我們的機器人使用兩種導(dǎo)航算法在地圖中移動：全局導(dǎo)航（global）和局部導(dǎo)航（local)。這些導(dǎo)航算法通過代價地圖來處理地圖中的各種信息，導(dǎo)航stack使用兩種costmaps?http://www.cnblogs.com/zjiaxing/p/5543386.html存儲環(huán)境的障礙信息。一個costmap進行全局規(guī)劃，在整個環(huán)境做長期的規(guī)劃，而另一個是用于局部規(guī)劃和避障。

全局導(dǎo)航：

在已建立的地圖上做一個遠(yuǎn)距離目標(biāo)的路徑規(guī)劃。

局部導(dǎo)航：

在正在建立的地圖上做近距離目標(biāo)同時要實時避開障礙物的路徑規(guī)劃。

?

代價地圖的參數(shù)用于配置算法的計算行為。下面進行分析：

基本參數(shù)的的配置：

在你的launch（launch文件編寫http://www.cnblogs.com/zjiaxing/p/5542614.html）里，首先創(chuàng)建一個costmap_common_params.yaml文件，內(nèi)容：

obstacle_range: 2.5
raytrace_range: 3.0 footprint: [[x0, y0], [x1, y1], ... [xn, yn]] #robot_radius: ir_of_robot inflation_radius: 0.55observation_sources: laser_scan_sensor point_cloud_sensorlaser_scan_sensor: {sensor_frame: frame_name, data_type: LaserScan, topic: topic_name, marking: true, clearing: true}point_cloud_sensor: {sensor_frame: frame_name, data_type: PointCloud, topic: topic_name, marking: true, clearing: true}

?

這個文件主要用于配置基本的參數(shù)，這些參數(shù)會被用于local_costmap和global_costmap.

obstacle_range 和raytrace_range：表示傳感器的最大探測距離，并在代價地圖中引入探測障礙物信息。obstacle_range用于障礙物探測，例如機器人檢測到一個距離小于2.5m的障礙物，就會將這個障礙物引入到代價地圖中 raytrace_range用于機器人運動過程中，實時清除代價地圖中的障礙物，例如該機器人將清除前面距離3m（傳感器獲取的數(shù)據(jù)）的障礙物。并更新可移動的自由空間數(shù)據(jù)。其實我們用激光傳感器是無法感知物體的形狀和大小的，但是，這個測量結(jié)果足夠定位的了。

footprint：將機器人的幾何參數(shù)告訴導(dǎo)航功能包集。這樣，機器人和障礙物之間保持一個合理的距離，也就是說，例如前方有個門，要提前探知機器人是否能穿過這個門。

inflation_radius：給定機器人與障礙物之間必須要保持的最小距離。按照機器人的內(nèi)切半徑對障礙物進行膨脹處理。

observation_sources:設(shè)定導(dǎo)航包所使用的傳感器。

laser_scan_sensor和point_cloud_sensor:對傳感器的坐標(biāo)系和數(shù)據(jù)進行配置。這個也會用于代價地圖添加和清除障礙物。例如，你可以用激光雷達傳感器用于在代價地圖添加障礙物，再添加kinect用于導(dǎo)航和清除障礙物。

?

全局代價地圖的配置：

創(chuàng)建一個global_costmap_params.yaml文件，內(nèi)容：

global_costmap: global_frame: /map robot_base_frame: base_link update_frequency: 5.0 static_map: true

global_costmap和robot_base_frame：定義機器人和地圖之間的坐標(biāo)變換，建立全局代價地圖必須使用這個變換。

update_frequency:地圖更新的頻率。

static_map:?是否使用一個地圖或者地圖服務(wù)器來初始化全局代價地圖，如果不使用靜態(tài)地圖，這個參數(shù)為false.

局部代價地圖的配置：

創(chuàng)建一個local_costmap_params.yaml 文件，內(nèi)容：

local_costmap: global_frame: odom robot_base_frame: base_link update_frequency: 5.0 publish_frequency: 2.0 static_map: false rolling_window: true width: 6.0 height: 6.0 resolution: 0.05

publish_frequency:發(fā)布信息的頻率，也就是costmap可視化信息發(fā)布的頻率。

rolling_window:在機器人運動過程中，代價地圖始終以機器人為中心，這個在源碼里是個if函數(shù)。

width、height、resolution:代價地圖的的尺寸和分辨率，單位都是m.一般情況下resolution的數(shù)值與建的static map的一致。

?

基本局部規(guī)劃器配置：

創(chuàng)建base_local_planner_params.yaml 文件，內(nèi)容：

TrajectoryPlannerROS: max_vel_x: 0.45 min_vel_x: 0.1 max_vel_theta: 1.0 min_in_place_vel_theta: 0.4acc_lim_theta: 3.2 acc_lim_x: 2.5 acc_lim_y: 2.5holonomic_robot: false

?

這個配置文件設(shè)定了機器人的最大和最小速度限制值，也設(shè)定了加速度的限值。

holonomic_robot:?如果你的機器人是全向移動機器人那么此值為true，筆者的為差分型的。

?

為了運行導(dǎo)航功能包集，還需要創(chuàng)建個啟動文件 move_base.launch ，內(nèi)容：

<launch> <master auto="start"/><!-- Run the map server --> <node name="map_server" pkg="map_server" type="map_server" args="$(find your_map_package)/your_map.pgm your_map_resolution.yaml"/><!--- Run AMCL --> <include file="$(find amcl)/examples/amcl_diff.launch.launch" /> <node pkg="move_base" type="move_base" respawn="false" name="move_base" output="screen"> <rosparam file="$(find your_nav_package)/launch/costmap_common_params.yaml" command="load" ns="global_costmap" /> <rosparam file="$(find your_nav_package)/launch/costmap_common_params.yaml" command="load" ns="local_costmap" /> <rosparam file="$(find your_nav_package)/launch/local_costmap_params.yaml" command="load" /> <rosparam file="$(find your_nav_package)/launch/global_costmap_params.yaml" command="load" /> <rosparam file="$(find your_nav_package)/launch/base_local_planner_params.yaml" command="load" /> </node> </launch>

?

利用自適應(yīng)蒙特卡羅定位（AMCL）算法完成機器人定位，此方法是一種在2D環(huán)境下移動機器人的概率統(tǒng)計方法，這種方法在ROS系統(tǒng)中的具體實現(xiàn)是通過在已知地圖的基礎(chǔ)上使用粒子濾波算法跟蹤機器人的位姿。如果你在rviz里不通過2D Pose Estimate 按鈕設(shè)定初始位姿，則AMCL會假定你的機器人從坐標(biāo)原點開始運行。這個包默認(rèn)激光雷達數(shù)據(jù)，你也可以修改源碼，適應(yīng)如雙目之類的傳感器。amcl_diff.launch.launch是專用于支持差分驅(qū)動機器人平臺的?https://github.com/ros-planning/navigation/tree/indigo-devel/amcl?內(nèi)容如下：

?

<launch> <node pkg="amcl" type="amcl" name="amcl" output="screen"> <!-- Publish scans from best pose at a max of 10 Hz --> <param name="odom_model_type" value="diff"/> <param name="odom_alpha5" value="0.1"/> <param name="transform_tolerance" value="0.2" /> <param name="gui_publish_rate" value="10.0"/> <param name="laser_max_beams" value="30"/> <param name="min_particles" value="500"/> <param name="max_particles" value="5000"/> <param name="kld_err" value="0.05"/> <param name="kld_z" value="0.99"/> <param name="odom_alpha1" value="0.2"/> <param name="odom_alpha2" value="0.2"/> <!-- translation std dev, m --> <param name="odom_alpha3" value="0.8"/> <param name="odom_alpha4" value="0.2"/> <param name="laser_z_hit" value="0.5"/> <param name="laser_z_short" value="0.05"/> <param name="laser_z_max" value="0.05"/> <param name="laser_z_rand" value="0.5"/> <param name="laser_sigma_hit" value="0.2"/> <param name="laser_lambda_short" value="0.1"/> <param name="laser_lambda_short" value="0.1"/> <param name="laser_model_type" value="likelihood_field"/> <!-- <param name="laser_model_type" value="beam"/> --> <param name="laser_likelihood_max_dist" value="2.0"/> <param name="update_min_d" value="0.2"/> <param name="update_min_a" value="0.5"/> <param name="odom_frame_id" value="odom"/> <param name="resample_interval" value="1"/> <param name="transform_tolerance" value="0.1"/> <param name="recovery_alpha_slow" value="0.0"/> <param name="recovery_alpha_fast" value="0.0"/> </node> </launch>

?

min_particles和max_particles：設(shè)定算法運行所允許的粒子的最小和最大數(shù)量，如果粒子數(shù)多，就算會更加精確，當(dāng)然也后悔更加消耗cpu資源。

laser_model_type：配置激光雷達類型。也可以設(shè)置beam光束雷達。

laser_likelihood_max_dist：設(shè)置地圖中障礙物膨脹的最大距離。

總結(jié)

以上是生活随笔為你收集整理的ROS导航之参数配置和自适应蒙特卡罗定位的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。