robot_localization：使用

最新推荐文章于 2024-09-12 22:34:02 发布
转载 最新推荐文章于 2024-09-12 22:34:02 发布 · 4.1k 阅读 · 32 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/viphl/article/details/116651921

本文介绍robot_localization包的功能，支持多种传感器数据输入如Odometry、PoseWithCovarianceStamped等，并详细阐述了状态向量的构成。通过两种典型使用案例展示如何融合传感器数据创建精确的状态估计。此外还介绍了ekf_localization和ukf_localization节点的工作原理以及如何配置参数。

转自：https://blog.youkuaiyun.com/viphl/article/details/116651921

robot_localization包没有限制传感器的数据输入。

支持的状态估计节点数据类型：

• nav_msgs/Odometry
• geometry_msgs/PoseWithCovarianceStamped
• geometry_msgs/TwistWithCovarianceStamped
• sensor_msgs/Imu

状态向量：[x y z α β γ x˙ y˙ z˙ α˙ β˙ γ˙ ˙x˙ ˙y˙ ˙z˙](分别代表线速度，欧拉角，加速度，角加速度)

两种典型使用案例：

  • 融合连续的传感器数据（里程计和IMU）创建局部精确的状态估计
  • 融合连续的传感器数据及全局位姿估计来提供精确而完整的全局状态估计

状态估计节点

  • ekf_localization：扩展卡尔曼滤波
  • ukf_localization：无迹卡尔曼滤波

gps传感器预处理节点

navsat_transform_node：允许用户将地理坐标（纬度和经度）转换为机器人的世界框架（通常是map或odom）

TF树

协方差矩阵（包含初估计方差和噪声方差）

kf_localization_node

指明坐标框架

<param name="map_frame" value="map"/>
<param name="odom_frame" value="odom"/>
<param name="base_link_frame" value="base_link"/>
<param name="world_frame" value="odom"/>

传感器输入

<param name="odom0" value="/controller/odom"/>
<param name="odom1" value="/some/other/odom"/>
<param name="pose0" value="/altitude"/>
<param name="pose1" value="/some/other/pose"/>
<param name="pose2" value="/yet/another/pose"/>
<param name="twist0" value="/optical_flow"/>
<param name="imu0" value="/imu/left"/>
<param name="imu1" value="/imu/right"/>
<param name="imu2" value="/imu/front"/>
<param name="imu3" value="/imu/back"/>

协方差矩阵的输入

噪声方差

process_noise_covariance: [0.05, 0,    0,    0,    0,    0,    0,     0,     0,    0,    0,    0,    0,    0,    0,
                           0,    0.05, 0,    0,    0,    0,    0,     0,     0,    0,    0,    0,    0,    0,    0,
                           0,    0,    0.06, 0,    0,    0,    0,     0,     0,    0,    0,    0,    0,    0,    0,
                           0,    0,    0,    0.03, 0,    0,    0,     0,     0,    0,    0,    0,    0,    0,    0,
                           0,    0,    0,    0,    0.03, 0,    0,     0,     0,    0,    0,    0,    0,    0,    0,
                           0,    0,    0,    0,    0,    0.06, 0,     0,     0,    0,    0,    0,    0,    0,    0,
                           0,    0,    0,    0,    0,    0,    0.025, 0,     0,    0,    0,    0,    0,    0,    0,
                           0,    0,    0,    0,    0,    0,    0,     0.025, 0,    0,    0,    0,    0,    0,    0,
                           0,    0,    0,    0,    0,    0,    0,     0,     0.04, 0,    0,    0,    0,    0,    0,
                           0,    0,    0,    0,    0,    0,    0,     0,     0,    0.01, 0,    0,    0,    0,    0,
                           0,    0,    0,    0,    0,    0,    0,     0,     0,    0,    0.01, 0,    0,    0,    0,
                           0,    0,    0,    0,    0,    0,    0,     0,     0,    0,    0,    0.02, 0,    0,    0,
                           0,    0,    0,    0,    0,    0,    0,     0,     0,    0,    0,    0,    0.01, 0,    0,
                           0,    0,    0,    0,    0,    0,    0,     0,     0,    0,    0,    0,    0,    0.01, 0,
                           0,    0,    0,    0,    0,    0,    0,     0,     0,    0,    0,    0,    0,    0,    0.015]

 

估计方差

initial_estimate_covariance: [1e-9, 0,    0,    0,    0,    0,    0,    0,    0,    0,     0,     0,     0,    0,    0,
                              0,    1e-9, 0,    0,    0,    0,    0,    0,    0,    0,     0,     0,     0,    0,    0,
                              0,    0,    1e-9, 0,    0,    0,    0,    0,    0,    0,     0,     0,     0,    0,    0,
                              0,    0,    0,    1e-9, 0,    0,    0,    0,    0,    0,     0,     0,     0,    0,    0,
                              0,    0,    0,    0,    1e-9, 0,    0,    0,    0,    0,     0,     0,     0,    0,    0,
                              0,    0,    0,    0,    0,    1e-9, 0,    0,    0,    0,     0,     0,     0,    0,    0,
                              0,    0,    0,    0,    0,    0,    1e-9, 0,    0,    0,     0,     0,     0,    0,    0,
                              0,    0,    0,    0,    0,    0,    0,    1e-9, 0,    0,     0,     0,     0,    0,    0,
                              0,    0,    0,    0,    0,    0,    0,    0,    1e-9, 0,     0,     0,     0,    0,    0,
                              0,    0,    0,    0,    0,    0,    0,    0,    0,    1e-9,  0,     0,     0,    0,    0,
                              0,    0,    0,    0,    0,    0,    0,    0,    0,    0,     1e-9,  0,     0,    0,    0,
                              0,    0,    0,    0,    0,    0,    0,    0,    0,    0,     0,     1e-9,  0,    0,    0,
                              0,    0,    0,    0,    0,    0,    0,    0,    0,    0,     0,     0,     1e-9, 0,    0,
                              0,    0,    0,    0,    0,    0,    0,    0,    0,    0,     0,     0,     0,    1e-9, 0,
                              0,    0,    0,    0,    0,    0,    0,    0,    0,    0,     0,     0,     0,    0,    1e-9]

使用navsat_transform_node

过程

  • 将gps数据转换成UTM坐标
  • 使用初始的UTM坐标，EKF/UKF输出和IMU生成从UTM网格到机器人世界框架的（静态）变换T
  • 使用T变换所有测量的gps数据
  • 将数据发给EKF/UKF

需要的输入：
• nav_msgs/Odometry (EKF输出，需要机器人当前的位置)
• sensor_msgs/Imu (必须有陀螺仪，需要确定全局朝向)
• sensor_msgs/NavSatFix (从导航卫星设备输出)

相关设置

<param name="magnetic_declination_radians" value="0"/>
<param name="yaw_offset" value="0"/>
<param name="zero_altitude" value="true"/>
<param name="broadcast_utm_transform" value="true"/>
<param name="publish_filtered_gps" value="true"/>

转自：https://blog.youkuaiyun.com/viphl/article/details/116651921

一文讲清楚robot localization如何在自动驾驶小车上实现ROS机器人定位
渡众机器人
02-01 3586
关键参数包括传感器的噪声协方差、初始估计的状态协方差、过程噪声协方差等。正确设置这些参数对于确保定位精度至关重要。例如，过小的噪声协方差可能导致过分依赖某些不准确的传感器数据，而过大的噪声协方差可能导致滤波器对传感器数据不够敏感
ROS2 robot_localization包的使用教程
weixin_44813425的博客
12-22 5233
ros2 robot_localization包的使用教程
robot_localization
04-13
robot_localization robot_localization是非线性状态估计节点的程序包。 该软件包是由Charles River Analytics，Inc.开发的。 请在此处查看文档： :
机器人状态估计：robot_localization 功能包使用方法
月照银海似蛟龙的博客
08-06 5130
移动机器人的状态估计需要用到很多传感器，因为对单一的传感器来讲，都存在各自的优缺点，所以需要一种多传感器融合技术，将机器人的状态估计出来。惯导轮速里程计激光里程计视觉里程计gps等如何利用各传感器的优点，将所有数据结合起来，取长补短，就用到了本篇博客介绍的内容，一个移动机器人状态估计功能包。是状态估计节点的集合，每个节点都是非线性状态估计器的一种实现，用于在3D空间中移动的机器人。它包括两个状态估计节点和。另外，提供，它有助于集成GPS数据。功能包特点融合任意数量的传感器。
ROS基础知识学习笔记（9）—Robot_Localization
01-20
Robot_Localization 链接：https://kapernikov.com/the-ros-robot_localization-package/ github源代码链接：https://github.com/Kapernikov/ros_robot_localization_tutorial 虚拟传感器 This tutorial uses the turtlesim package as a virtual robot. We will add a virtual odometer and a virtual (LiDAR) positioning system (both
robot_localization：配置
viphl的专栏
05-11 2707
转自：https://blog.youkuaiyun.com/learning_tortosie/article/details/103346902 仅供学习 将传感器数据合并到robot_localization的任何状态估计节点的位置估计中时，重要的是要提取尽可能多的信息。本教程详细介绍了传感器集成的最佳实践。 有关更多信息，建议用户观看ROSCon 2015的演示文稿。 1 传感器配置 即使所讨论的消息类型在配置向量中不包含某些变量（例如，虽然<<MsgLink(geometry_msgs/.
Robot Localization and Map Building
02-23
Robot Localization and Map Building;Robot Localization and Map Building;Robot Localization and Map Building;
ＲＯＳ定位功能包：ｒｏｂｏｔ＿ｌｏｃａｌｉｚａｔｉｏｎ
04-16
使用`robot_localization`需要进行详细的配置，这通常涉及到创建配置文件（如`config.yaml`），定义传感器类型、数据源、坐标转换以及滤波器参数。配置文件中需要指定各个传感器的ROS话题，以及如何将它们的数据融合...
精选资源
AGV_Localization:里程计、IMU 和机器人定位包
06-18
=====================================... Odometry, IMU and Robot Localization Packages <0>.关于 <robot> 包 0.1.该包基本上是为 bot 制作的，因为它使用 3 个传感器值 0.1.0.Odometry_data 0.1.1.Imu_data
精选资源
robot_localization_localization_雷达定位ekf_环境建图_ROS_ros小车建图_
10-04
ROS（Robot Operating System）是一个开源操作系统，用于机器人设备和软件的开发、测试和部署。在ROS环境下进行小车室内建图与定位是一项重要的任务，它涉及到多个ROS节点、消息类型和服务，以及关键算法的实现。...
使用robot_localization 实现传感器融合 的深入分步教程_设计_文档_相关文件_下载
07-13
一个深入的分步教程，用于使用来自robot_localization 的扩展卡尔曼滤波器节点实现传感器融合！这里解释了协方差和卡尔曼滤波器等基本概念！ 本教程特别有用，因为还没有一个完整的端到端实现教程，用于使用 robots_localization 包进行传感器融合。 您可以在示例实现文件夹中找到实现！ 为什么要融合传感器数据 很多时候，机器人应用程序中的单个导航堆栈组件可能会经常失败，但它们一起形成了一个更强大的整体。 一种方法是使用robots_localization包中的扩展卡尔曼滤波器。该软件包具有一个相对简单的 ROS 界面，可帮助您融合和配置传感器，这就是我们将要使用的！ 更多详情、使用方法，请下载后阅读README.md文件
ROS学习（一）robot_localization功能包
刘小浪
11-13 6608
内容参考：ROS_wiki robot_localization功能包是状态估计节点的集合，每个状态估计节点都是对机器人在三维空间中移动的非线性状态估计的实现。包含两个节点ekf_localization_node and ukf_localization_node.此外还提供了 navsat_transform_node节点用于整合GPS数据 Features特点 Fusion of an ...
ROS学习笔记之——robot_localization包
gwpscut的博客
10-15 9150
之前博客已经介绍过《ROS学习笔记之——EKF （Extended Kalman Filter） node 扩展卡尔曼滤波》本博文看看robot_localization包中的EKF 遵守ROS标准 在使用robot_localization中的状态估计节点开始之前，用户必须确保其传感器数据格式正确。 其实对于在ROS中采用的代码，其传递的状态信息的数据，本身就应该跟ROS相匹配。下面来看看 ROS中标准测量单位和坐标约定 https://www.ros.org/reps/r...
使用robot_localization包进行odom里程计数据与IMU陀螺仪数据融合
m0_51545370的博客
08-15 1897
重要：如何正确食用本教程，本教程开始教设置有噪点的Odom仿真，然后教如何使用robot_localization经行融合滤除有噪点的Odom数据。这样做是为了前后对比学习，证明看到确实有效的滤波融合结果。
ros学习笔记2.Robot Localization
qq_44188415的博客
09-12 1972
学习笔记
卡尔曼滤波器_使用卡尔曼滤波器和路标实现机器人定位
weixin_39624705的博客
11-24 358
本文为 AI 研习社编译的技术博客，原标题 ：Robot localization with Kalman-Filters and landmarks作者 | Jannik Zürn翻译 | 郭乃峤、ThomasGui 校对 | Disillusion 审核 | 酱番梨 整理 | 立鱼王原文链接：https://medium.com/@jannik.zuern/robot-localization...
机器人状态估计：robot_localization 功能包基本参数详解
月照银海似蛟龙的博客
07-29 2099
移动机器人的状态估计需要用到很多传感器，因为对单一的传感器来讲，都存在各自的优缺点，所以需要一种多传感器融合技术，将机器人的状态估计出来。惯导轮速里程计激光里程计视觉里程计gps等如何利用各传感器的优点，将所有数据结合起来，取长补短，就用到了本篇博客介绍的内容，一个移动机器人状态估计功能包。是状态估计节点的集合，每个节点都是非线性状态估计器的一种实现，用于在3D空间中移动的机器人。它包括两个状态估计节点和。另外，提供，它有助于集成GPS数据。功能包特点融合任意数量的传感器。
robot_localization包的使用
热门推荐
xiewf的博客
12-24 1万+
robot_localization包没有限制传感器的数据输入。 支持的状态估计节点数据类型： • nav_msgs/Odometry • geometry_msgs/PoseWithCovarianceStamped • geometry_msgs/TwistWithCovarianceStamped • sensor_msgs/Imu 状态向量：[x y z α β γ x˙ y˙ z˙...
robot_localization多传感器定位-IMU数据的校准与融合
qq_29313679的博客
04-16 6822
robot_localization多传感器融合中的IMU数据获取分四个部分来说明，分别是数据类型、IMU校准及融合理论、rikirobot源码解析以及优化 第一部分:数据类型 robot_localization多传感器融合中的IMU数据，需要四元数和角速度，因此除了角速度的校准，还需要磁力计来获取融合后的四元数的信息。这个在robot_localization的论文数据表格中可...
robot_localization ekf_localization使用
最新发布
03-24
### 配置和使用 `robot_localization` 包中的 EKF 为了正确配置和使用 `robot_localization` 包中的扩展卡尔曼滤波器 (EKF)，需要遵循一系列具体的步骤，这些步骤涉及 ROS 工作环境的准备、包的安装以及参数文件的调整。 #### 安装依赖项 确保已安装必要的软件包。可以通过以下命令完成安装： ```bash sudo apt-get install ros-<your_ros_version>-robot-localization ``` 此命令会下载并安装适用于当前 ROS 版本的 `robot_localization` 软件包[^2]。 #### 参数配置 在实际应用中，`ekf_localization_node` 是核心组件之一，用于实现基于 EKF 的状态估计功能。以下是关键配置要点： 1. **定义输入源** 在 YAML 文件中指定传感器数据源及其对应的测量类型。例如，如果要融合 IMU 和 GPS 数据，则需分别声明它们的作用域及关联属性。 ```yaml frequency: 30 # 设置更新频率（Hz） sensor_timeout: 0.1 # 单位秒的最大等待时间 two_d_mode: false # 是否启用二维模式；默认为三维 transform_time_offset: 0.0 # 时间偏移量设定 imu0: /imu/data # 输入主题名称 imu0_config: [false, false, false, true, true, true, false, false, false, true, true, true, true, true, true] imu0_queue_size: 5 # 缓冲区大小 imu0_nodelay: false # 不延迟标志 ``` 上述片段展示了如何针对 IMU 设备进行细致化的选项定制[^4]^。 2. **初始化条件** 初始协方差矩阵反映了系统的不确定性程度。合理设置初始值有助于提高收敛性能。 ```yaml initial_estimate_covariance: [1e-9, 0, ..., 0 ] # 初始化误差分布表象 [... , ... ,..., ... ] process_noise_covariance: [...] # 过程噪声水平描述 ``` 3. **发布 TF 变换** 如果希望节点自动广播坐标系转换关系，则开启相应开关即可。 ```yaml publish_tf: true # 开启/关闭TF消息传播机制 odom_frame: odom # 输出参考框架标签名 base_link_frame: base_footprint # 移动平台基座参照物标识符 world_frame: odom # 全局地图或者局部里程计视图代号 ``` 通过上述方法能够有效构建起一套完整的定位解决方案体系结构[^3]^。 #### 示例代码展示 下面给出一段简单的启动脚本来加载预设好的参数集并与硬件交互操作起来。 ```xml <!-- launch file example --> <launch> <!-- Load the parameters from a yaml config file --> <param name="ekf_filter_node" command="$(find robot_localization)/scripts/configure_ekf.launch"/> <!-- Start up the actual filter node itself --> <node pkg="robot_localization" type="ekf_localization_node" name="ekf_se".../> </launch> ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值