机器人操作系统ROS—使用Cartographer进行激光雷达SLAM建图

主流的激光SLAM算法有hector、gmapping、karto、cartographer。很多同学使用ROS默认自带的gmapping、hector等比较多,这次带大家一起尝试下传说中的google cartographer,看看效果差别有多大。

一、概述

1.主流激光SLAM算法

  • hector:是⼀种结合了鲁棒性较好的扫描匹⽅法2D_SLAM⽅法和使⽤惯性传感系统的导航技术。传感器的要求较⾼,⾼更新频率⼩测量噪声的激光扫描仪,不需要⾥程计。使空中⽆⼈机与地⾯⼩车在不平坦区域运⾏存在运⽤的可能性。作者利⽤现代激光雷达的⾼更新率和低距离测量噪声,通过扫描匹配实时地对机器⼈运动进⾏估计。所以当只有低更新率的激光传感器时,即便测距估计很精确,对该系统都会出现⼀定的问题。
  • gmapping:是⼀种基于粒⼦滤波的激光SLAM算法,它已经集成在ROS中,是移动机器⼈中使⽤最多的SLAM算法。基于粒⼦滤波的算法⽤许多加权粒⼦表⽰路径的后验概率,每个粒⼦都给出⼀个重要性因⼦。但是,它们通常需要⼤量的粒⼦才能获得⽐较好的的结果,从⽽增加该算法的的计算复杂性。此外,与PF重采样过程相关的粒⼦退化耗尽问题也降低了算法的准确性。
  • karto:是基于图优化的SLAM算法,⽤⾼度优化和⾮迭代cholesky矩阵进⾏稀疏系统解耦作为解。图优化⽅法利⽤图的均值表⽰地图,每个节点表⽰机器⼈轨迹的⼀个位置点和传感器测量数据集,箭头的指向的连接表⽰连续机器⼈位置点的运动,每个新节点加⼊,地图就会依据空间中的节点箭头的约束进⾏计算更新。路标landmark越多,内存需求越⼤,然⽽图优化⽅式相⽐其他⽅法在⼤环境下制图优势更⼤。
  • cartographer:是google推出的一套基于图优化的SLAM算法,cartographer采⽤基于google⾃家开发的ceres⾮线性优化的⽅法,cartographer的量点在于代码规范与⼯程化,⾮常适合于商业应⽤和再开发。并且cartographer基于submap⼦图构建全局地图的思想,能有效的避免建图过程中环境中移动物体的⼲扰。并且cartographer⽀持多传感器数据(odometry、IMU、LaserScan等)建图,⽀持2D_SLAM和3D_SLAM建图。

2.google-cartographer建图算法原理分析

Cartographer主要是通过闭环检测来消除构图过程中产生的累积误差。用于闭环检测的基本单元是submap。一个submap是由一定数量的laser scan构成。将一个laser scan插入其对应的submap时,会基于submap已有的laser scan及其它传感器数据估计其在该submap中的最佳位置。submap的创建在短时间内的误差累积被认为是足够小的。然而随着时间推移,越来越多的submap被创建后,submap间的误差累积则会越来越大。因此需要通过闭环检测适当的优化这些submap的位姿进而消除这些累积误差,这就将问题转化成一个位姿优化问题。当一个submap的构建完成时,也就是不会再有新的laser scan插入到该submap时,该submap就会加入到闭环检测中。闭环检测会考虑所有的已完成创建的submap。当一个新的laser scan加入到地图中时,如果该laser scan的估计位姿与地图中某个submap的某个laser scan的位姿比较接近的话,那么通过某种 scan match策略就会找到该闭环。Cartographer中的scan match策略通过在新加入地图的laser scan的估计位姿附近取一个窗口,进而在该窗口内寻找该laser scan的一个可能的匹配,如果找到了一个足够好的匹配,则会将该匹配的闭环约束加入到位姿优化问题中。Cartographer的重点内容就是融合多传感器数据的局部submap创建以及用于闭环检测的scan match策略的实现。

主要由 Local SLAM 和 Global SLAM 两部分组成:

Local SLAM:

  • 利用里程计(Odometry)和IMU数据进行轨迹推算,给出小车位姿估计值
  • 将位姿估计值作为初值,对雷达数据进行匹配,并更新位姿估计器的值
  • 雷达一帧帧数据经过运动滤波后,进行叠加,形成子图(submap)

Global SLAM:

  • 回环检测
  • 后端优化,全部子图形成一张完整可用的地图

 

二、cartographer安装

Google开源的代码包含两个部分:cartographer和cartographer_ros。cartographer主要负责处理来自雷达、IMU和里程计的数据并基于这些数据进行地图的构建,是cartographer理论的底层实现。cartographer_ros则基于ros的通信机制获取传感器的数据并将它们转换成cartographer中定义的格式传递给cartographer处理,与此同时也将cartographer的处理结果发布用于显示或保存,是基于cartographer的上层应用。

源码:

  • https://github.com/cartographer-project/cartographer
  • https://github.com/cartographer-project/cartographer_ros

接下来我们安装cartographer+cartographer_ros,环境为ubuntu20.04+noetic+pi4b:

# 1.安装编译工具wstool、rosdep、ninjd
sudo apt update
# on Noetic
sudo apt install -y python3-wstool python3-rosdep ninja-build stow
# other distribution
sudo apt-get install -y python-wstool python-rosdep ninja-build stow

# 2.下载cartographer_ros源码
mkdir ~/catkin_ws_carto  &&  cd ~/catkin_ws_carto
wstool init src
wstool merge -t src https://raw.githubusercontent.com/cartographer-project/cartographer_ros/master/cartographer_ros.rosinstall
wstool update -t src

# 3.安装依赖包proto3、deb等
sudo rosdep init   #如果执⾏报错,可以直接忽略
rosdep update
rosdep install --from-paths src --ignore-src --rosdistro=${ROS_DISTRO} -y

./src/cartographer/scripts/install_debs_cmake.sh  #req libs
./src/cartographer/scripts/install_abseil.sh    #abseil
./src/cartographer/scripts/install_proto3.sh    #proto3
./src/cartographer/scripts/install_ceres.sh     #ceres-solver 如果代码下不下来,修改.sh里git clone https://github.com/ceres-solver/ceres-solver.git

# 4.修改配置
vim ~/catkin_ws_carto/src/cartographer_ros/cartographer_ros/configuration_files/revo_lds.lua
  tracking_frame = "base_footprint",  #底盘坐标frame
  published_frame = "odom",      #机器人odom frame(tf关联关系:cartographer map -> odom -> base_footprint -> base_laser_link)
  provide_odom_frame = false,    #是否使用cartographer提供的坐标系
  use_odometry = true,           #是否使用机器人的odom

# 5.编译和安装cartographer_ros整个项⽬⼯程
cd  ~/catkin_ws_carto
catkin_make_isolated --install --use-ninja
source install_isolated/setup.bash

下方是tf关联关系示例(使用带底盘的机器人):

*注:如果你只是pc直接接上激光雷达进行测试,那么就只把revo_lds.lua里的tracking_frame、published_frame改为laser的frame_id即可。

三、Bag测试

# 2D bag
wget -P ~/Downloads https://storage.googleapis.com/cartographer-public-data/bags/backpack_2d/cartographer_paper_deutsches_museum.bag
roslaunch cartographer_ros demo_backpack_2d.launch bag_filename:=${HOME}/Downloads/cartographer_paper_deutsches_museum.bag
# revo_lds bag
wget -P ~/Downloads https://storage.googleapis.com/cartographer-public-data/bags/revo_lds/cartographer_paper_revo_lds.bag 
roslaunch cartographer_ros demo_revo_lds.launch bag_filename:=${HOME}/Downloads/cartographer_paper_revo_lds.bag

四、实车测试

1.配置cartographer slam

vim cartographer.launch
    <launch>  
      <arg name="simulation" default= "false"/> 
      <arg name="version" default="$(env ROS_DISTRO)"/>
      <param name="/use_sim_time" value="$(arg simulation)" />  

      <!-- cartographer_node -->
      <node name="cartographer_node" pkg="cartographer_ros"  
            type="cartographer_node" args="  
                -configuration_directory $(find cartographer_ros)/configuration_files
                -configuration_basename revo_lds.lua"  
            output="screen">  
      </node>  

      <node name="cartographer_occupancy_grid_node" pkg="cartographer_ros" type="cartographer_occupancy_grid_node"/>

    </launch>

2.SLAM建图测试

2.1.2D雷达建图

# 无地图场景导航并建图
roslaunch robot_navigation robot_slam_laser.launch slam_methods:=cartographer
#  pc端
roslaunch robot_navigation navigation_rviz.launch
rosrun teleop_twist_keyboard teleop_twist_keyboard.py

# 保存地图
roscd robot_navigation/maps
rosrun map_server map_saver -f map

# 使用地图
roslaunch robot_navigation robot_navigation.launch
roslaunch robot_navigation navigation_rviz.launch

2.2. 2D雷达+摄像头联合建图

# 启动激光雷达+base_control
roslaunch robot_navigation robot_lidar.launch 
# 启动深度摄像头
roslaunch robot_vslam camera.launch 
# 启动rgbd+lidar联合建图
roslaunch robot_vslam rtabmap_rgbd_lidar.launch

# pc端查看
roslaunch robot_vslam rtabmap_rviz.launch
# pc端控制移动
rosrun teleop_twist_keyboard teleop_twist_keyboard.py


# 重启rtabmap_rgbd_lidar,打开movebase+自动定位(允许后退) 
roslaunch robot_vslam rtabmap_rgbd_lidar.launch localization:=true planner:=dwa move_forward_only:=false

 

五、结论

从实际测试来看,与gmapping/hector必须控制移动速度并且容易出现衔接问题相比,cartographer即使在非常快速的移动时,建出的图还原度依然很高,基本都是一次到位,形状非常规整,不同区域衔接的地方做的很好,同时建图速度很快,地图文件很小,实在是slam建图的利器!

 

yan 22.5.29 0:58

 

参考:

Compiling Cartographer ROS

Google Docs » Cartographer

SLAM建图与自主避障导航——google-cartographer

欢迎关注下方“非著名资深码农“公众号进行交流~

发表评论

邮箱地址不会被公开。