1200字范文 > ROS中阶笔记（七）：机器人SLAM与自主导航—SLAM功能包的使用

ROS中阶笔记（七）：机器人SLAM与自主导航—SLAM功能包的使用

时间：2021-11-08 19:10:51

文章目录

1 机器人必备条件1.1 硬件要求1.2 深度信息1.2.1 激光雷达1.2.2 kinect1.3 里程计信息1.4 仿真环境2 SLAM功能包的使用方法2.1 gmapping2.1.1 gmapping 功能包2.1.2 栅格地图取值原理2.1.3 gmapping安装2.1.4 配置gmapping节点2.1.5 启动gmapping演示(激光雷达)2.1.6 启动gmapping(kinect)2.2 hector_slam2.2.1 hector_slam功能包2.2.2 安装hector_slam2.2.3 配置hector_mapping节点2.2.4 启动hector_slam演示2.3 cartographer2.3.1 cartographer功能包2.3.2 cartographer安装2.3.3 启动2D、3D 演示2.3.4 把cartographer功能包运行到自己的机器人上2.3.5 启动cartographer仿真2.4 ORB_SLAM2.4.1 ORB_SLAM功能包2.4.2 ORB_SLAM2安装2.4.3 启动单目SLAM示例（基于数据包）2.4.4 启动AR示例（基于数据包）2.4.5 启动ORB_SLAM示例（真实摄像头）2.4.6 启动AR示例（真实摄像头）3 参考资料

1 机器人必备条件

1.1 硬件要求

（1）差分轮式机器人，可使用twist速度指令控制

$ rosmsg show geometry_msgs/Twistgeometry_msgs/Vector3 linear # linear：xyz方向上的线速度，单位是m/s;float64 xfloat64 yfloat64 zgeometry_msgs/Vector3 angular # angular:xyz方向上的角速度，单位是rad/s。float64 xfloat64 yfloat64 z

（2）机器人必须安装激光雷达等测距设备，可以获取环境深度信息。

（3）最好使用正方形和圆形的机器人，其他外形的机器人虽然可以使用但是效果可能不佳。

1.2 深度信息

1.2.1 激光雷达

$ rosmsg show sensor_msgs/LaserScan # 查看激光雷达消息结构std_msgs/Header headeruint32 seqtime stampstring frame_idfloat32 angle_min float32 angle_max float32 angle_increment float32 time_increment float32 scan_time float32 range_minfloat32 range_maxfloat32[] rangesfloat32[] intensitiesangle_min：可检测范围的起始角度；（—180——180度）angle_max：可检测范围的终止角度，与angle_min组成激光雷达的可检测范围；angle_increment：相邻数据帧之间的角度步长；time_incremen：采集到相邻数据帧之间的时间步长，当传感器处于相对运动状态时进行补偿使用。scan_time：采集一帧数据所需要的视觉；rang_min：最近可检测深度的阈值；rang_max：最远可检测深度的阈值；ranges：一帧深度数据的存储数组。intensities：每个激光点的强度

1.2.2 kinect

Kinect等GRB-D摄像头，也可以通过红外摄像头获取周围环境的深度信息。

depthimage_to_laserscan功能包：将三维点云数据转换为二维激光雷达数据；

<node pkg="depthimage_to_laserscan" type="depthimage_to_laserscan" name="depthimage_to_laserscan" output="screen"><remap from="image" to="/kinect/depth/image_raw"/><remap from="camera_info" to=/kinect/depth/camera_info"/><remap froam="scan" to="/scan"/><param name="output_frame_id" value="/camera_link"/></node>

1.3 里程计信息

$ rosmsg show nav_msgs/odometrypose：机器人当前位置坐标，包括机器人的XYZ三轴位置与方向参数，以及用于校正误差的方差矩阵twist：机器人当前的运动状态，包括XYZ三轴的线速度与角速度，以及用于校正误差的方差矩阵。注意：ROS中所有的坐标系都是右手坐标系。

1.4 仿真环境

在视频中给出了一个仿真环境：

$ roslaunch mbot_gazebo mbot_laser_nav_gazebo.launch# 启动仿真环境# 使用Building Editor创建仿真环境cloister.world

2 SLAM功能包的使用方法

论文参考：https://openslam-org.github.io/gmapping.html

2.1 gmapping

2.1.1 gmapping 功能包

基于激光雷达
Rao-Blackwellized 粒子滤波算法
二维栅格地图
需要机器人提供里程计信息
OpenSlam开源算法
输出地图话题：nav_msgs/OccupancyGrid

$ rosmsg show nav_msgs/OccupancyGrid

2.1.2 栅格地图取值原理

2.1.3 gmapping安装

$ sudo apt-get install ros-kinetic-gmapping

2.1.4 配置gmapping节点

参考： /gmapping

catkin_ws/src/mbot_navigation/launch/gmapping.launch

2.1.5 启动gmapping演示(激光雷达)

分别开启三个终端运行以下命令：

$ roslaunch mbot_gazebo mbot_laser_nav_gazebo.launch # 启动仿真环境$ roslaunch mbot_navigation gmapping_demo.launch # 启动建图节点，灰色地图建成，黑色障碍物$ roslaunch mbot_teleop mbot_teleop.launch #启动键盘控制节点

建图完毕，保存地图

$ rosrun map_server map_saver -f cloister_gmapping # cloister_gmapping是文件名的意思，是自己保存文件名的意思# 保存的路径在当前/home文件夹下,有两个文件.pgm和.yaml

2.1.6 启动gmapping(kinect)

建图效果不佳（不推荐）

$ roslaunch mbot_gazebo mbot_kinect_nav_gazebo.launch$ roslaunch mbot_navigation gmapping_demo.launch$ roslaunch mbot_teleop mbot_teleop.launch

2.2 hector_slam

2.2.1 hector_slam功能包

基于激光雷达
高斯牛顿方法
二维栅格地图
不需要里程计数据
输出地图话题：
nav_msgs/OccupancyGrid

2.2.2 安装hector_slam

$ sudo apt-get install ros-kinetic-hector-slam

2.2.3 配置hector_mapping节点

参数说明可参考：/hector_slam

catkin_ws/src/mbot_navigation/launch/hector.launch

2.2.4 启动hector_slam演示

分别开启三个终端运行以下命令：

$ roslaunch mbot_gazebo mbot_laser_nav_gazebo.launch# 动一个gazebo仿真节点$ roslaunch mbot_navigation hector_demo.launch# hector建图节点$ roslaunch mbot_teleop mbot_teleop.launch# 启动一个键盘控制节点

第一个节点启动了gazebo仿真，它使用仿真的雷达给出了一个scan扫描数据；而后下面的节点订阅了这个数据并进行处理，最后得到一个二维栅格地图。

hector这个算法有一个很大的问题，就是在于它的自定位，它利用自身的激光雷达数据进行定位，如果上一次的扫描数据与下一次的扫描数据基本一致的话，它就很难确定自己是否在运动，例如当我给一个足够大的空间，这里有一条没有任何特征点的长廊，长度远远超过激光扫描的最大距离时，hector基本就失去了建图的能力。

2.3 cartographer

2.3.1 cartographer功能包

10月5日，谷歌开源
基于图网络的优化方法
二维或三维条件下的定位及建图功能
设计目的是在计算资源有限的情况下，实时获取相对较高精度的2D地图
主要基于激光雷达
后续会支持更多传感器和机器人平台，同时不断增加新的功能。

2.3.2 cartographer安装

方法一：（新方法）

sudo apt-get updatesudo apt-get install ros-<your ros version>-cartographer* # 安装全部关于cartographer的包

方法二：原来的方法（有好处）

cartographer功能功能包没有集成到ROS的软件源里面，所以需要采用源码编译方式进行安装。为了不与其他安装包冲突，最好为cartographer专门创建一个工作空间，这里我们创建了一个工作空间catkin_google_ws：

1、安装工具：

$ sudo apt-get update$ sudo apt-get install -y python-wstool python-rosdep ninja-build

2、初始化工作空间：

$ mkdir google_ws # 创建工作空间，名称为google_ws$ cd google_ws$ wstool init src

3、设置下载地址（挂VPN最好）

在新建的工作空间下输入下边指令：

# 如果这一步错误，见下面方法一、方法二$ wstool merge -t src /googlecartographer/cartographer_ros/master/cartographer_ros.rosinstall $ wstool update -t src

说明：配置Cartographer需要三个包，分别是：Cartographer、Cartographer_ros 和ceres-solver。

方法一：

# 如果无法从google取出代码可以从github提取code：# 在~/google_ws/src下目录下面ctrl+h打开隐藏文件夹，修改里面第三个包的下载地址： /ceres-solver/ceres-solver.git

方法二：

# 输入完第一个命令后需要改文件的下载地址，另起终端输入：$ gedit google_ws/src/.rosinstall# 将最后一个git来源网址由https://ceres-/ceres-solver.git改为/ceres-solver/ceres-solver.git 如该果可以挂VPN可以不改。

4、安装功能包依赖

# 安装 proto3.sh进入protobuf的release版本下载页，link：/protocolbuffers/protobuf/releases# 在google_ws目录下# protobuf的下载太慢，可以在官网手动下载好，放到cartographer目录下(和src同级，具体操作如下)$ src/cartographer/scripts/install_proto3.sh# 安装 deb 依赖，出现错误可以忽略 $ sudo rosdep init$ rosdep update$ rosdep install --from-paths src --ignore-src --rosdistro=${kinetic} -y

5、编译功能包

$ catkin_make_isolated --install --use-ninja# 在google_ws目录下，编译

6、在当前终端，设置环境变量

source install_isolated/setup.bash #设置环境变量，在当前终端中设置环境变量，只能在当前终端查找

建议把该句source命令直接写入系统的bashrc环境里

$ vim ./bashrc source install_isolated/setup.bash # 然后把该句source命令添加到最后一行即可

2.3.3 启动2D、3D 演示

# Download the 2D backpack example bag.wget -P ~/Downloads /cartographer-public-data/bags/backpack_2d/cartographer_paper_deutsches_museum.bag# Launch the 2D backpack demo.roslaunch cartographer_ros demo_backpack_2d.launch bag_filename:=${HOME}/Downloads/cartographer_paper_deutsches_museum.bag# Download the 3D backpack example bag.wget -P ~/Downloads /cartographer-public-data/bags/backpack_3d/with_intensities/b3--04-05-14-14-00.bag# Launch the 3D backpack demo.roslaunch cartographer_ros demo_backpack_3d.launch bag_filename:=${HOME}/Downloads/b3--04-05-14-14-00.bag

启动Revo LDS demo演示

启动PR2 demo填示

wget -P ~/Downloads /cartographer-public-data/bags/pr2/-09-15-08-32-46.bagroslaunch cartographer_ros demo_pr2.launch bag_filename:=~/Downloads/-09-15-08-32-46.bag

2.3.4 把cartographer功能包运行到自己的机器人上

由于传感器的rostopic不同，我们需要对cartographer订阅的名称进行修改，需要在launch文件中进行修改，但是修改后发现没有任何作用，这是因为修改后需要重新按照上面的流程进行编译安装，这个可能是因为在安装的时候其实已经把launch文件安装到系统中了，所以我们调用的时候还是调用系统中的launch文件

1、配置cartographer节点

mbot_navigation/launch/cartographer_demo_rplidar.launch

2、参数配置

mbot_navigation/config/rplidar.lua

2.3.5 启动cartographer仿真

catkin_make_isolated --install--use-ninja roslaunch mbot_ gazebo mbot_laser_nav_gazebo.launch roslaunch cartographer_ros cartographer_demo_rplidar.launch roslaunch mbot_teleop mbot_teleop.launch

2.4 ORB_SLAM

2.4.1 ORB_SLAM功能包

基于特征点的实时单目SLAM系统
实时解算摄像机的移动轨迹
构建三维点云地图
不仅适用于手持设备获取的一组连续图像，也可以应用于汽车行驶过程中获取的连续图像
Raul Mur-Artal，J.M.M.Montiel和Juan D.Tardos于发表在IEEE Transactions on Robotics上

2.4.2 ORB_SLAM2安装

1、安装工具&下载源码：

sudo apt-get install libboost-all-dev libblas-dev liblapack-devgit clone /raulmur/ORB_SLAM2.git ORB_SLAM2 # 克隆到home下

2、安装eigen3.2.10

去官网下载：/index.php?title=Main_Page解压源码包，并进入目录：mkdir buildcd buildcmake ..makesudo make install

3、编译g2o

cd ~/ORB_SLAM2/Thirdparty/g2o/mkdir buildcd buildcmake .. -DCMAKE_BUILD_TYPE=Releasemake

4、编译DBoW2

cd ~/ORB_SLAM2/Thirdparty/DBoW2/mkdir build && cd build cmake .. -DCMAKE_BUILD_TYPE=Releasemake

5、编译Pangolin

sudo apt-get install libglew-dev git clone /stevenlovegrove/Pangolin.gitcd Pangolinmkdir build && cd build cmake ..cmake --build .

6、编译ORM_SLAM

cd ~/ORB_SLAM2mkdir build && cd build cmake .. -DCMAKE_BUILD_TYPE=Releasemake

7、编译功能包（配置ROS环境）

# 首先修改.bashrc文件$ cd ~$ gedit .bashrc# 打开.bashrc文件在最后一行加入source ~/ORB_SLAM2/Examples/ROS/ORB_SLAM2/build/devel/setup.bash$ source ~/.bashrc

$ export ROS_PACKAGE_PATH=${ROS_PACKAGE_PATH}:/home/ggk/ORB_SLAM2/Examples/ROS$ cd ~/ORB_SLAM2$ chmod +x build_ros.sh$ ./build_ros.sh

第7步，编译功能包出现的问题：

解决方法：

修改 ~/ORB_SLAM2/Examples/ROS/ORB_SLAM2/CMakeLists.txt,添加 -lboost_system

2.4.3 启动单目SLAM示例（基于数据包）

KITTI：/datasets/kitti/eval_odometry.php，是室外，双目

1、首先下载数据包TUM：这个主要是室内，单目和RGB-D

https://vision.in.tum.de/data/datasets/rgbd-dataset/download#freiburg1_desk

在ORB-SLAM2下新建文件夹Data，把测试的数据解压在这里。
TUM数据集分为相机fr1，fr2，fr3，对应TUM1-3.yaml；
一般第一次测试用fr1/xyz这个数据集，这个就是x，y，z方向来回动，用来检测一下系统出没出什么问题。
其他的数据看名字就知道，比如desk就是在桌子附近来回转，room就是在房间里面扫来扫去。
值得注意的是，运行其他数据集的时候，单目不一定能追踪成功，在台式机上能成功的在虚拟机上也不一定能成功，这就需要我们进行一些调整，比如调整初始化需求数量等，这个关系到对SLAM系统的理解。

2、分别打开三个终端运行下面的三个命令：

$ roscore# 进入ORB_SLAM2目录下启动Mono功能节点。# 看到开启的等待数据的可视化建图界面$ rosrun ORB_SLAM2 Mono Vocabulary/ORBvoc.txt Examples/ROS/ORB_SLAM2/Asus.yaml# 进入数据包所在目录下，运行命令# /camera/image_raw表示播放的数据要发布的话题名称，此时可以在界面中看到建图的效果$ rosbag play rgbd_dataset_freiburg1_desk.bag /camera/rgb/image_color:=/camera/image_raw

PATH_TO_VOCABULARY：算法参数文件，在ORB_SLAM2/Vocabulary中，将其中的压缩包解压即可；
PATH_TO_SETTINGS_FILE：相机参数设置文件，需要对camera进行标定产生，也可以使用ORB_SLAM2/Examples/ROS/ORB_SLAM2中已有的设置文件Asus.yaml。

2.4.4 启动AR示例（基于数据包）

$ roscore# 进入ORB_SLAM2目录下启动Mono功能节点。# 看到开启的等待数据的可视化建图界面$ rosrun ORB_SLAM2 MonoAR Vocabulary/ORBvoc.txt Examples/ROS/ORB_SLAM2/Asus.yaml# 进入数据包所在目录下，运行命令# /camera/image_raw表示播放的数据要发布的话题名称，此时可以在界面中看到建图的效果$ rosbag play rgbd_dataset_freiburg1_desk.bag /camera/rgb/image_color:=/camera/image_raw

点击界面Insert Cube，看到正方形插入进来，展示AR效果

2.4.5 启动ORB_SLAM示例（真实摄像头）

$ roslaunch mbot_navigation usb_cam_remap.launch# 进入ORB_SLAM2目录下启动Mono功能节点。# 看到开启的等待数据的可视化建图界面$ rosrun ORB_SLAM2 Mono Vocabulary/ORBvoc.txt Examples/ROS/ORB_SLAM2/Asus.yaml

2.4.6 启动AR示例（真实摄像头）

摄像头要运动起来，来完成地图构建

$ roslaunch mbot_vision usb_cam_remap.launch# 进入ORB_SLAM2目录下启动Mono功能节点。# 看到开启的等待数据的可视化建图界面$ rosrun ORB_SLAM2 MonoAR Vocabulary/ORBvoc.txt Examples/ROS/ORB_SLAM2/Asus.yaml