當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

机器人SLAM与自主导航（三）——SLAM功能包

發布時間：2023/12/29 编程问答 31 豆豆

生活随笔收集整理的這篇文章主要介紹了机器人SLAM与自主导航（三）——SLAM功能包小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

機器人SLAM與自主導航（三）——SLAM功能包

- 一、gmapping
- - 1、gmapping功能包
  - 2、柵格地圖取值原理
  - 3、gmapping安裝
  - 4、配置gmapping節點
  - 5、啟動gmapping演示（深度信息基于激光雷達）
  - 6、啟動gmapping（kinect）
- 二、hector_slam
- - 1、hector_slam功能包
  - 2、安裝hector_slam
  - 3、配置hector_mapping節點
  - 4、啟動hector_slam演示（深度信息基于激光雷達）
  - 5、打滑現象
- 三、cartographer
- - 1、cartographer功能包
  - 2、cartographer安裝
  - 3、配置cartographer節點
  - 4、啟動2D slam demo演示
  - 5、啟動3D slam demo演示
  - 6、參數配置
  - 7、啟動cartographer仿真
- 四、Karto_slam
- - 1、Karto_slam概況
  - 2、Karto_slam具體介紹
  - 3、karto_slam總結
- 五、ORB_SLAM
- - 1、ORB_SLAM功能包
  - 2、ORB_SLAM2安裝
  - 3、啟動單目SLAM示例（基于數據包）
  - 4、啟動AR示例（基于數據包）
  - 5、啟動ORB_SLAM示例（真實攝像頭）
  - 6、啟動AR示例（真實攝像頭）

一、gmapping

1、gmapping功能包

輸入：1.深度信息 2.IMU信息 3.里程計信息
輸出：柵格地圖

$ rosmsg show nav_msgs/OccupancyGrid

2、柵格地圖取值原理

3、gmapping安裝

$ sudo apt-get install ros-kinetic-gmapping

4、配置gmapping節點

參數說明可參考： http://wiki.ros.org/gmapping

5、啟動gmapping演示（深度信息基于激光雷達）

分別開啟三個終端運行以下命令：

$ roslaunch mbot_gazebo mbot_laser_nav_gazebo.launch # 啟動仿真環境 $ roslaunch mbot_navigation gmapping_demo.launch # 啟動建圖節點，灰色地圖建成，黑色障礙物 $ roslaunch mbot_teleop mbot_teleop.launch #啟動鍵盤控制節點

建圖完畢，保存地圖

$ 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 # 保存的路徑在當前/home文件夾下,有兩個文件.pgm和.yaml

查看生成地圖文件

6、啟動gmapping（kinect）

建圖效果不佳（不推薦）

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

二、hector_slam

1、hector_slam功能包

輸入：深度信息
輸出：柵格地圖

2、安裝hector_slam

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

3、配置hector_mapping節點

參數說明可參考：http://wiki.ros.org/hector_slam

4、啟動hector_slam演示（深度信息基于激光雷達）

第一個節點啟動了gazebo仿真，它使用仿真的雷達給出了一個scan掃描數據；而后下面的節點訂閱了這個數據并進行處理，最后得到一個二維柵格地圖。

5、打滑現象

hector_slam功能包使用時要求機器人移速不能過快，否則運算跟不上會出現打滑

hector這個算法有一個很大的問題，就是在于它的自定位，它利用自身的激光雷達數據進行定位，如果上一次的掃描數據與下一次的掃描數據基本一致的話，它就很難確定自己是否在運動，例如當我給一個足夠大的空間，這里有一條沒有任何特征點的長廊，長度遠遠超過激光掃描的最大距離時，hector基本就失去了建圖的能力。

三、cartographer

1、cartographer功能包

2、cartographer安裝

方法一（新方法）：

sudo apt-get updatesudo apt-get install ros-<your ros version>-cartographer* # 安裝全部關于cartographer的包

方法二：
cartographer功能功能包沒有集成到ROS的軟件源里面，所以需要采用源碼編譯方式進行安裝。為了不與其他安裝包沖突，最好為cartographer專門創建一個工作空間，這里我們創建了一個工作空間catkin_google_ws：

cartographer功能包可能出現的問題

3、配置cartographer節點

4、啟動2D slam demo演示

5、啟動3D slam demo演示

6、參數配置

7、啟動cartographer仿真

四、Karto_slam

1、Karto_slam概況

評價：
Karto_SLAM是基于圖優化的思想，用高度優化和非迭代 cholesky分解進行稀疏系統解耦作為解。圖優化方法利用圖的均值表示地圖，每個節點表示機器人軌跡的一個位置點和傳感器測量數據集，每個新節點加入，就會進行計算更新。
Karto_SLAM的ROS版本，其中采用的稀疏點調整（the Spare Pose Adjustment(SPA)）與掃描匹配和閉環檢測相關。landmark越多,內存需求越大,然而圖優化方式相比其他方法在大環境下制圖優勢更大，因為他僅包含點的圖(robot pose)，求得位姿后再求map。

2、Karto_slam具體介紹

整體程序框架

從上圖中可以看出，其實流程還是相當簡單的，slam傳統軟實時的運行機制，每進入一幀數據，即進行處理，然后返回。
1）掃描匹配
關鍵詞：
興趣區域：
匹配的方式是scanTomap，興趣區域就是矩形形狀的submap，也可以將這塊區域理解為參考模型。
搜索區域：
以里程計估計的位置為中心的一個矩形區域，用以表示最終位置的可能范圍，在匹配時，遍歷搜索區域，獲取響應值最高的位置。
查找表：
對于激光獲得的數據信息，以一定的角分辨率和角偏移值進行投影，獲取查找表，用以匹配。
Running-scans：
實時維護的局部激光數據鏈，首末兩幀距離在一定距離范圍內，且滿足一定數據規模，否則需要刪除末端數據幀。維護當前局部數據鏈。
生成submap(因為匹配的方式是ScanToMap)

生成查找表：
查找表存在的意義就是相比于暴力匹配，不要每次都重新計算每個激光數據信息，相同角度不同位置的激光數據信息只需要被索引一次。

由里程計預測可以得到當前預估的姿態角，真實的姿態角必定在附近；
以一定的分辨率和偏移值對原機器人坐標系下（局部坐標系）表示的激光信息進行不同角度的映射，獲得一個包含n個角度的查找表。
其中：

查找表->submap（匹配）
移動機器人自身的狀態包括 (x,y,θ)，通過查找表的方式有效解決了角度的問題，眼下仍需解決位置的問題，采用離散化搜索區域進行定位，并利用多分辨率提高搜索速度。

響應值的計算如下描述：將查找表以一定的為宜投到submap上，此時的submap已有running-scans生成，并利用高斯進行模糊，假設總共有n個點被查找表擊中，擊中的每個點得分不同（高斯模糊的作用），累加得分并除以可以達到的最高得分。

查找表->submap（粗匹配->精匹配）
為提高搜索效率，采用多分辨率的方式，即粗匹配時采用較低的分辨率搜索得到候選區域，再對候選區域進行劃分得到精確求解。

計算節點均值
在每次匹配過程中（粗匹配和精匹配），選取幾個擁有最優響應值的位姿狀態，取平均值作為匹配結果。
最優響應值為一個，設立一個10^-6作為容忍度，一旦有其他位姿狀態的響應值與最優響應值在容忍度內，即為相等；最終的節點為它們的平均值。
迭代：
粗匹配（獲得均值）->（作為初值）精匹配（得到最終均值）
計算節點協方差——位置協方差（粗匹配）

計算節點協方差——角度協方差（粗匹配）

上述協方差存在和理論相背的情況，主要每次計算的分量需要乘上一個響應值。
2）添加頂點和邊
添加頂點：即關鍵幀的位姿
添加邊：當前幀與前一幀、running-scans、near-chains建立連接。

添加邊主要經過三個步驟：
（1）Link to previsous scan
（2）Link to Running scans
RunningScan chain：一定數量且距當前一定距離內的激光數據鏈。
（3）Link to other near chains
NearChain: 以當前節點開始廣度優先的方式從graph中遍歷相鄰的一定距離范圍內所有節點，依據當前id從sensorManager中分別遞增與遞減尋找一定范圍內的chain，生成nearLinkScans。
前兩個步驟都好理解，主要是第三個，以當前節點為搜索中心，以一定范圍（比如說4m）進行廣度搜索，得到了所有關聯的節點，然后利用節點生成數據鏈（數據鏈需要包含約5個ID連續的關鍵幀）（不包括當前結點，否則放棄該數據鏈），用當前節點進行匹配，若響應值達到一定閾值，產生一條邊，這條邊一端是當前節點，還有一端是數據鏈中質心距離當前節點質心最近的節點。

3）回環檢測
回環檢測的操作和添加鄰近邊類似，步驟較為繁瑣：
（1）依據當前的節點, 從Graph中找到與之相鄰的所有節點(一定距離范圍內)。
（2）采取廣度優先搜索的方式，將相鄰（next）與相連（adjacentVertices）添加進nearLinkedScans。
（3）從sensorManager中取從前到后，依據id序號挑選與當前在一定距離范圍內，且不在nearLinkedScans中的candidateScans, 當數量達到一定size，返回。
（4）loopScanMatcher進行scanTomap的匹配，當匹配response 和covariance達到一定要求認為閉環檢測到。得到調整的correct pose。
（5）Add link to loop : 調整邊（全局閉環）。
（6）觸發correctPose: spa優化
第一步，首先去除那些和當前節點的時間相鄰的節點，針對那些在搜索范圍內，且在時間點上并不相鄰的節點產生一個數據鏈，然后進行匹配，若響應值大于閾值，添加回環并進行全局優化。

4）優化求解

整個優化算法使用了LM優化算法，原文中，作者大篇幅的都是介紹如何得到海森矩陣，以及高效進行優化求解，LM系統如下：

海森矩陣的稀疏：

3、karto_slam總結

1）單從論文角度看，論文并沒有關于整個框架的介紹，大部分的內容都是關于優化方法、黑森矩陣的構造等。關于掃描匹配、頂點和邊、回環檢測等所提甚少。
2）源代碼包含主函數和庫函數兩部分，框架清晰，可讀性強；除了eigen，不需要額外的依賴庫。
3）關于karto_slam的介紹不如hector和gmapping多，可能是沒有采用主流的地圖更新機制（概率地圖）。只保存了pose節點和激光數據，作為pose-graph。

五、ORB_SLAM

1、ORB_SLAM功能包

基于特征點的實時單目SLAM系統實時解算攝像機的移動軌跡構建三維點云地圖不僅適用于手持設備獲取的一組連續圖像，也可以應用于汽車行駛過程中獲取的連續圖像Raul Mur-Artal，J.M.M.Montiel和Juan D.Tardos于2015年發表在IEEE Transactions on Robotics上

2、ORB_SLAM2安裝

1）、安裝工具&下載源碼：

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

2）、安裝eigen3.2.10

去官網下載：http://eigen.tuxfamily.org/index.php?title=Main_Page解壓源碼包，并進入目錄：mkdir buildcd buildcmake ..makesudo make install

3）、編譯g2o

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

4）、編譯DBoW2

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

5）、編譯Pangolin

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

6）、編譯ORM_SLAM

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

7）、編譯功能包（配置ROS環境）

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

注意：第7步，編譯功能包出現的問題：

解決方法：

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

3、啟動單目SLAM示例（基于數據包）

1）、首先下載數據包TUM：這個主要是室內，單目和RGB-D

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

在ORB-SLAM2下新建文件夾Data，把測試的數據解壓在這里。 TUM數據集分為相機fr1，fr2，fr3，對應TUM1-3.yaml；一般第一次測試用fr1/xyz這個數據集，這個就是x，y，z方向來回動，用來檢測一下系統出沒出什么問題。其他的數據看名字就知道，比如desk就是在桌子附近來回轉，room就是在房間里面掃來掃去。值得注意的是，運行其他數據集的時候，單目不一定能追蹤成功，在臺式機上能成功的在虛擬機上也不一定能成功，這就需要我們進行一些調整，比如調整初始化需求數量等，這個關系到對SLAM系統的理解。

2）、分別打開三個終端運行下面的三個命令：

$ roscore# 進入ORB_SLAM2目錄下啟動Mono功能節點。 # 看到開啟的等待數據的可視化建圖界面 $ rosrun ORB_SLAM2 Mono Vocabulary/ORBvoc.txt Examples/ROS/ORB_SLAM2/Asus.yaml# 進入數據包所在目錄下，運行命令 # /camera/image_raw表示播放的數據要發布的話題名稱，此時可以在界面中看到建圖的效果 $ rosbag play rgbd_dataset_freiburg1_desk.bag /camera/rgb/image_color:=/camera/image_raw PATH_TO_VOCABULARY：算法參數文件，在ORB_SLAM2/Vocabulary中，將其中的壓縮包解壓即可；PATH_TO_SETTINGS_FILE：相機參數設置文件，需要對camera進行標定產生，也可以使用ORB_SLAM2/Examples/ROS/ORB_SLAM2中已有的設置文件Asus.yaml。

4、啟動AR示例（基于數據包）

$ roscore# 進入ORB_SLAM2目錄下啟動Mono功能節點。 # 看到開啟的等待數據的可視化建圖界面 $ rosrun ORB_SLAM2 MonoAR Vocabulary/ORBvoc.txt Examples/ROS/ORB_SLAM2/Asus.yaml# 進入數據包所在目錄下，運行命令 # /camera/image_raw表示播放的數據要發布的話題名稱，此時可以在界面中看到建圖的效果 $ rosbag play rgbd_dataset_freiburg1_desk.bag /camera/rgb/image_color:=/camera/image_raw

點擊界面Insert Cube，看到正方形插入進來，展示AR效果

5、啟動ORB_SLAM示例（真實攝像頭）

$ roslaunch mbot_navigation usb_cam_remap.launch# 進入ORB_SLAM2目錄下啟動Mono功能節點。 # 看到開啟的等待數據的可視化建圖界面 $ rosrun ORB_SLAM2 Mono Vocabulary/ORBvoc.txt Examples/ROS/ORB_SLAM2/Asus.yaml

6、啟動AR示例（真實攝像頭）

攝像頭要運動起來，來完成地圖構建

$ roslaunch mbot_vision usb_cam_remap.launch# 進入ORB_SLAM2目錄下啟動Mono功能節點。 # 看到開啟的等待數據的可視化建圖界面 $ rosrun ORB_SLAM2 MonoAR Vocabulary/ORBvoc.txt Examples/ROS/ORB_SLAM2/Asus.yaml

總結

以上是生活随笔為你收集整理的机器人SLAM与自主导航（三）——SLAM功能包的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇：系统的可靠性设计问答
下一篇： Permute 3 for mac(万能