ORB-SLAM辅助Cartographer重定位建图效果改进系列—第二篇

最新推荐文章于 2023-11-15 20:58:33 发布
最新推荐文章于 2023-11-15 20:58:33 发布
阅读量4.2k 收藏 61
点赞数 7
分类专栏： 算法 文章标签： slam
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhzwang/article/details/112733128
版权

任务动机：根和据暴露的问题，视觉重定位模块更新了第二个版本。与之前相比主要有如下改进：1. 使用两种定位模式(基于地图和基于BOW)实现稳定定位； 2. 定位频率保持5Hz左右； 3. 只需要激光板回传优化后的低频轨迹即可。

任务描述：整理开发产出包括功能描述、接口描述、配置文档、重要参数描述到文档。

1. 模块介绍

        本模块功能是基于雷达SLAM输出轨迹真值的视觉全局定位。定位采用两种模式：基于特征地图定位和基于关键帧定位。优先基于特征地图定位，在特征地图稀疏或没有成功建立特征地图的区域使用基于关键帧定位。其中基于特征地图的定位结果更准确。目前算法足够鲁棒，在严苛环境下能够连续给出全局定位的pose值。

1.1 功能

系统整体框架如下图。

视觉板输入输出

Input：

1. 保存视觉帧的开始和结束信号

2. 激光雷达高频的tf话题

3. 激光雷达低频的优化后的轨迹

Output：

1. 如果基于特征地图定位，则给出唯一的定位结果pose值

2. 如果基于关键帧定位，则给出BOW查询结果中相似的前几个pose值，其中第一个pose为最好的pose

1.2 视觉板与制图板通信过程

保存帧

        使用SaveFrames.srv服务，服务定义如下, 服务名字“save_frames”。步骤：制图板发送保存帧请求(save_flag=true)，视觉板将建图标志位置位后返回完成标志（finish_flag=true）；制图板完成数据采集后，发送停止保存帧请求(save_flag=false)通知视觉板停止采集图像，视觉板将建图标志位复位后返回完成标志（finish_flag=true）。另外，在保存帧时，视觉板会订阅制图板发出的话题名为“/tf”的话题，并将激光雷达的位姿以TUM格式保存为本地文件。

SaveFrames.srv:

bool save_flag # true-发送保存帧请求；false-发送停止保存帧请求
---
bool finish_flag # 接收到开启或停止保存信号

注：

1. 每次开启保存帧自动删除上一次保存的帧。

2. “/tf”话题为“tf2_msgs/TFMessage.msg”，定义见：https://github.com/ros/geometry2/blob/noetic-devel/tf2_msgs/msg/TFMessage.msg

3. 建图，使用CartoToVisionMap.srv服务，服务定义如下。

  • 制图板为client，视觉板为server,服务名字“carto_to_vision_map”

制图板完成位姿优化后向视觉板发送建图请求（map_flag=true），并且将所有scan帧的时间戳和pose（poses）发送给视觉板，视觉板返回接收到信号标志（finish_flag=true）,然后视觉板开始建图。

  • 制图板为server，视觉板为client, 服务名字“carto_to_vision_map_rep”

视觉板建完图后发送建图完成标志（map_flag=true）

CartoToVisionMap.srv:

bool map_flag # true-发送建图请求；
geometry_msgs/PoseStamped[] poses # 激光雷达所有scan帧的时间戳和位姿(雷达到世界坐标系)
---
bool finish_flag # true-接收到建图信号

注：geometry_msgs/PoseStamped定义见：https://github.com/ros/common_msgs/blob/noetic-devel/geometry_msgs/msg/PoseStamped.msg

4. 重定位

使用Relocalization.srv,服务定义如下, 服务名字“relocalization”。步骤：制图板向视觉板发送重定位请求（reloc_flag=true），视觉板返回接收到信号标志（finish_flag=true）。另外，若存储中已有地图，返回map_built_flag=true，开启重定位，定位成功结果后以话题形式发出；若存储中没有地图，返回map_built_flag=false，重定位未开启，需要保存好地图后再次发送重定位请求。

Relocalization.srv:

bool reloc_flag # true-发送重定位请求;
---
bool finish_flag # true-接收到重定位信号
bool map_built_flag # true-已有地图 false-没有地图

注：定位成功后发送的话题为“geometry_msgs/ PoseArray”，名字为“reloc_pose”。topic定义见：https://github.com/ros/common_msgs/blob/noetic-devel/geometry_msgs/msg/PoseArray.msg

话题详解

1. 时间戳为图像帧的时间戳，pose为雷达到世界坐标系（T_wl）。

2. pose数组的第一个pose为最佳结果，其余为次优结果，次优结果随机排序。

3. 话题的“frame_id”用于指示哪种定位结果，若其为“map_reloc”则表示为特征地图定位结果；若其为“kf_reloc”则表示为关键帧定位结果。

2. 部署方法

2.1 安装Ubuntu

官网参考链接：http://wiki.t-firefly.com/zh_CN/Firefly-RK3399/01-bootmode.html （主要是“更新固件”内容）

  1. 方法概述：使用一台安装ubuntu（我的是ubuntu 16.04）的电脑通过Type-C data cable数据线与Firefly-RK3399 开发板相连，在电脑上运行命令通过官方“Linux_Upgrade_Tool”工具烧录系统。硬件连接如下图

     

  2. 硬件环境

  • Firefly-RK3399 开发板
  • Type-C数据线

  • HDMI转VGA转接头（安装系统时不用连，安装完系统显示用）。

安装步骤

1. 通过官网链接下载Ubuntu 16.04镜像文件压缩包（https://pan.baidu.com/s/17xsxTXmVig4t6U3qlvFVBQ#list/path=%2F&parentPath=%2Fsharelink1414141670-882445172942659，提取码：byl8），然后下载“Ubuntu->Ubuntu16.04->Public-> FIREFLY-RK3399-UBUNTU16.04-GPT-20190910-1001.img.7z”。另外，也可以从firefly官网链接（http://www.t-firefly.com/doc/download/page/id/3.html）中的“固件->Ubuntu(GPT)”进入下载链接

2. 在安装ubuntu的电脑解压“FIREFLY-RK3399-UBUNTU16.04-GPT-20190910-1001.img.7z”，文件中包含升级工具“Linux_Upgrade_Tool”文件和镜像文件（pack(2)中文件，.img文件大小2.3G）。

3. 设备先断开电源适配器和 Type-C 数据线的连接

  • USB 一端连接主机，Type-C 一端连接开发板 Type-C 母口
  • 按住设备上的 RECOVERY （恢复）键并保持
  • 接上电源（蓝色指示灯不亮）
  • 大约两秒钟后，松开 RECOVERY 键
  • 在“Linux_Upgrade_Tool”文件夹下打开终端，然后运行如下命令
sudo chmod a+x upgrade_tool

sudo upgrade_tool uf FIREFLY-RK3399-UBUNTU16.04-GPT-20190910-1001.img

# 等待安装，安装需要几分钟，安装完成会显示“Upgrade fireware ok.”，等待1分钟左右系统会自动重启，蓝色指示灯亮起，可连接显示器。若安装失败参见官网参考链接寻找解决办法

# 更新

sudo apt-get update

sudo apt-get upgrade

2.2 环境安装

参考链接：

https://blog.csdn.net/nannan7777/article/details/107161720

https://blog.csdn.net/weixin_44436677/article/details/105587986

https://blog.csdn.net/weixin_45137708/article/details/105565800

1. 安装cmake

sudo apt-get install cmake

2. 安装gcc、g++、git

sudo apt-get install gcc g++ git

3. 安装opencv 3.2.0

参考链接：

http://dev.t-firefly.com/forum.php?mod=viewthread&tid=12143

https://blog.csdn.net/radiantjeral/article/details/82193370

4. 安装依赖

sudo apt-get install build-essential

# 下一条中libgtk2.0-dev的依赖
sudo apt-get install libpng12-dev
sudo apt-get install libgdk-pixbuf2.0-dev
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

5. 下载源码

git clone https://github.com/opencv/opencv.git
cd opencv/
git checkout 3.2.0

6. 编译与安装

#首先进入安装包的根目录
mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..
make
sudo make install

7. 安装pangolin

  • 安装依赖
sudo apt-get install libglew-dev libpython2.7-dev libboost-dev libboost-thread-dev libboost-filesystem-dev
  • 下载源码
git clone https://github.com/stevenlovegrove/Pangolin
  • 编译与安装
# 进入Pangolin根目录

mkdir build
cd build
cmake ..
make -j4
sudo make install

8. 安装eigen3

  • 下载源码
wget https://bitbucket.org/eigen/eigen/get/3.2.10.tar.bz2
tar -xjf 3.2.10.tar.bz2
# 重命名
mv eigen-eigen-b9cd8366d4e8/ eigen-3.2.10
  • 编译与安装
进入eigen-3.2.10根目录

mkdir build
cd build
cmake ..
make
sudo make install

9. 安装ROS Kinetic，参照官网链接

# 使用清华镜像

sudo sh -c '. /etc/lsb-release && echo "deb http://mirrors.tuna.tsinghua.edu.cn/ros/ubuntu/ `lsb_release -cs` main" > /etc/apt/sources.list.d/ros-latest.list'
sudo apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654
sudo apt update
sudo apt-get install ros-kinetic-desktop-full

#如果报错unable to …,就再更新一次，再安装一下

sudo apt update
sudo apt-get install ros-kinetic-desktop-full
apt-cache search ros-kinetic
echo "source /opt/ros/kinetic/setup.bash" >> ~/.bashrc
source ~/.bashrc
sudo apt install python-rosdep python-rosinstall python-rosinstall-generator python-wstool build-essential
sudo apt install python-rosdep
sudo rosdep init
rosdep update

# 开启主节点验证是否安装完成
roscore

10. 安装ROS的uvc_camera包

sudo apt-get install ros-kinetic-uvc-camera

11. 下载、编译与运行ORB_SLAM2_standlone

  • 新建ROS工作空间
mkdir -p ~/orb_slam2_ws/src
cd ~/orb_slam2_ws/src
catkin_init_workspace
cd ~/orb_slam2_ws/
catkin_make
source devel/setup.bash
  • 下载ORB_SLAM2_standlone源码
cd ~/orb_slam2_ws/src
git clone https://gitee.com/yiluzhang/orb_slam2_standalone.git
  • 编译
cd orb_slam2_standalone
mkdir -p data/Frames
chmod +x build.sh
./build.sh
cd ../..
catkin_make
  • 更改配置文件（orb_slam2_standalone/Examples/Monocular/ iisg_carto.yaml）里设置参数
# 是否开启可视化界面
# 0-close viewer 1-open viewer
bUseViewer: 0

 

#相机参数
# 相机topic
Camera_topic: “/camera/image_raw”

# 相机参数
Camera.width:640
Camera.height:480

# Camera calibration and distortion parameters (OpenCV)
Camera.fx: 644.148203
Camera.fy: 641.932757
Camera.cx: 454.125051
Camera.cy: 263.812763
Camera.k1: -0.390540
Camera.k2: 0.147062
Camera.p1: 0.000460
Camera.p2: -0.001930

# Camera frames per second
Camera.fps: 30.0

# Color order of the images (0: BGR, 1: RGB. It is ignored if images are grayscale)
Camera.RGB: 1
# tf话题参数

# 话题名
TF_topic: "/tf"

# 与激光雷达pose对应的tf话题中的“frmae_id”名
Odom_frame: "odom"

# 与激光雷达pose对应的tf话题中的“child_frame_id”名
Tracking_frame: "laser_link"

 

相机和激光雷达的外参

# 相机坐标系到激光雷达坐标系的相对位姿
T_laser_cam:

 

# 文件夹路径
# 程序运行中需要保存和加载文件的data文件夹路径，更换data文件夹的路径，相对路径和绝对路径都可以
data_dir: "src/orb_slam2_standalone/data/"
  • 启动主程序

# 打开新终端，启动ROS主节点

roscore

# 启动相机，用bag测试时不用启动相机, /dev/video*为相机设备名

roslaunch orb_slam2_ros uvc_cam.launch device:=/dev/video*

# 打开新终端，启动ORB_SLAM2_standlone节点

cd ~/orb_slam2_ws
source devel/setup.bash

# 第一个参数为ORB词袋文件，第二个参数为配置参数文件

rosrun orb_slam2_ros Mono src/orb_slam2_standalone/Vocabulary/ORBvoc.txt src/orb_slam2_standalone/Examples/Monocular/iisg_carto.yaml
  • 启动测试节点：在没有lidar制图板时，使用bag包单独测试视觉板

# 打开新终端，启动接收topic和service测试节点

功能：

1.接收主程序建图完成发出的service

2.显示主程序重定位成功发出的topic

cd ~/orb_slam2_ws
source devel/setup.bash
rosrun orb_slam2_ros test_sub_srver

# 打开新终端，启动发送topic和service测试节点，path为lidar pose的TUM格式.txt文件，该节点可用于向主程序发送topic和service，键盘输入数字‘x’，然后按下“enter”键发送命令，‘x’对应命令如下：

1）发送保存帧请求，然后打开新终端使用rosbag play [包路径]回放

2）发送停止保存帧请求，待回放完bag包后发送

3）发送建图请求，从下面启动测试节点[path]中读取lidar poses发送

4）发送停止建图请求，建图完成后会自动停止，可以不用手动发送

5）发送重定位请求，然后打开新终端使用rosbag play [包路径]回放

6）发送停止重定位请求，重定位可一直运行，无需停止

注：

      1）目前主程序只支持顺序切换，往回切需重启主程序，帧和地图会自动保存到存储，无需重复保存帧和建图

      2）保存帧时使用的bag包需要包含相机和tf话题


cd ~/orb_slam2_ws
source devel/setup.bash
rosrun orb_slam2_ros test_node [path]
  • 关键参数说明

调节以下参数可以改善建图结果。

     1）初始化参数

# 选择单应矩阵H或基础矩阵F的阈值，取值0.4-0.45，越大越偏向H
init_RH: 0.4

# 三角化时剔除异常点的重投影误差阈值, 取值4.0-10.0
init_th2: 8.0

# 初始化成功所需最小点数占经过随机采样一致性筛选后点数的比例，取值# 0.7-0.9
nMinGood_ratio: 0.9

# 初始化成功所需的最小3D点数，取值80-100
init_tracked_mappoints: 100

     2）跟踪参数

# 关键帧跟踪成功所需当前帧与参考关键帧最小匹配点数，取值0-15
refer_nmatches: 5

# 关键帧跟踪成功所需当前帧与参考关键帧共视的最小3D点数, 取值0-10
refer_nmatchesMap: 3

# 普通帧跟踪成功所需当前帧与参考帧最小匹配点数，取值0-20
motion_nmatches: 5

# 普通帧跟踪成功所需当前帧与参考帧共视的最小3D点数, 取值0-10
motion_nmatchesMap: 3

# 重定位后跟踪局部地图成功所需当前帧与局部地图共视的最小3D点数，#_取值0-50
local_map_reloc_nmatches: 10

# 正常跟踪局部地图成功所需当前帧与局部地图共视的最小3D点数, 取值# 0-30
local_map_nmatches: 5

# 3D点跟踪丢失后插入关键帧的距离间隔，取值0.2-1.0，单位：米
KF_delta_distance: 0.2

# 3D点跟踪丢失后插入关键帧的航向角间隔，取值2.0-10.0，单位：度
KF_delta_yaw: 2.0

 

火种源码
关注
  • 7
    点赞
  • 踩
  • 61
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
激光slam算法改进提出了一种增强重定位的cartographer算法
rODtDpzD的博客
10-27 1024
目前，Cartographer算法是激光SLAM中常用的算法之一，其基于优化的方式，通过建图、定位和回环检测等过程实现了高精度的机器人自主导航。本文提出了一种增强重定位的Cartographer算法，通过对地图中的关键位置进行提前计算和预处理，减小了定位和回环检测的计算复杂度，大大提高了机器人的自主导航效率。同时，在增强重定位后，机器人的重定位耗时时间大大减小，提高了机器人的自主导航效率。具体来说，通过对地图中的关键位置进行提前计算和预处理，减小了定位和回环检测的计算复杂度，从而大幅度降低了重定位的耗时。
Cartographer工程化
Leo_Xj的博客
06-13 1576
机器人中cartographer的工程化应用
evo安装、evo使用方法详细介绍使用教程，SLAM轨迹精度评估工具，如何用来评估ORB-SLAM2生成的轨迹精度，评估激光雷达SLAM与视觉SLAM的轨迹精度，量化SLAM的误差
热门推荐
一点儿也不萌的萌萌
03-01 3万+
evo在视觉SLAM中是一个极为有用的工具，对于论文党、科研党、工程党都非常有帮助，它可以用于评估SLAM输出的轨迹的精度，可以自动生成均值、方差、轨迹等等信息的图或者表，总之评估SLAM精度用它足以。 　　 　　它目前支持的公开数据集格式有：“TUM”、“KITTI”、“EuRoC MAV"以及"ROS bagfile”。如果你使用的数据集格式为这些中的某一种，那么你无须额外的数据格式处理，就可...
cartographer_2d:从googlecartographer改进并在Zh-cn中添加评论
05-09
cartographer_2d 简介 这个 repository 旨在让更多人看到后可以更好的理解 google cartographer 这个项目的代码，不过由于我的项目主要是用到 2d 这一块，所以我删减掉了 mapping_3d 这个文件夹的内容，并将代码中少量用到3d的部分挪到了 mapping_2d 目录中，这部分可以对比 google cartographer 来看。 这里用的是 cartographer 的 0.3.0 这个 release 版本，后面的 commit 我会一直跟进，不过在下一个 release 版本出来之前基本上不会出现文件结构的变化，同时在这个 release 版本之后 google 的开发人员给cartographer加入了很多 gRPC 的功能，这个对于我来说并没有实际的用处，所以暂时没有跟进这方面代码的打算。 最后，google 的 cartogra
显著性目标检测和视觉重定位
weixin_43199832的博客
01-08 2535
显著性目标检测 一、Highly Efficient Salient Object Detection with 100K Parameters 本文旨在通过提高网络计算效率来缓解计算花费与模型性能之间的矛盾。本文提出了一种灵活的卷积模块，即广义的OctConv（generalized OctConv, gOctConv），以有效的利用级内和跨级的多尺度特征，同时通过一种新颖的动态权重衰减方案来减少特征的冗余。 这种有效的动态权重衰减方案可稳定地提高训练期间参数的稀疏性，支持gOctConv中每个尺度的可学
论文阅读：带有物体级重定位的视觉惯性多实例动态SLAM
lj164567487的博客
03-03 1030
论文阅读
提升cartographer局部全局SLAM实时性，降低cartographer在低性能板上的堵塞
qq_39502099的博客
08-12 1545
针对carto高计算量的特性，其在低性能板上实时性较差，特别是全局SLAM，本文参考官方案例，给出优化建议，以提高全局SLAM和局部SLAM的优化速度，提高系统实时性。
VI_ORB_SLAM2:基于ORB-SLAM2的MonocularStereo视觉惯性ORB-SLAM
05-14
VI_ORB_SLAM2：基于ORB-SLAM2的单目/立体视觉惯性ORB-SLAM 该存储库包括Visual-Inertial ORB-SLAM的Monocular版本和Stereo版本。 这两个是的和的。 有关详细信息，您可以参考Examples/Monocular/mono_euroc_VI.cc和...
基于ORB-SLAM2的实时网格地图构建
04-30
针对目前视觉SLAM（同时定位与地图构建）系统只能输出相机的运动轨迹图而不能生成用于路径规划和导航地图的缺点，提出了一种基于ORB-SLAM2的网格地图实时构建算法。首先，建立了一个适用于视觉SLAM的逆传感器模型...
《ORB-SLAM2源码解析》学习手册v1.0-对外.pdf.pdf
03-08
ORB-SLAM2是基于视觉的SLAM（Simultaneous Localization and Mapping）算法的开源实现，能够实时生成高精度的地图和定位信息。在计算机视觉领域中，SLAM技术被广泛应用于机器人、自动驾驶、增强现实等领域。 本学习...
Active-ORB-SLAM2-master.rar
07-01
主动ORB-SLAM2（Active-ORB-SLAM2）是一种增强版的视觉SLAM（Simultaneous Localization and Mapping）系统，它在经典的ORB-SLAM2基础上加入了主动决策策略，旨在提高定位精度和地图构建效率。ORB-SLAM2是由Vidal等...
第六讲【cartographer】纯定位参数优化（初级篇）
wesigj的博客
03-11 6339
系列文章目录 第一讲【ROS-SLAM】2D激光雷达 cartographer构建地图 第二讲 【cartographer】Ubuntu16.04 kinetic 最新版cartographer安装（2020/11/4更新） 第三讲 【cartographer】 添加功能以从RVIZ为纯本地化模式设置初始姿势 第四讲 【cartographer】纯定位 纯本地化 pure_localization 第五讲【cartographer】在仿真环境中 建图 纯定位 文章目录系列文章目录前言一、cartogr
Cartographer源码阅读---后端优化思路
qq_41663016的博客
05-16 1563
进入到后端, Cartographer在pose_graph中实现了约束与节点的添加, 在optimization_problem中实现优化. 约束的构建方法由于传感器类型不同, 也多种多样, 不同的构建方法实现了相互的约束, 所以可以实现整体的优化.
SLAM无人车通过上摄像头扫描二维码重定位
苏凯的博客
11-13 2663
SLAM无人车通过上摄像头扫描二维码重定位 slam 无人车扫描二维码重定位initpose 实现原理: 1.内参标定 2.外参标定得到二维码相对于小车的安装坐标 3.通过功能包 ar_track_alvar 得到二维码与小车的相对坐标 4.计算得到二维码在地图中的坐标 5.小车在任意位置扫描二维码反推计算得到小车在地图上的坐标 外参标定： 调试： ......
双目相机定位3d python_图文：使定位精准度再提高46%，视觉SLAM体素贴图法你不了解一下...
weixin_39603588的博客
11-23 716
在现代视觉SLAM系统中，一种标准做法是从重叠的关键帧中检索潜在的候选地图点，以进行进一步的特征匹配或直接跟踪。在这项工作中，你知道吗？其实关键帧并不是此任务的最佳选择，这是因为它存在一些固有的局限性，例如较弱的几何推理和较差的可伸缩性。下面分享的体素贴图表示法，以有效地检索视觉SLAM的贴图点。特别是，我们将地图点组织在规则的体素网格中。通过以射线投射的方式对照相机视锥进行采样，可以查...
Amcl Cartographer 双定位
1818610
02-03 2469
1、使用记录 １）执行双定位，执行过程中未报错。注意各个launch文件执行顺序。 ２）ＡＭＣＬ运行过程中，ＳＣＡＮ与地图匹配没carto好，感觉慢半拍，不 影响使用。 ３）Amcl 定位精度稍差，但无首次定位漂移的问题，carto有这问题。 ４）carto 在ｉｍｕ加laser , 定位还行，进行搬移后，还是能准确定位。 ５）ｃａｒｔｏ启动首次定位容易飘，无法到达指定位置。 ６）ｃｐｕ占用率在增...
Velodyne16激光雷达-Cartographer 2D建图 （point_to_scan）
最新发布
qq_52784762的博客
11-15 647
在cartographer_ros下的launch，创建关于vlp16的 比如 vlp16.launch（与文件夹内其他文件不重名） 主要是remap from =“scan” to=“/scan” 这里，/scan是point_to_scan转换出来的数据（在前面图里可以看到/velodyne_points是vlp16发布的数据，/scan是转换后的数据），用于2d建图。进行测试，可以看到，3d激光成功变成了2d的scan，便于接下来进行2d的cartographer建图。我主要修改的是这里，
odom&imu融合用于Cartographer建图
火种源码的机器人技术专栏
01-04 9527
任务动机：使用odom&imu融合用于Cartographer建图，提高Cartographer建图时的匹配精度，同时降低运算消耗。 任务描述：使用odom&imu融合用于Cartographer建图，实验对比验证融合对建图匹配精度的影响。 1. odom的作用 里程计是记录机器人与起始位置相对pose的模块，同时它还提供了机器人实时的线速度、角速度以及这些状态量的不确定性。一个精准的里程计对于建图和定位性能的提高有着重要作用。它不仅可以提供先验位姿，提高建图时的匹配精度，还可以降低运
在ROS中使用ORB-SLAM，如何发布图像数据并使用ORB-SLAM进行定位和建图
05-16
在ROS中使用ORB-SLAM进行定位和建图，需要将相机的图像数据发布到ROS中，然后订阅这些图像数据，将其传递给ORB-SLAM进行处理。 首先，你需要使用ROS中的相机驱动程序来获取相机的图像数据，并将其发布到ROS中。你可以使用任何ROS支持的相机驱动程序，例如USB相机驱动程序或者网络相机驱动程序。在获取到相机图像数据后，你需要将它们以图像话题的形式发布到ROS中，例如使用`sensor_msgs/Image`消息类型来发布图像数据。 然后，你需要在ORB-SLAM节点中订阅这些图像话题，并使用ORB-SLAM进行处理。在ORB-SLAM节点中，你需要订阅相机的图像话题，例如使用`ros::Subscriber`来订阅`sensor_msgs/Image`消息类型的话题。然后，你需要将这些图像数据传递给ORB-SLAM进行处理。ORB-SLAM会使用这些图像数据进行定位和建图。 在ORB-SLAM节点中，你还需要发布ORB-SLAM的位姿信息和地图数据，以便其他节点订阅并使用。你可以使用`ros::Publisher`来发布ORB-SLAM的位姿信息和地图数据，例如使用`geometry_msgs/PoseStamped`消息类型来发布ORB-SLAM的位姿信息，使用`nav_msgs/OccupancyGrid`消息类型来发布ORB-SLAM的地图数据。 总之，使用ORB-SLAM进行定位和建图需要以下几个步骤： 1. 使用ROS相机驱动程序获取相机图像数据，并以图像话题的形式发布到ROS中。 2. 在ORB-SLAM节点中订阅相机图像话题，并使用ORB-SLAM进行处理。 3. 在ORB-SLAM节点中发布ORB-SLAM的位姿信息和地图数据，以便其他节点订阅并使用。
评论 5
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
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