ROS机器人虚拟仿真挑战赛持续学习笔记-20240619

cartographer

需要全手工编译……比较麻烦。

如果使用新版ceres-solver，版本2.x，需要修改源码，部分“接口代码”有改动。

稳妥使用ceres-solver-1.13.0，且需要安装abseil-cpp。

验证是否成功，使用roscd或roslaunch，查看一下是否有对于功能包：

map

只有room_mini和tianracer_racetrack.pgm提供了“原装”地图。

没有提供地图的world需要建图之后才能更好的导航，或者选用行为式控制器，而非路径算法类规划器。跑圈算法可分为有地图和无地图两种：

1. 有地图-需要SLAM了……/(ㄒoㄒ)/~~
2. 无地图-后续有空再写

 /(ㄒoㄒ)/~~

此处省略……

原版参数：

image: room_mini.pgm
resolution: 0.050000
origin: [-50.000000, -50.000000, 0.000000]
negate: 0
occupied_thresh: 0.65
free_thresh: 0.196

image: tianracer_racetrack.pgm
resolution: 0.025000
origin: [-12.200000, -12.500000, 0.0000000]
negate: 0
occupied_thresh: 0.65
free_thresh: 0.196

新环境均为大图，参考tianracer_racetrack.yaml参数。

源码地址：

要注意使用raicom分支。

过往学习笔记：

ROS机器人虚拟仿真挑战赛学习笔记_无人车竞速仿真-CSDN博客

SLAM

为了使用ROS Racecar仿真更好地建立SLAM地图以用于导航，可以按照以下步骤进行：

1. 准备工作：
   • 确保已经正确安装了ROS和相关的依赖包。
   • 创建一个ROS工作空间，并下载或编写所需的Racecar仿真代码。
2. 启动仿真环境：
   • 设置环境变量，确保ROS环境能够正确运行。
   • 使用roslaunch命令启动Racecar的仿真环境。
3. 启动SLAM建图：
   • 在仿真环境中，启动SLAM算法（如gmapping）来构建地图。这通常涉及运行一个SLAM节点，该节点将使用激光雷达（或其他传感器）数据来创建环境的2D地图。
   • 同时，启动rviz（ROS Visualization）来可视化建图过程。
4. 控制车辆进行建图：
   • 通过键盘控制或其他控制方式（如遥控器、游戏手柄等）手动驾驶Racecar在仿真环境中移动。
   • 确保车辆遍历整个环境，以便SLAM算法能够捕捉到所有必要的特征并构建完整的地图。
5. 保存和优化地图：
   • 当车辆遍历完整个环境后，停止SLAM建图过程，并保存生成的地图文件。
   • 可以使用地图优化工具（如map_server的map_saver节点）来保存和优化地图，以提高其质量和准确性。
6. 验证和使用地图：
   • 加载保存的地图到导航系统中，并进行测试以验证其准确性和可用性。
   • 如果地图质量不佳或存在错误，可以重复上述步骤进行修正和优化。
7. 注意事项：
   • 在建图过程中，确保仿真环境的设置与实际环境相匹配，包括传感器配置、障碍物布局等。
   • 调整SLAM算法的参数以适应不同的环境和传感器特性，以获得最佳的建图效果。
   • 定期更新和维护地图，以适应环境中的变化。

通过以上步骤，你可以更好地在ROS Racecar仿真中建立SLAM地图，并将其用于导航任务。

当提到建图算法时，虽然Gmapping在某些情况下可能表现不够理想，但确实存在其他更先进的建图算法可供选择。以下是一些推荐的建图算法，它们在不同的环境和应用场景下具有出色的性能：

1. Cartographer：
   • 特点：基于图优化的激光SLAM算法，能够生成高质量的二维和三维地图。
   • 优势：通过扫描匹配（scan-matching）和子图（submaps）的概念，Cartographer能够在实时性和准确性之间取得良好的平衡。它适用于各种室内和室外环境，并且具有较低的计算资源需求。
   • 应用场景：广泛应用于机器人导航、无人驾驶等领域。
2. Hector SLAM：
   • 特点：一种适用于激光扫描仪的SLAM算法，它基于高斯-牛顿法解决scan-matching问题。
   • 优势：Hector SLAM不需要依赖里程计数据，因此在某些没有准确里程计信息的应用场景中表现出色。它使用多分辨率地图来避免局部最小解，并提高建图精度。
   • 注意事项：对传感器噪声和机器人速度有一定要求，需要在相对静态和特征丰富的环境中进行建图。
3. ORB-SLAM：
   • 特点：一种基于视觉的SLAM算法，使用ORB（Oriented FAST and Rotated BRIEF）特征点进行定位和建图。
   • 优势：ORB-SLAM能够在室内外环境中工作，并且具有较高的鲁棒性和准确性。它支持单目、双目和RGB-D相机，并且支持回环检测和重定位功能。
   • 应用场景：适用于需要视觉信息的导航和定位任务。
4. LSD-SLAM：
   • 特点：一种直接法的视觉SLAM算法，基于半稠密地图表示。
   • 优势：LSD-SLAM能够在光照变化较大的环境中工作，并且能够处理动态物体。它生成的地图包含丰富的几何信息，适用于需要高精度导航的应用场景。
   • 注意事项：计算资源需求较高，实时性可能受到一定影响。
5. DSO（Direct Sparse Odometry）：
   • 特点：一种基于稀疏直接法的视觉里程计算法，它直接对图像像素进行操作，不需要特征点提取和描述子匹配。
   • 优势：DSO具有较高的鲁棒性和准确性，能够在纹理较少或光照变化较大的环境中工作。它适用于高速运动和动态环境下的视觉定位。
   • 应用场景：无人机、自动驾驶汽车等需要高速、准确视觉定位的应用场景。

总结：

在选择建图算法时，需要根据具体的应用场景和需求进行权衡。对于需要高精度定位和导航的应用场景，Cartographer和ORB-SLAM是不错的选择。对于没有准确里程计信息或需要处理动态物体的场景，Hector SLAM和LSD-SLAM可能更适合。而对于需要高速、准确视觉定位的应用场景，DSO可能是一个更好的选择。同时，还需要考虑计算资源的需求和实时性的要求。