cartography 概述

1. 整体框架

    分为ROS和算法两部分。ROS实现sensor数据的采集，及地图和点云数据的显示。

     2. 算法框架

        算法主要分为四个部分，input sensor，PoseExtrapolator，Local SLAM，Global SLAM。

      3. 位姿推测器

        三个tracker:

        Imu_tracker, 用imu角速度数据，更新姿态。

       Odometry_imu_tracker, 用码盘数据，分别计算线速度与角速度。

       Extrapolation_imu_tracker, 用local map中scan matching输出的pose序列，分别计算线速度与角速度。

        三者之间松耦合。

        线速度优先级：Odometry_imu_tracker>Extrapolation_imu_tracker

        角速度优先级：Imu_tracker>Odometry_imu_tracker>Extrapolation_imu_tracker

       工作原理:

        预测位姿时的4种情况 都是匀速模型

         i 使用imu, 使用里程计

        平移的预测: 通过里程计数据队列开始和末尾的2个数据计算出的线速度乘以时间

        姿态的预测: 通过imu的角速度乘以时间

       ii 使用imu, 不使用里程计

        平移的预测: 通过pose数据队列开始和末尾的2个数据计算出的线速度乘以时间

        姿态的预测: 通过imu的角速度乘以时间

        iii不使用imu, 使用里程计

       平移的预测: 通过里程计数据队列开始和末尾的2个数据计算出的线速度乘以时间

       姿态的预测: 通过里程计数据队列开始和末尾的2个数据计算出的角速度乘以时间

       iv 不使用imu, 不是用里程计

      平移的预测: 通过pose数据队列开始和末尾的2个数据计算出的线速度乘以时间

      姿态的预测: 通过pose数据队列开始和末尾的2个数据计算出的角速度乘以时间

      4. Local SLAM

      4.1  点云

    点云数据用vector存储，一个点数据包含其位姿和时间。

     4.2 激光帧

        最下面重合的部分会drop掉。同一线的激光，为啥会有重合。Cartography记录时间，是用等距计数加一的方式。

        点云畸变校正：

        4.3  体素滤波

        立方体内多个点，随机选一个点作为代表。

        自适应：

        Max range 距离原点最大的距离。大于这个的点加到misses里。

        Max_length，立方体最大的边长。

        Min_num_points， 最少的点，也就是目标点。

     自适应的目的，就是用二分法，选取一个最小的边长立方体，使其点云数目接近Min_num_points（上一次个数比它少，再二分一次就比他多了）。

        4.4  Submap

        有两个submap，一个用于匹配，一个用于更新。N = 90。

         4.5  栅格地图

         采用概率栅格地图。

        4.6 Scan to Map

        5. Global-SLAM

        分支定界法，在此处的应用原理，请查看如下博客。     【精选】【cartographer】（2）分枝定界算法_cartographer 分支定界_EchoChou428的博客-优快云博客