对浮点数进行四舍五入

1
2
3
4

int getEstimate(float a)
{
	return int(a + 0.5);
}

double 只取小数点后两位

1
2

double d = 0.2500000500001;
double b = floor(d * 10000.000f + 0.5) / 10000.000f;

回调函数的降频功能

这是从gmapping里学的，cartographer里也有，但是更复杂了

1
2
3
4
5
6
7
8
9

unsigned int laser_count_ = 0;
int throttle_scans_ = 5;  // 自定义的值
SlamGMapping::laserCallback(const sensor_msgs::LaserScan::ConstPtr& scan)
{
  laser_count_++;
  if ((laser_count_ % throttle_scans_) != 0)  // 判断是否降频
    return;
  // ... 主要代码 ...
}

在终端显示带颜色和风格的文字

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

// color指定颜色BLACK, RED, GREEN, YELLOW, BLUE, WHITE, option指定文字风格BOLD, REGULAR, UNDERLINE.
const std::string RESET = "\033[0m";
const std::string BLACK = "0m";
const std::string RED = "1m";
const std::string GREEN = "2m";
const std::string YELLOW = "3m";
const std::string BLUE = "4m";
const std::string WHITE = "7m";

const std::string BOLD = "\033[1;3";
const std::string REGULAR = "\033[0;3";
const std::string UNDERLINE = "\033[4;3";
const std::string BACKGROUND = "\033[4";

std::string colouredString(std::string str, std::string colour, std::string option)
{
  double time_now = ros::Time::now().toSec();
  std::string time_string = std::to_string(time_now);
  return "[" + time_string + "]: " + option + colour + str + RESET;
}

生成极值

C++11中，std::numeric_limits为模板类，在库编译平台提供基础算术类型的极值等属性信息，取代传统C语言，所采用的预处理常数。比较常用的使用是对于给定的基础类型用来判断在当前系统上的最大值、最小值。需包含头文件。

std::numeric_limits<double>::max();的结果是一个很大的数字

数学函数

• hypot()用来求三角形的斜边长，其原型为：double hypot(double x, double y);，需要#include <stdio.h>

• fabs函数是求绝对值的函数，函数原型是extern float fabs(float x)，需要#include <math.h>

对double/float数据，一定要使用fabs函数。如果用了abs，就会出现bug，因为返回也是int

反正切函数求角度

atan2返回给定的 X 及 Y 坐标值的反正切值。反正切的角度值等于 X 轴与通过原点和给定坐标点 (Y坐标, X坐标) 的直线之间的夹角。结果以弧度表示并介于-pi到pi之间（不包括-pi）。

而atan(a/b)的取值范围介于-pi/2到pi/2之间，不包括±pi/2

生成27个三维向量，每个可取-1,0,1，一共27种组合

1
2
3
4
5
6

for (i = 0; i < 3 * 3 * 3; i++)
{
	int a = (i / 9) - 1;
    int b = ((i % 9) / 3) - 1;
    int c = ((i % 9) % 3) - 1;
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70

int killNode(std::string nodeName)
{
  pid_t status;
  string cmd = "rosnode kill "+nodeName;
  status = system(cmd.data());
  if (-1 == status)
  {
    return -1;  // system func error
  }
  else
  {
    if (WIFEXITED(status))    //返回一个非零值, 正常退出
    {
      ROS_INFO("child process exit done: %d", WEXITSTATUS(status) );
      return WEXITSTATUS(status);   // rosnode kill done, exit status value
    }
    else
    {
      ROS_WARN("child process exit abnormally");
      return -3;
    }
  }
}

string getCmdResult(const string &strCmd)
{
  char buf[10240] = {0};
  FILE *pf = NULL;
  if( (pf = popen(strCmd.c_str(), "r")) == NULL )
  {
    return "";
  }
  string strResult;
  while(fgets(buf, sizeof buf, pf))
  {
    strResult += buf;
  }
  pclose(pf);
 
  unsigned int iSize =  strResult.size();
  if(iSize > 0 && strResult[iSize - 1] == '\n')  // linux
  {
    strResult = strResult.substr(0, iSize - 1);
  }
  return strResult;
}

// ros::Time 转为年月日的string
std::string stampToString(const ros::Time& stamp, const std::string format="%Y-%m-%d %H:%M:%S")
{
  const int output_size = 100;
  char output[output_size];
  std::time_t raw_time = static_cast<time_t>(stamp.sec);
  struct tm* timeinfo = localtime(&raw_time);
  std::strftime(output, output_size, format.c_str(), timeinfo);
  std::stringstream ss; 
  ss << std::setw(9) << std::setfill('0') << stamp.nsec;  
  const size_t fractional_second_digits = 4;
  return std::string(output) + "." + ss.str().substr(0, fractional_second_digits);
}

tf2_ros::Buffer buff;
tf2_ros::TransformListener listener(buff);

geometry_msgs::PoseStamped  point_in, point_out;
point_in.header.frame_id = "laser_link";
point_in.header.stamp = ros::Time(0);
point_in.pose =    //赋值
// buff跟上面的使用一样， 返回的point_out是point_in在 parent坐标系 的坐标
point_out = buff.transform(point_in, point_out, "map", ros::Duration(0.3) );

获得Linux命令的结果

比如输入ls，返回当前目录的文件名

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

string getCmdResult(const string &strCmd)
{
  char buf[10240] = {0};
  FILE *pf = NULL;
  if( (pf = popen(strCmd.c_str(), "r")) == NULL )
  {
    return "";
  }
  string strResult;
  while(fgets(buf, sizeof buf, pf))
  {
    strResult += buf;
  }
  pclose(pf);
 
  unsigned int iSize =  strResult.size();
  if(iSize > 0 && strResult[iSize - 1] == '\n')  // linux
  {
    strResult = strResult.substr(0, iSize - 1);
  }
  return strResult;
}

使用json配置realsense的参数(非rosparam)

今天使用realsense时，发现有个参数需要修改

这个参数可以修正因反光而导致的错误，也就是把稍微凸起的地面当做障碍物，适当减小这个参数可以实现。

这个界面在realsense viewer中，但问题是如何在ROS中做到，它在rosparam中没有对应的参数。查来查去，在github的issue里发现了解决方法。realsense已经提供了一种visual preset文件，其实是个json文件，可以对很多参数设置，而且realsense的launch文件中已经定义了json文件的路径，比如rs_camera.launch:

1

<arg name="json_file_path"      default=""/>

realsense提供的所有json文件在这里，我们需要的参数在DefaultPreset_D435.json，也就是第一个参数："aux-param-autoexposure-setpoint": "400"，修改它的值后，把json文件的路径填到上面launch参数那里，启动launch就可以实现了。不过不能动态调整参数。

配置点云的滤波器

rs_camera.launch的参数是比较全的，demo_pointcloud.launch比较少。

现在介绍filters这个参数，在launch中没有赋值:<arg name="filters" default=""/>

pointcloud: 点云话题是/camera/depth/color/points. 点云的texture可以在rqt_reconfigure里修改，或者用参数pointcloud_texture_stream和pointcloud_texture_index修改

The depth FOV and the texture FOV are not similar. By default, pointcloud is limited to the section of depth containing the texture. You can have a full depth to pointcloud, coloring the regions beyond the texture with zeros, by setting allow_no_texture_points to true.

可以配置的滤波器如下:

• disparity, convert depth to disparity before applying other filters and back.
• spatial，filter the depth image spatially.
• temporal，filter the depth image temporally.
• hole_filling，apply hole-filling filter.
• decimation，reduces depth scene complexity.

所有滤波器的说明在这里

给参数filters赋值，必须有pointcloud，再增加滤波器，用逗号隔开。比如 disparity,spatial,pointcloud

滤波器的相关的源码在base_realsense_node.cpp

• BaseRealSenseNode::setupFilters(), 读取参数filters，把所有滤波器名称都插入容器_filters

• BaseRealSenseNode::publishPointCloud(), 发布滤波后的点云

参考:
realsense-ros 滤波器
CSDN Realsense D435 Post-processing filters

ROS版本不兼容产生的TransformListenerWrapper问题

AmclNode类中有这样一段：

1
2
3
4
5

// Use a child class to get access to tf2::Buffer class inside of tf_
struct TransformListenerWrapper : public tf::TransformListener
{
   inline tf2_ros::Buffer &getBuffer() {return tf2_buffer_;}
};

这是Kinetic的版本，但是在Melodic里没有这一段了，这是ROS版本兼容问题，在Kinetic里用不了这个结构体了。搜索发现getBuffer只有在AmclNode::runFromBag里调用，因为平时不用bag仿真时测试AMCL，所以这句话可以注释掉。

“map” passed to lookupTransform argument target_frame does not exist

解决方法： 先加上listener.waitForTransform，再lookupTransform

The listener’s buffer, which carries all information about recent transformation, is literally empty. Therefore, any transform which looks-up the buffer does not find the frames it needs. It is good practice to wait for some time after the listener has been created so that the buffer can fill up. But instead of just sleeping, tf use waitForTransform

参考:

机器人SLAM问题中涉及到平移和旋转，平移是在欧氏空间中，连续的平移变换只需要向量相加。 可是旋转是在非欧空间了，连续的旋转变换就是矩阵连续右乘

右手坐标系：x向前(roll)，y向左(pitch)，z向上(yaw)

用矩阵表示绕某轴旋转

旋转矩阵

坐标系A变换到B，从坐标系B到坐标系A的旋转矩阵的每一列，都是{B}的坐标轴单位向量在{A}中的表示

旋转矩阵R是一个行列式为1的正交矩阵，而且行向量和列向量的长度都为1，所以它的转置就是它的逆，而逆矩阵就可以将坐标系旋转回来。
R的每一行就是{A}的坐标轴单位向量在{B}中的表示。
SO(n)是特殊正交群，这个集合由n维空间的旋转矩阵组成。 SO(3)指三维空间的旋转。

变换矩阵

左上角为旋转矩阵，右侧为平移向量，这种矩阵又称为特殊欧氏群

逆矩阵的形式 $\left[ \begin{matrix} R & t \\ 0 & 1 \\ \end{matrix} \right]^{-1} \ = \left[ \begin{matrix} R^T & -R^Tt \\ 0 & 1 \\ \end{matrix} \right]$

如果一个点的坐标是 $P(x,y,z)$，那么点作T变换后的坐标就写作 $R*P + t$，按齐次矩阵和坐标形式计算就可得到。

Censi 公式

我习惯用Censi论文的公式，还可以用Grisetti派系的

$\quad\quad\quad\quad\quad\quad\quad\Downarrow$

其实这里就是 $Rp + t$ ，只是在二维平面，R就是绕Z轴旋转的旋转矩阵形式。

左乘和右乘

左乘是行变换，右乘是列变换。这是因为习惯上来说，空间中的向量用列向量表示，用矩阵左乘列向量，就是把它在空间当中变换。

若绕静坐标系（世界坐标系）旋转，则左乘，也是变换矩阵 x 坐标矩阵。 在固定坐标系下，一个点 $p$ 经过一个旋转矩阵$R_1$，再经过一个旋转 $R_2$ ，总共旋转 $R_2 * R_1 * p$，这是左乘。 向量旋转中的右乘本没必要，甚至会引起人误解。

若是绕动态坐标系旋转（自身建立一个坐标系），则右乘，也就是坐标矩阵 x 变换矩阵。

即左乘是相对于坐标值所在的坐标系（世界坐标系）下的三个坐标轴进行旋转变换，右乘则是以当前点为旋转中心，进行旋转变换。

具体去看文章： 欧拉角，旋转矩阵，旋转向量，四元数

图优化里的相对位姿是由右乘获得的，即节点 $X_i$ 和 $X_j$ 之间的相对位姿是

常用的公式 $P_c=R_c∗P_w+t_c$ 是把点P从$w$坐标系转换到 $c$ 坐标系，由于旋转时，两个坐标系原点还是重合的，我们说经过了平移后，平移向量 $t_c$ 是从坐标系 $w$坐标系指向 $c$

参考：
cartographer中公式的推导

主要是LaserScanMatcher的构造函数：

1
2
3
4
5

ros::init(argc, argv, "LaserScanMatcher");
ros::NodeHandle nh;
ros::NodeHandle nh_private("~");
scan_tools::LaserScanMatcher laser_scan_matcher(nh, nh_private);
ros::spin();

构造函数里初始化一系列参数，重点就是回调函数scanCallback

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

// 第一帧scan, cache the tf from base to the scanner
if (!initialized_)
{
  createCache(scan_msg);    // caches the sin and cos of all angles
  // cache the static tf from base to laser
  if (!getBaseToLaserTf(scan_msg->header.frame_id))
  {
    ROS_WARN("Skipping scan");
    return;
  }
  // 保存scan数据到  LDP  prev_ldp_scan_;
  laserScanToLDP(scan_msg, prev_ldp_scan_);
  last_icp_time_ = scan_msg->header.stamp;
  initialized_ = true;
}
// 第二帧及以后的scan
index++;		// static unsigned int index;
ROS_INFO("scan index: %d", index);
LDP  curr_ldp_scan;
laserScanToLDP(scan_msg, curr_ldp_scan);
processScan(curr_ldp_scan, scan_msg->header.stamp);

公式计算

newKeyframeNeeded

1
2
3
4
5
6
7
8

if (fabs(tf::getYaw(d.getRotation())) > kf_dist_angular_)
   return   true;
double x = d.getOrigin().getX();
double y = d.getOrigin().getY();
if (x*x + y*y > kf_dist_linear_sq_)
   return  true;

return false;

优先判断相对旋转

调用是这样：

1
2
3
4
5
6
7
8
9
10

// 交换新旧frame, key frame 的意思应该是当前配准时的参考帧
// 这个在机器人一直走直线或原地旋转时很难发生
if (newKeyframeNeeded(corr_ch))
{
	// generate  a  keyframe
	ld_free(prev_ldp_scan_);
	prev_ldp_scan_ = curr_ldp_scan;
	// 更新下一个时间段的 f2b_kf
	f2b_kf_ = f2b_;
}

这个就是最常用的advertise函数的最后一个参数，原型： advertise (const std::string &topic, uint32_t queue_size, bool latch=false)

是否锁存。某些话题并不是会以某个频率发布，比如/map这个topic，只有在初次订阅或者地图更新这两种情况下，才会向/map发布消息，这里就用到了锁存。

锁存的作用就是，将发布者最后一次发布的消息保存下来，然后把它自动发送给后来的订阅者。这种方式非常适合变动较慢、相对固定的数据（例如地图），然后只发布一次，相比于同样的消息不定的发布，锁存的方式既可以减少通信中对带宽的占用，也可以减少消息资源维护的开销。

查看gmapping中的函数SlamGMapping::startLiveSlam()，发现三个话题都是 latched：

1
2
3

entropy_publisher_ = private_nh_.advertise<std_msgs::Float64>("entropy", 1, true);
sst_ = node_.advertise<nav_msgs::OccupancyGrid>("map", 1, true);
sstm_ = node_.advertise<nav_msgs::MapMetaData>("map_metadata", 1, true);

latch=true，发布消息一次或几次，然后设法阻塞程序(常常用spin()，这里只是阻塞，跟订阅无关)，订阅者仍然能收到阻塞之前发布的消息。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

ros::init(argc,argv, "Pub");
ros::NodeHandle nh;
ros::Publisher pub_latch_true = nh.advertise<std_msgs::Int8>("topic_latch_true", 50, true);
ros::Publisher pub_latch_false = nh.advertise<std_msgs::Int8>("topic_latch_false", 50, false);
ros::Rate rate(1);

std_msgs::Int8 msg;
msg.data = 2;
pub_latch_true.publish(msg);
pub_latch_false.publish(msg);
while(ros::ok())
{
  ros::spinOnce();
  rate.sleep();
}
return 0;

运行程序后等一会，运行rostopic echo topic_latch_false，什么也没有。运行rostopic echo topic_latch_true，会收到data=2的消息。 即使先运行两个echo，再运行发布者，结果也是如此

bool Publisher::isLatched () const 用于判断是否latch

协方差可以表示两个变量的协同关系， 变化趋势是否一致。 相关性就是用X、Y的协方差除以X的标准差和Y的标准差。

我们机器人用到的向量是(x,y,z, roll,pitch,yaw)，协方差就是一个6x6的矩阵，对角线的元素为各个随机变量的方差，非对角线的元素就是两两随机变量之间的协方差。AMCL中所用的协方差矩阵，由于z,pitch,roll都是0，矩阵的第1,8和最后的元素，分别是x,y,yaw的方差。另外还有x和y的协方差

如果协方差矩阵是单位矩阵，那么就是标准的多元高斯分布。由于协方差矩阵是对称矩阵，所以可以做特征分解

其实可以变成

因此任意一个协方差矩阵可以看做三维变换的结果，概率密度函数是由协方差矩阵的特征向量控制旋转，特征值控制尺度。 协方差矩阵就是根据这两项对标准高斯分布进行变换。

AMCL中的pf_ran_gaussian函数是以对角线元素为标准差，生成一个高斯分布。

如果点云分布非常规整，是某个特定物体的点云模型，则应该使用Octree，因为很容易求解凸包并且点与点之间相对距离无需再次比对父节点和子节点，更加明晰，典型的例子是斯坦福的兔子。

lego_loam建立的点云太稀疏，只能用于定位而不能导航。

用RGBD建立3D稠密点云图，并使用octomap进行压缩滤除地面信息。然后通过2D投影生成占据栅格地图最后利用costmap进行全局和局部路径规划导航实时避障，这又变成2D导航了

点云地图也有一些基于ICP或直接用八叉树地图的三维导航的方法，可以用于无人机在三维空间的导航。至于稀疏特征点地图，容易受光照和场景影响

点云地图: 无序,因为它的点都是无序的,无法坐标索引查询

八叉树地图特点

• 稀疏: 不需要对空间进行稠密切分
• 结构化: 方块排列固定,切分为八份
• 非直接索引查询

八叉树地图基于OctoTree，可以是多分辨率的地图

Voxel Grid就像3D的占用地图，分辨率是固定的

要想在地图中添加障碍，用virtual_layer和costmap_prohibition_layer都可以，效果一样，区别就是前者的yaml里需要加上朝向，其实是没必要的。下面以virtual_layer为例向代价地图加入新的障碍。

进入costmap_2d这个包，查看costmap_2d\costmap_plugins.xml文件，可以看到目前所拥有的层，基类都是costmap_2d::Layer。

配置代价地图

launch里加入

1
2

<rosparam file="$(find navigation2d)/param/virtual_layer.yaml" command="load" ns="global_costmap" />
<rosparam file="$(find navigation2d)/param/virtual_layer.yaml" command="load" ns="local_costmap" />

最后是设置禁止区域坐标参数，首先需要在参数配置文件夹（global_costmap_params.yaml所在的文件夹）中创建新的文档，命名为prohibition_areas.yaml，然后输入:

1
2
3
4
5
6
7

costmap_prohibition_layer:
 prohibition_areas:
  - [[-1.3, -2.98],[-1.3, -16.77]]
  - [[13.31, -26.77],[2.88, -3.45]]
  - [[-4.96, -37.78],[-32.67, -37.90]]
  - [[-23.39, -33.43],[-11.89, -33.20]]
  - [[0.0, 6.89],[0.0, 38.05]]

1
2
3
4
5
6

virtual_layer:
    zone_topics: ["/zone"]
    obstacle_topics: ["/obstacle"]
    static_forms: [[[-18.46,-12.18,0.0],[-13.21,-12.18,0.0],[-13.21,-13.4,0.0],[-18.46,-13.4,0.0]],
                   [[-13.99,-0.17,0.0],[-11.87,-0.14,0.0]],
                   [[-13.18,-11.15,0.0],[-11.81,-11.15,0.0]]]

查来查去，怎么也找不到原因，最后是在两个代价地图的yaml里，把- {name: virtual_layer, type: "virtual_costmap_layer::VirtualLayer"} 放到膨胀层之前 ，问题解决，看来膨胀层的源码不完善。

注意事项：

1. 一定要严格按照上述格式来设置坐标，格式错误导致不能识别禁止区域坐标情形有: (1)坐标前的短横线没对齐 (2) 定义禁止区域或者禁止线，两坐标之间缺少了逗号
2. 可以同时定义多个点障碍／线障碍／障碍区域。对于3个及以上的点，形成的是封闭的区域障碍。
3. 禁止区域的坐标是map坐标系的
4. 由于Bresenham算法，形成的线可能看起来不够直
   

costmap_prohibition_layer

源码在costmap_prohibition_layer

CMakeLists里可以看到add_library(costmap_prohibition_layer src/costmap_prohibition_layer.cpp)， 结果在lib/libcostmap_prohibition_layer.so

看文件package.xml，最后有一句：

1
2
3

<export>
      <costmap_2d plugin="${prefix}/costmap_plugins.xml"/>
</export>

costmap_plugins.xml如下：

1
2
3
4
5

<library path="lib/libcostmap_prohibition_layer">
  <class type="costmap_prohibition_layer_namespace::CostmapProhibitionLayer" base_class_type="costmap_2d::Layer">
    <description>ROS-Package that implements a costmap layer to add prohibited areas to the costmap-2D by a user configuration.</description>
  </class>
</library>

以上几项缺一不可，放到工作空间编译后，在终端中输入rospack plugins —attrib=plugin costmap_2d ，这个命令是显示当前costmap_2d能接受的所有插件，如果出现

1

costmap_prohibition_layer /home/user/plan_ws/src/costmap_prohibition_layer/costmap_plugins.xml

参考：
在Costmap_2d里面插入Prohibition_layer