhangrelay的专栏
12-06 2081
ROS2GO之TurtleBot学习与使用资料 TurtleBot2最佳环境为indigo或kinetic，TurtleBot3最佳环境为kinetic或melodic。   ROS2GO-Kinetic版本已经配置完全，这里不在细说，直接使用官网教程学习即可。 ROS2GO-Melodic版本功能包安装无法使用，使用源码编译即可。 功能包过少，需要自行编...
深度学习框架（Pytorch）+ 机器人（ROS）：ROS melodic 上安装 Turtlebot2 —＞ 安装 hokuyo 激光雷达 —＞ Python 3 的虚拟环境中调用 ROS 填坑记录
m0_45131654的博客
07-08 3277
复现论文需要ubuntu+ros+turtlebot2+hokuyo的配置，这里有一个关于turtlebot的教程： Learn TurtleBot and ROS 以后可能能用上。 然后对于 git clone 速度慢的问题，我全程都是用换镜像网站解决（参考 git clone一个github上的仓库，太慢，经常连接失败，但是github官网流畅访问，为什么？ - 知乎）： #原地址 git clone https://github.com/kubernetes/kubernetes.git #
Turtlebot2简单控制
qqGHJ的博客
11-30 1418
ubuntu16+turtlebot2+kinect V2一些简单操作集合
【ROS】Turtlebot2学习准备
RockWang的博客
11-25 625
前言 视频 基于两个turtlebot2的多机器人SLAM地图融合 turtlebot2餐厅配送
turtlebot2笔记（更新中）
sylin211的博客
11-01 3644
文章目录1. 启动turtlebot22. turtlebot2的话题3. turtlebot2运动控制3.1 键盘控制运动3.2 代码控制运动4. turtlebot2数据读取4.1 里程计数据4.2 ＩＭＵ数据参考 1. 启动turtlebot2 roslaunch turtlebot_bringup minimal.launch --screen 参数--screen可以将启动过程的详细信息输出到终端，可以不加。 2. turtlebot2的话题 启动turtlebot2后查询话题 rostopic
Ubuntu18.04 Turtlebot2机器人移动控制 Rviz Gazebo仿真实现
weixin_47928521的博客
12-22 2810
Ubuntu18.04 ROS-Melodic Turtlebot2 实现机器人移动控制，精确控制移动距离、旋转角度等，并在Rviz Gazebo等仿真环境中演示
基于MATLAB和GAZEBO的激光slam仿真
04-22
使用 Gazebo 创建一个仿真环境，包括地图、机器人模型、激光传感器等。 在 Gazebo 中加载地图和机器人，设置激光传感器的参数。 与 MATLAB 连接： 使用 ROS（Robot Operating System）作为中间件，将 Gazebo 和 ...
基于MATLAB和GAZEBO的激光slam仿真源码+全部数据（高分课程设计）.zip
10-25
基于MATLAB和GAZEBO的激光slam仿真源码+全部数据（高分课程设计）.zip已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于MATLAB和GAZEBO的...
基于MATLAB和GAZEBO的激光slam仿真.rar
01-17
标题中的“基于MATLAB和GAZEBO的激光slam仿真”指的是使用MATLAB与GAZEBO软件进行激光SLAM（Simultaneous Localization and Mapping，即同时定位与建图）的模拟实验。MATLAB是一款强大的数学计算和数据分析软件，而...
ros2 control + gazebo + 机械臂
最新发布
05-24
在这个场景中，我们主要关注如何在ROS2的环境下，利用ROS2 Control来管理机械臂的控制，以及通过Gazebo进行仿真。 ROS2 Control是ROS2中的一个模块，它提供了硬件接口、控制器和服务，用于精确地控制机器人的各个...
Gazebo中的待修复仿真模型与可用的完整仿真环境
01-02
包含3个文件，pallet_box_...TugbotInWarehouse.zip是已经包含了所有资源（不用依赖网络下载）的修复好了的仿真模型资源，具体的环境是Tugbot（包含两个单线激光雷达和一个多线激光雷达）差速机器人在仓库环境中。
在gazebo仿真环境下对相机和激光雷达的标定
weixin_43807148的博客
02-28 5359
相机和激光雷达的标定主要是为了得到两者之间的参数，包括相机的内参和雷达到相机的外参。这样便可以完成点云到图像的投影，从而完成信息融合。 实际上gazebo中这些参数都是真值，是不需要标定的： 相机的内参可以从相机发布的消息：/camera/camera_info中获得 Lidar到相机的外参可以从gazebo中设置的两个传感器之间的位姿得到 以我的小车为例，首先看一下我的gazebo小车图片（忽略掉悬空的合理性） 相机和激光雷达都是朝向小车的前侧，相机高于激光雷达0.3m。 理论上来讲直到这些参数是可
基于稀疏点云地图实现Turtlebot2真实环境下导航
qq_41917452的博客
03-10 1536
基于稀疏点云地图实现Turtlebot2真实环境下导航
Turtlebot2搭载激光雷达(ydlidar F4pro)通过gmapping构建地图准备:
qq_44778120的博客
11-19 1488
环境：ubuntu16.04、turtlebot2、F4pro、ros kinetic 分两部分 一、运行激光雷达（简单的来说就是使激光雷达旋转起来） 二、运行建图的文件(能在rviz上显示图像) 需要下载的东西： 1、激光雷达的ROS驱动包https://github.com/EAIBOT/flashgo 或者克隆（先创建工作空间再使用命令克隆包，如果直接下载压缩包，则不用）： $ git ...
ubuntu16.04下实现ROS+turtlebot2+rviz+gmapping建图自动导航
qq_53974525的博客
12-01 1100
ubuntu16.04下实现ROS+turtlebot2+rviz+gmapping建图自动导航
Turtlebot移动机器人gazebo仿真及自动导航（详细级）
m0_56895840的博客
11-09 6860
6. 在菜单栏选择File（文件）>Save As（另存为），另存当前编辑好的仿真环境文件，选择一个保存路径(可以自己先创建一个文件)并取名为my_building（可自定义名称），保存完成之后可以看到生成一个名为my_building的文件夹，包含model.config和model.sdf两个文件。5. 给墙壁添加材质和纹理特征，选择左侧区域下方Add Texture（添加质地）中的Bricks（砖）选项，然后鼠标左键单击三维视图区域的外墙，即可以为外墙添加砖的纹理和质地。
从零开始的三维激光雷达SLAM教程第二讲（搭建Gazebo仿真环境，并添加动态障碍物）
qq_21043585的博客
03-30 6130
我们先在/opt/ros/xxx/share目录下找到turtlebot3的description功能包，为了不修改，我们把urdf文件托到自己功能包下修改，并增加VLP模块。VLP模块也要拖到自己功能包下，仿照velodyne_description中给的例子修改（需要注释掉inertial标签，因为激光的重量会造成机器人的翻倒）。在gazebo中添加地图也可以不显示GUI界面，后台运行，你操作机器人移动可以看激光雷达，在电脑运行不过来GUI的时候可以这么做，对虚拟机友好。
turtlebot3 gazebo仿真环境下深度强化学习dqn
11-30
TurtleBot3是一款基于ROS的机器人平台，可以在Gazebo仿真环境下进行深度强化学习（DQN）。深度强化学习是一种结合了深度学习和强化学习的方法，可以使机器人在环境中学习并执行特定的任务。 在TurtleBot3的Gazebo仿真环境下，我们可以利用DQN算法来训练机器人执行各种任务。例如，可以训练机器人在环境中移动、避开障碍物或者找到特定的目标点。通过不断的试错和学习，机器人可以逐渐改进自己的策略，最终完成任务并获得奖励。 在这个仿真环境下，我们可以通过给机器人设定不同的目标和奖励机制来训练它执行复杂的任务。而DQN算法则可以帮助机器人在复杂的环境中做出最优的决策，从而提高机器人在真实环境中执行任务的表现。 通过在TurtleBot3的Gazebo仿真环境下进行深度强化学习，我们可以有效地训练机器人在各种复杂环境下执行任务，并且可以在真实环境中应用这些训练结果，从而提高机器人的智能水平和执行能力。这种方法能够帮助机器人在日常生活和工作中更好地适应和应对各种情况，也有助于推动机器人技术的发展和应用。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

RockWang.

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值