ROS解读13.学习Amcl定位算法.docxVIP

第十三课 Amcl 定位算法学习 1． 关于 Amcl Amcl 的英文全称是 adaptive Monte Carlo localization ，其实就是蒙特卡洛定 位方法的一种升级版，使用自适应的 KLD方法来更新粒子， 而 mcl （蒙特卡洛定位） 算法使用的是粒子滤波的方法来进行定位的。而粒子滤波很粗浅的说就是一开始在地 图空间很均匀的撒一把粒子，然后通过获取机器人的 motion 来移动粒子，比如机器人 向前移动了一米，所有的粒子也就向前移动一米，不管现在这个粒子的位置对不对。 使用每个粒子所处位置模拟一个传感器信息跟观察到的传感器信息（一般是激光）作 对比，从而赋给每个粒子一个概率。之后根据生成的概率来重新生成粒子，概率越高 的生成的概率越大。这样的迭代之后，所有的粒子会慢慢地收敛到一起，机器人的确 切位置也就被推算出来了。 Amcl 算法步骤如下： 2.ROS中的 Amcl 1. 订阅的主题 scan (sensor_msgs/LaserScan) 激光雷达发布的 /scan 话题。 tf (tf/tfMessage) 各个坐标系的 tf 转换 。 initialpose (geometry_msgs/PoseWithCovarianceStamped) 初始位置给定，若没有初始位置时， map-base_footprint= （ 0）。 map (nav_msgs/OccupancyGrid) 发布的地图话题，在实验过程中我们会用 map_server 加载地图到 ROS空间。 2. 发布的主题 amcl_pose (geometry_msgs/PoseWithCovarianceStamped) 发布 amcl 定位后机器人在地图中的位姿（ map-base_footprint ）。 particlecloud (geometry_msgs/PoseArray) 发布 amcl 的粒子位姿。 tf (tf/tfMessage) 发布 map-base_footprint 之间的 tf 转换。 3. Amcl 参数说明 param name=min_particles value =500/ // 允许的粒子数量的最小值，默认 100 param name=max_particles value =5000/ // 允许的例子数量的最大值，默认 5000 1 param name=kld_err value =0.05/ // 真实分布和估计分布之间的最大误差，默认 0.01 param name=kld_z value =0.99/ // 上标准分位数（ 1-p ），其中 p 是估计分布上误差小于 kld_err 的概率，默认 0.99 。 param name=update_min_a value =0.5/ // 执行滤波更新前旋转的角度，默认 pi/6 rad param name=resample_interval value =1/ // 在重采样前需要的滤波更新的次数 ,默认2 param name=transform_tolerance value =0.1/ //tf 变换发布推迟的时间 param name=recovery_alpha_slow value =0.0/ // 慢速的平均权重滤波的指数衰减频率，用 作决定什么时候通过增加随机位姿来 recover ，默认 0（disable ），可能 0.001 是一个不错的值 param name=recovery_alpha_fast value =0.0/ // 快速的平均权重滤波的指数衰减频率，用 作决定什么时候通过增加随机位姿来 recover ，默认 0（disable ），可能 0.1 是个不错的值 param name=gui_publish_rate value =10.0/ // 扫描和路径发布到可视化软件的最大频率， 设置参数为 -1.0 意为失能此功能，默认 -1.0 param name=save_pose_rate value =0.5/ // 存储上一次估计的位姿和协方差到参数服务器 的最大速率。被保存的位姿将会用在连续的运动上来初始化滤波器。 -1.0 失能。 param name=use_map_topic value =false/ // 当设置为 true 时， AMCL将会订阅 map话题， 而不是调用服务返回地图。也就是说，当设置为 true 时，有另外一个节点实时的发布 map话题，也 就是机器人在实时的进行地图构建，并供给 amcl 话题使用；当设置为 false 时，通过 map server ， 也就是调用已经构建完成的地图。