ROS中阶笔记(八):机器人SLAM与自主导航—机器人自主导航

本文涉及的产品
资源编排,不限时长
简介: ROS中阶笔记(八):机器人SLAM与自主导航—机器人自主导航

1 ROS中的导航框架


1.1 move_base


1.1.1 基于move_base的导航框架


aHR0cHM6Ly9naXRlZS5jb20vSVQtY3V0ZS9QaWNiZWQvcmF3L21hc3Rlci9pbWcvaW1hZ2UtMjAyMDA1MjAxMTIyMTY2NzQucG5n.png


aHR0cHM6Ly9naXRlZS5jb20vSVQtY3V0ZS9QaWNiZWQvcmF3L21hc3Rlci9pbWcvaW1hZ2UtMjAyMDA1MjAxMDQzMjYxNjcucG5n.png


其中白色框内的是ROS已经为我们准备好的必须使用的组件,灰色框内的是ROS中可选的组件,蓝色的是用户需要提供的机器人平台上的组件。


1.1.2 安装


$ sudo apt-get install ros-kinetic-navigation


1.2.3 全局、局部路径规划


1、全局路径规划(global planner)


全局最优路径规划 (最短路径、运动速度最快···策略)

Dijkstra或A*算法


2、本地实时规划(local planner)


规划机器人每个周期内的线速度、角速度,使之尽量符合全局最优路径。

实时避障

Trajectory Rollout和Dynamic Window Approaches算法

搜索躲避和行进的多条路径,综合评价标准选取最优路径


aHR0cHM6Ly9naXRlZS5jb20vSVQtY3V0ZS9QaWNiZWQvcmF3L21hc3Rlci9pbWcvaW1hZ2UtMjAyMDA1MjAxMTQ0MDk0NjMucG5n.png


1.2.4 move_base功能包中的话题和服务


aHR0cHM6Ly9naXRlZS5jb20vSVQtY3V0ZS9QaWNiZWQvcmF3L21hc3Rlci9pbWcvaW1hZ2UtMjAyMDA1MjAxMTUwNTE1MzEucG5n.png


1.2.5 配置move_base节点


参数含义请参考:http://wiki.ros.org/move_base


mbot_navigation/launch/move_base.launch来启动move_base 节点。


<launch>
  <node pkg="move_base" type="move_base" respawn="false" name="move_base" output="screen" clear_params="true">
    <rosparam file="$(find mbot_navigation)/config/mbot/costmap_common_params.yaml" command="load" ns="global_costmap" />
    <rosparam file="$(find mbot_navigation)/config/mbot/costmap_common_params.yaml" command="load" ns="local_costmap" />
    <rosparam file="$(find mbot_navigation)/config/mbot/local_costmap_params.yaml" command="load" />
    <rosparam file="$(find mbot_navigation)/config/mbot/global_costmap_params.yaml" command="load" />
    <rosparam file="$(find mbot_navigation)/config/mbot/base_local_planner_params.yaml" command="load" />
  </node>
</launch>

aHR0cHM6Ly9naXRlZS5jb20vSVQtY3V0ZS9QaWNiZWQvcmF3L21hc3Rlci9pbWcvaW1hZ2UtMjAyMDA1MjAxMjIxNTg4ODkucG5n.png

1.2 amcl(二维概率定位)


http://wiki.ros.org/amcl


1.2.1 amcl简介


  • 蒙特卡罗定位方法
  • 二维环境定位
  • 针对已有地图使用粒子滤波器跟踪一个机器人的姿态


aHR0cHM6Ly9naXRlZS5jb20vSVQtY3V0ZS9QaWNiZWQvcmF3L21hc3Rlci9pbWcvaW1hZ2UtMjAyMDA1MjAxMjMwMjE3ODQucG5n.png

蓝色点是根据概率算法来估算机器人的位置,蓝色点越密集的地方,说明机器人在这个位置概率越高


具体算法可参考:《概率机器人》


1.2.2 amcl功能包中的话题和服务


aHR0cHM6Ly9naXRlZS5jb20vSVQtY3V0ZS9QaWNiZWQvcmF3L21hc3Rlci9pbWcvaW1hZ2UtMjAyMDA1MjAxMjMxMzUzMTgucG5n.png


1.2.3 amcl定位



aHR0cHM6Ly9naXRlZS5jb20vSVQtY3V0ZS9QaWNiZWQvcmF3L21hc3Rlci9pbWcvaW1hZ2UtMjAyMDA1MjAxMjMzNTM1MTQucG5n.png


里程计定位:只通过里程计的数据来处理/base和/odom之间的TF转换;

amcl定位:可以估算机器人在地图坐标系/map下的位姿信息,提供/base、/odom、/map之间的TF变换。


1.2.4 配置amcl节点


mbot_navigation/launch/amcl.launch来启动amcl功能包


<launch>
    <arg name="use_map_topic" default="false"/>
    <arg name="scan_topic" default="scan"/>
    <node pkg="amcl" type="amcl" name="amcl" clear_params="true">
        <param name="use_map_topic" value="$(arg use_map_topic)"/>
        <!-- Publish scans from best pose at a max of 10 Hz -->
        <param name="odom_model_type" value="diff"/>
        <param name="odom_alpha5" value="0.1"/>
        <param name="gui_publish_rate" value="10.0"/>
        <param name="laser_max_beams" value="60"/>
        <param name="laser_max_range" value="12.0"/>
        <param name="min_particles" value="500"/>
        <param name="max_particles" value="2000"/>
        <param name="kld_err" value="0.05"/>
        <param name="kld_z" value="0.99"/>
        <param name="odom_alpha1" value="0.2"/>
        <param name="odom_alpha2" value="0.2"/>
        <!-- translation std dev, m -->
        <param name="odom_alpha3" value="0.2"/>
        <param name="odom_alpha4" value="0.2"/>
        <param name="laser_z_hit" value="0.5"/>
        <param name="laser_z_short" value="0.05"/>
        <param name="laser_z_max" value="0.05"/>
        <param name="laser_z_rand" value="0.5"/>
        <param name="laser_sigma_hit" value="0.2"/>
        <param name="laser_lambda_short" value="0.1"/>
        <param name="laser_model_type" value="likelihood_field"/>
        <!-- <param name="laser_model_type" value="beam"/> -->
        <param name="laser_likelihood_max_dist" value="2.0"/>
        <param name="update_min_d" value="0.25"/>
        <param name="update_min_a" value="0.2"/>
        <param name="odom_frame_id" value="odom"/>
        <param name="resample_interval" value="1"/>
        <!-- Increase tolerance because the computer can get quite busy -->
        <param name="transform_tolerance" value="1.0"/>
        <param name="recovery_alpha_slow" value="0.0"/>
        <param name="recovery_alpha_fast" value="0.0"/>
        <remap from="scan" to="$(arg scan_topic)"/>
    </node>
</launch>


2 导航框架的应用


2.1 下载rbx1


执行以下命令:


$ cd ~/catkin_ws/src 
$ git clone https://github.com/pirobot/rbx1.git 
$ cd rbx1                                        # ~/catkin_ws/src/rbx1
$ git checkout indigo-devel 
$ cd ~/catkin_ws 
$ catkin_make 
$ source ~/catkin_ws/devel/setup.bash 
$ rospack profile              # 加入ROS package路径


如果这个package的代码后来更新了,需要执行以下代码:


$ cd ~/catkin_ws/src/rbx1 
$ git pull 
$ cd ~/catkin_ws 
$ catkin_make 
$ source ~/catkin_ws/devel/setup.bash


2.2 导航示例(《ROS by Example》)


rviz+arbotix来进行仿真,实现ROS功能包算法的功能。


分别在四个终端下面运行这四个命令:


roslaunch rbx1_bringup fake_turtlebot.launch   #启动机器人,ArbotiX节点,加载机器人的URDF文件
roslaunch rbx1_nav fake_move_base_map_with_obstacles.launch       # 启动导航节点
rosrun rviz rviz -d 'rospack find rbx1_nav'/nav_obstacles.rviz     # 启动rviz
rosrun rbx1_nav move_base_square.py                     # 启动历程

2.2.1 错误1

ERROR: cannot launch node of type [arbotix_python/arbotix_driver]: arbotix_python
ROS path [0]=/opt/ros/kinetic/share/ros
ROS path [1]=/home/ggk/ORB_SLAM2/Examples/ROS/ORB_SLAM2
ROS path [2]=/home/ggk/catkin_ws/src
ROS path [3]=/opt/ros/kinetic/share


解决方法:https://answers.ros.org/question/243919/cannot-launch-node-of-type-arbotix_pythonarbotix_driver-arbotix_python/


1、检查是否安装 arbotix_python package


roscd arbotix_python

方法二:推荐


cd ~/catkin_ws/src
git clone https://github.com/vanadiumlabs/arbotix_ros.git
cd ~/catkin_ws
catkin_make
source ~/catkin_ws/devel/setup.bash
————————————————


2.2.2 错误2


ERROR: cannot launch node of type [arbotix_python/arbotix_driver]: can't locate node [arbotix_driver] in package [arbotix_python]


说明:


安装 arbotix_python,用方法一不行,无法启动节点,因此应该用方法二


2.3 导航仿真(人为控制)

roslaunch mbot_gazebo mbot_laser_nav_gazebo.launch    # 启动仿真环境
roslaunch mbot_navigation nav_cloister_demo.launch    # 启动导航节点

2D Nav Goal来选择目标点,点击左键,来选择一个目标姿态。


2D Pose Estimate调整机器人的位姿,


绿色线:全局规划


红色线:局部规划


2.4 导航SLAM仿真(自主,还得选择目标点位)


前面通过各种功能包来完成SLAM功能,通过导航机器人到达目标点的路径规划;


接下来,把SLAM和导航结合起来:


在导航的过程当中,不断的自主的去探索未知的环境,最终来完成地图的构建;


roslaunch mbot_gazebo mbot_laser_nav_gazebo.launch        # 启动仿真环境
roslaunch mbot_navigation exploring_slam_demo.launch      # 启动SLAM+导航的节点
# 机器人一边导航,一变建图


2.5 自主探索SLAM仿真


完全自主在环境当中做运动,去把整个地图构建起来;


roslaunch mbot_gazebo mbot_laser_nav_gazebo.launch
roslaunch mbot_navigation exploring_slam_demo.launch
rosrun mbot_navigation exploring_slam.py    # 控制机器人运动,完成地图构建


3、小结


3.1 机器人必备条件


硬件要求:差分轮式、速度控制指令、深度信息、外观圆形或方形

里程计信息:获取仿真机器人/真实机器人的实时位置、速度

仿真环境:构建仿真环境,为后续SLAM、导航仿真作准备


3.2 ROS SLAM功能包应用方法


gmapping:输入激光雷达、里程计信息,输出二维栅格地图

hector_slam:只需要输入激光雷达信息,输出二维栅格地图

cartographer:输入激光雷达信息,输出二维或三维地图

ORB_SLAM:输入单目摄像头信息,输出三维点云地图


3.3 ROS中的导航框架


move_base:全局规划和局部规划

amcl:二维概率定位


3.4 ROS机器人自主导航


rviz+Arbotix的功能仿真

gazebo不境下自主导航的仿真

导航过程中同步SLAM建图


相关实践学习
使用ROS创建VPC和VSwitch
本场景主要介绍如何利用阿里云资源编排服务,定义资源编排模板,实现自动化创建阿里云专有网络和交换机。
阿里云资源编排ROS使用教程
资源编排(Resource Orchestration)是一种简单易用的云计算资源管理和自动化运维服务。用户通过模板描述多个云计算资源的依赖关系、配置等,并自动完成所有资源的创建和配置,以达到自动化部署、运维等目的。编排模板同时也是一种标准化的资源和应用交付方式,并且可以随时编辑修改,使基础设施即代码(Infrastructure as Code)成为可能。 产品详情:https://www.aliyun.com/product/ros/
目录
相关文章
|
2月前
|
Ubuntu 机器人 Linux
|
19天前
|
传感器 算法 机器人
机器人SLAM建图与自主导航
前言 这篇文章我开始和大家一起探讨机器人SLAM建图与自主导航 ,在前面的内容中,我们介绍了差速轮式机器人的概念及应用,谈到了使用Gazebo平台搭建仿真环境的教程,主要是利用gmapping slam算法,生成一张二维的仿真环境地图 。我们也会在这篇文章中继续介绍并使用这片二维的仿真环境地图,用于我们的演示。 教程 SLAM算法的引入 (1)SLAM:Simultaneous Localization and Mapping,中文是即时定位与地图构建,所谓的SLAM算法准确说是能实现SLAM功能的算法,而不是某一个具体算法。 (2)现在各种机器人研发和商用化非常火 ,所有的自主机器
|
29天前
|
自动驾驶 安全 机器人
ROS2:从初识到深入,探索机器人操作系统的进化之路
前言 最近开始接触到基于DDS的这个系统,是在稚晖君的机器人项目中了解和认识到。于是便开始自己买书学习起来,感觉挺有意思的,但是只是单纯的看书籍,总会显得枯燥无味,于是自己又开始在网上找了一些视频教程结合书籍一起来看,便让我对ROS系统有了更深的认识和理解。 ROS的发展历程 ROS诞生于2007年的斯坦福大学,这是早期PR2机器人的原型,这个项目很快被一家商业公司Willow Garage看中,类似现在的风险投资一样,他们投了一大笔钱给这群年轻人,PR2机器人在资本的助推下成功诞生。 2010年,随着PR2机器人的发布,其中的软件正式确定了名称,就叫做机器人操作系统,Robot Op
70 14
|
1月前
|
XML 算法 自动驾驶
ROS进阶:使用URDF和Xacro构建差速轮式机器人模型
【11月更文挑战第7天】本篇文章介绍的是ROS高效进阶内容,使用URDF 语言(xml格式)做一个差速轮式机器人模型,并使用URDF的增强版xacro,对机器人模型文件进行二次优化。
|
1月前
|
自动驾驶 安全 机器人
ROS2:从初识到深入,探索机器人操作系统的进化之路
【11月更文挑战第4天】ROS2的学习过程和应用,介绍DDS系统的框架和知识。
|
2月前
|
传感器 数据可视化 机器人
【ROS速成】半小时入门机器人ROS系统简明教程之可视化系统(三)
半小时入门机器人ROS系统简明教程之可视化系统
110 0
|
2月前
|
机器人
【ROS速成】半小时入门机器人ROS系统简明教程之安装测速(二)
半小时入门机器人ROS系统简明教程之安装测速
|
28天前
|
人工智能 自然语言处理 算法
具身智能高校实训解决方案 ----从AI大模型+机器人到通用具身智能
在具身智能的发展历程中,AI 大模型的出现成为了关键的推动力量。高校作为培养未来科技人才的摇篮,需要紧跟这一前沿趋势,开展具身智能实训课程。通过将 AI 大模型与具备 3D 视觉的机器人相结合,为学生搭建一个实践平台。
192 64
|
3天前
|
机器学习/深度学习 人工智能 算法
人工智能与机器人的结合:智能化世界的未来
人工智能与机器人的结合:智能化世界的未来
71 32
|
9天前
|
人工智能 自然语言处理 机器人
机器人迈向ChatGPT时刻!清华团队首次发现具身智能Scaling Laws
清华大学研究团队在机器人操作领域发现了数据规模定律,通过大规模数据训练,机器人策略的泛化性能显著提升。研究揭示了环境和对象多样性的重要性,提出了高效的數據收集策略,使机器人在新环境中成功率达到约90%。这一发现有望推动机器人技术的发展,实现更广泛的应用。
58 26

推荐镜像

更多