二维slam地图构建
Gmapping功能包
一种粒子滤波算法，将定位与建图分离，先进行定位、再进行建图，适合构建小场景环境下的地图信息。
需要机器人提供里程计信息作为先验知识。
虽然可以降低对激光雷达频率的要求，但是也对机器人硬件提出了需求
Ros对gampping做了很好的封装，通过功能包提供的接口进行使用。要使用gmapping，需要机器人能够发布深度信息（雷达传感器为主，也可以使用三维相机转换成二维雷达信息，LaserScan消息结构的数据）、IMU信息（惯性测量单元获取的加速度信息，可有可无）、里程计信息（编码器通过速度积分得到位置）这三种话题的数据。
Gmapping中的话题、服务和坐标变换
//ros中常用的卡尔曼滤波算法，对里程计信息滤波，提高里程计数据的稳定性
<node pkg="robot_pose_ekf" name="robot_pose_ekf" type="robot_pose_ekf"><param name="output_frame" value="odom" /><param name="base_footprint_frame" value="base_link"/><remap from="imu_data" to="imu" /></node>
在不同的机器人上，为了充分的发挥出计算平台的性能、满足不同场景的需求，可以通过算法开放的参数进行配置，参数基本都是跟算法原理相关的，对算法不了解的话建议使用默认值。参数说明参考：/gmapping
<node pkg="gmapping" type="slam_gmapping" name="slam_gmapping" output="screen"><param name="map_update_interval" value="5.0"/><param name="maxUrange" value="16.0"/><param name="sigma" value="0.05"/><param name="kernelSize" value="1"/><param name="lstep" value="0.05"/><param name="astep" value="0.05"/><param name="iterations" value="5"/><param name="lsigma" value="0.075"/><param name="ogain" value="3.0"/><param name="lskip" value="0"/><param name="srr" value="0.1"/><param name="srt" value="0.2"/><param name="str" value="0.1"/><param name="stt" value="0.2"/><param name="linearUpdate" value="1.0"/><param name="angularUpdate" value="0.5"/><param name="temporalUpdate" value="3.0"/><param name="resampleThreshold" value="0.5"/><param name="particles" value="30"/><param name="xmin" value="-50.0"/><param name="ymin" value="-50.0"/><param name="xmax" value="50.0"/><param name="ymax" value="50.0"/><param name="delta" value="0.05"/><param name="llsamplerange" value="0.01"/><param name="llsamplestep" value="0.01"/><param name="lasamplerange" value="0.005"/><param name="lasamplestep" value="0.005"/></node>
打开可视化界面，方便看到slam的过程
<node pkg="rviz" type="rviz" name="rviz" args="-d $(find limo_bringup)/rviz/gmapping.rviz" />
1、 启动机器人底盘
2、 启动gmapping建图文件
3、 启动键盘控制节点
黑色线条是障碍物的位置，白色区域是没有障碍物的空间，灰色区域是机器人还没去过、不确定是否有障碍物的空间。
栅格地图就是把整个空间打散成一系列的正方形的格子，格子的边长表示建图的分辨率，格子的数值表示此处是否有障碍物。
Cartographer功能包
基于图优化的slam算法，可以实现机器人在二维或三维条件下的定位及建图功能，设计目的是在计算资源有限的情况下，实时获取相对较高精度的地图。
分为两部分，第一部分是local slam，也就是slam前端，基于激光雷达信息建立并维护一系列的子图submap（栅格地图），每当有新的雷达数据进来，系统就会通过一些匹配算法将其插入到子图的最佳位置，但是子图会产生累积误差；第二部分是global slam，是slam算法的后端，通过闭环检测来消除累积误差，每当一个子图构建完成后，就不会再有新的雷达数据插入这个子图中，算法也会将这个子图加入到闭环检测中。也就是说，Local slam生成一个个的拼图块，global slam完成整个拼图。
如果觉得《古月 ROS移动机器人实战 二维slam地图构建 笔记》对你有帮助，请点赞、收藏，并留下你的观点哦！
