ROS学习笔记（5）——建图学习

快速建图：

小车开机，连接WIFI

SSH远程登录：ssh wheeltec@192.168.0.100

启动激光建图

roslaunch turn_on_wheeltec_robot mapping.launch

查看建图效果：rviz

可以使用键盘控制、APP遥控、PS2遥控、航模遥控进行控制小车运动。

建图完成，保存地图

  ①一键保存：roslaunch turn_on_wheeltec_robot map_saver.launch

  ②打开地图路径：cd /home/wheeltec/wheeltec_robot/src/turn_on_wheeltec_robot/map

     保存地图：rosrun map_server map_saver -f 地图名

注：地图文件可以使用PhotoShop进行编辑，若地图名称不是默认的，需进行NFS挂载之后打开launch文件进行修改。

如需验证地图是否保存成功，可先进行NFS挂载，打开文件目录查看地图是否保存成功。

sudo mount -t nfs 192.168.0.100:/home/wheeltec/wheeltec_robot/mnt

密码：raspberry（ssh和nfs挂载不可在一个终端，否则无法成功 ）

------------------------

建图

查看节点分布：rqt_graph

建图节点介绍：

mapping.launch：/slam_gmapping（建图节点）

 小车初始化节点：turn_on_wheeltec_robot.launch

 雷达节点：rplidar.launch

/scan（雷达节点信息）

 gmapping建图节点：algorithm_gmapping.launch

查看TF树：

rosrun rqt_tf_tree rqt_tf_tree

保存TF树：

rosrun tf view_frames

robot_pose_ekf.launch 发布小车与地图原点的坐标距离关系

urdf 小车外形描述文件

args 雷达相对小车原点的距离

x 前进 y 左右 z 高低 绕Z轴角度（3.14旋转180°安装）

可更改0-360°激光雷达扫描范围

gmapping建图节点

algorithm_gmapping节点：

首先读取雷达节点以及odom的两个TF坐标（可以通过雷达来消除里程计的误差）

建图算法切换：

maping.launch修改mapping_mode的default的值.

Costmap——代价地图：

导航包move_base的框架图

全局代价地图，局部代价地图，调用同一个功能包。修改参数注意层数

地图文件：.pgm

格式：除了pgm（便携式灰度图）外，还支持jpg、png等常用图片格式

可用画图工具修改或重画地图

灰度值：[0，255]黑 白

.yaml地图参数文件

image：包含占用数据的图像文件的路径（绝对或者相对路径）

resolution：地图的分辨率，米/像素

origin：地图中的起始姿态（x，y，yaw）

negate：是否应该反转 白/黑   空闲/占用。

occupied_thresh：大于此阈值的像素被视为完全占用。取值[0,1]

free_thresh：小于此阈值的像素被认为是完全空闲的。取值[0,1]

可选参数：

mode：Trinary是默认值三元解释，即解释所有值，使输出最终成为三个值之一

灰度值[0,255]转换成p值[0,1]

转换公式p =（255 - x）/ 255.0

膨胀（障碍物膨胀，膨胀半径需大于小车轮廓外接圆半径，避免撞击）

footprint(车身投影到二维地图上的轮廓)

地图层数：

Static Layer（静态地图层），Obstacle Layer（障碍物层），Inflation Layer（膨胀层）

Master（rviz最终呈现地图）

tatic Layer（静态地图层）：接收/map话题信息，加载的地图文件

Obstacle Layer（障碍物层）：接受雷达等信息，实时监测环境障碍物，observation_sources（观测源）有"PointCloud", "PointCloud2", and "LaserScan一般使用"

Inflation Layer（膨胀层）：根据inflation_radius（膨胀半径）参数，膨胀障碍物，使机器人更安全

自适应蒙特卡洛定位amcl:

基本思想——当所要求解的问题是某种事件出现的概率，或者是某个随机变量的期望值时，它们可以通过某种“试验”的方法，得到这种事件出现的频率，或者这个随机变数的平均值，并用它们作为问题的解。

粒子滤波：

初始化（采样，随机分布粒子）

计算权重（根据距离得出假设估计权重）

重采样（重新采样，分布在权重大的位置处，完成后权重相同）

状态转移（粒子随状态移动）

自适应解决了两个问题：

1.粒子数固定的问题，当机器人定位基本完成的时候，比如这些粒子都集中在一块了，这个时候重采样的粒子数可以少一点。

2.机器人绑架的问题，当粒子的平均分数突然降低（意味着正确的粒子在某次迭代中被抛弃了），在全局再重新的撒一些粒子。