ROS导航

仿真章前言

SLAM背景

导航的首要问题是定位与建图即——机器人现在在哪？ 

想象在黑暗的深海，丧失周围环境纹理特征，你怎么知道自己在哪，哪边是水面呢？

或者幻想你走在一片白茫茫的天地，你咋知道自己在不在原点，甚至怀疑自己走了吗

SLAM技术依据“里程计 IMU 激光雷达 视觉传感器”等硬件设备提供的数据来构建地图信息

SLAM算法各式各样，主要面临以下几个挑战

如果用几个关键词来描述SLAM算法的挑战，能否这样说：

1.精确性(精确的构建出周围环境)

2.鲁棒性(即便环境变化也稳定发挥)

3.实时性(即速度与计算效率)

理想与现实差距

AMCL定位算法

在已知的地图中使用雷达和里程计数据，具有较强的纠错功能，相对精准的找到机器人位置

假设在长直走廊中，丧失纹理，雷达定位就不准，就需要AMCL边运动边校准

给初始位姿是为了热启动

建图操作

前置工作-相关软件安装

前置工作-仿真/真机扫描

转化地图：

#订阅激光话题/scan   发布地图话题/map
ros2 launch slam_toolbox online_asyne_launch.py

显示地图：

RVIZ2用/map话题，配置一下就能构建

保存地图:

导航理论

TF关系

雷达与里程计各有缺陷，需要组合使用

TF关系三者固定与计算方式

定位-amcl算法

在已有的静态地图下，依赖里程计和激光雷达
但是传感器漂移（如IMU的累积误差、激光雷达的标定偏差）会导致测量值逐渐偏离真实值。

amcl算法负责输出map到odom的tf,里程计负责输出odom到base_link的tf

项目实战