机器人操作系统（ROS）课件10.4 机器人SLAM及自主导航.pptx

机器人操作系统（ROS）

机器人操作系统（ROS）机器人SLAM及自主导航10.4

机器人操作系统（ROS）10.4机器人SLAM及自主导航根据机器人所使用的传感器不同，可以将SLAM（SimultaneousLocalizationandMapping，同步定位与建图）分为激光SLAM和视觉SLAM。激光SLAM是使用激光雷达进行环境感知进而定位建图；视觉SLAM通过视觉传感器进行定位建图。本章我们将使用单线激光雷达实现环境地图的构建，并在已构建完成的地图中实现自主导航。自主导航

机器人操作系统（ROS）10.4.1使用gmapping构建地图gmapping原理gmapping算法是基于RBPF(Rao-BlackwellisedParticleFilter)的激光2DSLAM算法。该算法将机器人的里程计位姿信息和激光雷达的点云数据进行结合。RBPFSLAM的核心是通过激光雷达感知环境信息，并在RBPF的基础上引入了改进的建议分布（Proposaldistribution）和自适应重采样技术，在估计粒子分布时，同时考虑里程计位姿信息和最新的激光雷达观测值，从而一定程度上减少了粒子数目和计算量，保证了建图的准确性，有效改善了RBPF的粒子耗散和计算量大的劣势。gmapping算法流程图

机器人操作系统（ROS）10.4.1使用gmapping构建地图gmapping原理当节点获取到激光雷达和里程计的数据时，将最新时刻获取的激光雷达观测数据与之前构建的点云地图扫描匹配，确定当前机器人的位置。同时，算法会根据匹配的程度来计算得分，若得分在设定值的范围内，则匹配成功，采用改进的建议分布（即观测模型）进行粒子采样。若失败，则粒子采样使用运动模型x_t^((i))～p(x_t∣x_(t-1),u_t)，其中x_t、x_(t-1)、u_t分别是当前时刻的机器人位姿，上一时刻机器人位姿，当前时刻里程计信息。通过当前时刻里程计数据和上一时刻机器人位姿推算当前时刻位姿并计算粒子权值。根据机器人当前位置和已构建的地图，通过计算来构建下一时刻地图。改进前的RBPF使用运动学模型作为粒子采样的建议分布，由于方差较大，只有少数粒子符合真实分布，因此必须进行重采样来使粒子数符合实际分布。改进后的建议分布在运动学模型的基础上根据观测值和上一时刻地图信息对采样的粒子进行加权，选用权重大的粒子进而更新地图，改进建议分布如下式所示：

机器人操作系统（ROS）10.4.1使用gmapping构建地图gmapping原理??

机器人操作系统（ROS）10.4.1使用gmapping构建地图PLICP模拟里程计mapping是一个依赖里程计的算法，除了激光扫描数据，也需要有里程计信息(Odometry)输入作为运算的前提，比如轮式里程计，视觉里程计等。laser_scan_matcher功能包是基于ROS的增量式激光扫描配准工具，可以通过扫描连续的两帧sensor_msgs/LaserScan消息之间匹配完成位姿估计，并将估计完成的位姿信息以geometry_msgs/Pose2D类型的话题进行发布。在仅有激光雷达传感器的情况下，该功能包可以作为单独的里程计估计器来使用。laser_scan_matcher功能包的核心是PLICP（点对线迭代最近点）扫描匹配算法。PLICP算法流程和ICP流程基本一样，不同之处在于ICP是找最近邻的一点，以点到点之间的距离作为误差，而PLICP是找到最近邻的两点，两点连线，是以点到线的距离作为误差，因此PLICP的匹配误差比ICP的匹配误差要小的多。

机器人操作系统（ROS）安装步骤首先，运行如下命令，安装本次实验相关依赖库：$sudoapt-getinstalllibsdl1.2-dev$sudoaptinstalllibsdl-image1.2-devROS中已经集成了gmapping相关功能包的二进制文件，可以使用如下命令进行安装：$sudoapt-getinstallros-melodic-slam-gmapping下面通过源码安装scan_tools功能包，作用是使用激光数据为gmapping提供里程计。首先，进入工作空间的src文件夹下：$cd~/catkin_ws/src/使用如下命令克隆源码：$gitclone/ccny-ros-pkg/scan_tools.git10.4.1使用gmapping构建地图

机器人操作系统（ROS）源码下载完成后，运行如下命令进行编译，也可将本书提供的功能包（scan_tools）拷贝至工作空间并进行编译：$cd~/catkin_ws/$catkin_make本