整理内容来自:http://wiki.ros.org/amcl

1、AMCL订阅的节点:

scan (sensor_msgs/LaserScan):激光数据

tf (tf/tfMessage):各种转移矩阵,如laser_scan->base_link;base_link->odom

initialpose (geometry_msgs/PoseWithCovarianceStamped):初始位姿

map (nav_msgs/OccupancyGrid):栅格地图

2、发布的节点:

amcl_pose (geometry_msgs/PoseWithCovarianceStamped):amcl算法估计出来的位姿

particlecloud (geometry_msgs/PoseArray):粒子点云,用于rviz可视化显示

tf (tf/tfMessage):这里发布的是odom->map的转移矩阵,通过base_link->map和base_odom求得的

3、主要参数

(1)全局滤波参数

~min_particles (int, default: 100):最小粒子数

~max_particles (int, default: 5000):最大粒子数

~kld_err (double, default: 0.01)、~kld_z (double, default: 0.99):KLD算法的两个误差评估参数,kdl_err是真实分布和估计分布之间的KL散度最大误差,表征两个分布的接近程度;两个参数选默认值即可

~update_min_d (double, default: 0.2 meters):运动超过0.2米时,更新粒子

~update_min_a (double, default: π/6.0 radians):旋转角度超过30°,更新粒子

~resample_interval (int, default: 2):重采样间隔

~recovery_alpha_slow (double, default: 0.0 (disabled))

~recovery_alpha_fast (double, default: 0.0 (disabled)):机器人被绑架,重新恢复时的粒子最快衰减率(参考Argument_MCL)

~initial_pose_x (double, default: 0.0 meters)

~initial_pose_y (double, default: 0.0 meters)

~initial_pose_a (double, default: 0.0 radians):初始位姿(x,y,theta)

~initial_cov_xx (double, default: 0.5*0.5 meters)

~initial_cov_yy (double, default: 0.5*0.5 meters)

~initial_cov_aa (double, default: (π/12)*(π/12) radian):初始位姿协方差,使粒子均匀围绕初始点

(2)激光模型参数

~laser_min_range (double, default: -1.0):激光最小角度范围

~laser_max_range (double, default: -1.0)

~laser_max_beams (int, default: 30):滤波器观测更新时,最大的激光束间隔

~laser_z_hit (double, default: 0.95):高斯噪声模型参数

~laser_z_short (double, default: 0.1):意外对象(人的干扰)噪声模型,呈指数分布

~laser_z_max (double, default: 0.05):激光失效噪声模型

~laser_z_rand (double, default: 0.05):随机测量噪声模型

~laser_sigma_hit (double, default: 0.2 meters):方差

~laser_lambda_short (double, default: 0.1):意外对象噪声模型的系数

~laser_likelihood_max_dist (double, default: 2.0 meters):这个参数和运动膨胀有关

~laser_model_type (string, default: "likelihood_field"):激光观测模型

(3)里程计参数(参考博客:https://blog.csdn.net/qq_29796781/article/details/80001355)

~odom_model_type (string, default: "diff"):里程计模型,可选 "diff""omni""diff-corrected" or "omni-corrected".

diff:2轮差分    omni:全向轮   y方向有速度

~odom_alpha1 (double, default: 0.2):转角分量的运动噪声  增大该值,机器人发生有旋转运动时,就会出现扇形噪声粒子云

~odom_alpha2 (double, default: 0.2):横向分量运动噪声,噪声在机器人左右两边分布

~odom_alpha3 (double, default: 0.2):纵向分量运动噪声,沿着机器人前进方向分布

~odom_alpha4 (double, default: 0.2): 斜角方向上的运动噪声

~odom_alpha5(double, default: 0.2):第五个参数 对于 2轮差分diff 里程计模型无用,可忽略  该参数只对全向运动模型有用

~odom_frame_id (string, default: "odom"):里程计坐标系

~base_frame_id (string, default: "base_link"):机器人坐标系

~global_frame_id (string, default: "map"):世界坐标系

~tf_broadcast (bool, default: true):默认开启,表示发布出里程计到世界坐标系下的tf转换

注:参数 odom_alpha1~odom_alpha4里程计运动模型噪声 根据实际模型的精度情况来设定

4、转移矩阵示意图

理想情况下,里程计坐标系和世界坐标系是重合的,但是因为传感器有噪声或者机器人车轮打滑或被搬移,里程计坐标系和世界坐标系有了偏差,AMCL可以估计这个偏差量。

5、完整tf树

当amcl节点未启动时,odom->map的信息是没有的,laser_scan到map的数据也是没有的(定位数据),tf树不完整。

更新:

amcl参数dynamic_reconfigure,动态参数可配置

在运行amcl节点后, rosrun rqt_reconfigure rqt_reconfigure,有gui的界面配置参数,调参

里程计初始坐标,是机器人上电后的坐标,和建图的时候一致

意外对象(人的干扰)概率模型

AMCL论文及源码解析--参数(持续更新中)的更多相关文章

  1. jQuery源码分析学习--资料收集--更新中

    1.逐行分析jQuery源码的奥秘 - 网易云课堂  http://study.163.com/course/courseMain.htm?courseId=465001#/courseDetail? ...

  2. Neural Style论文笔记+源码解析

    引言 前面在Ubuntu16.04+GTX1080配置TensorFlow并实现图像风格转换中介绍了TensorFlow的配置过程,以及运用TensorFlow实现图像风格转换,主要是使用了文章A N ...

  3. Spring IOC 源码解析(持续)

    如何查看源码 Spring源码下载https://github.com/spring-projects/spring-framework/tags?after=v3.1.0.RC1 eclipse关联 ...

  4. 【 js 基础 】【 源码学习 】源码设计 (持续更新)

    学习源码,除了学习对一些方法的更加聪明的代码实现,同时也要学习源码的设计,把握整体的架构.(推荐对源码有一定熟悉了之后,再看这篇文章) 目录结构:第一部分:zepto 设计分析第二部分:undersc ...

  5. Telegram Android源码问题汇总 持续更新

    libtgvoip目录为空 git clone下来的工程中带有submodule时,submodule的内容没有下载下来,执行如下命令 cd Telegram git submodule update ...

  6. Sqli-labs-master通关解析(持续更新中。。。)

    大多情况下:SQL注入其实就是构造正确的mysql命令,让网页回显本不应该让我们看到的数据(如用户的账号和密码). 第一关-联合查询注入 查库 // 查看当前页面在的数据库 ?id=-1' union ...

  7. [源码解析] PyTorch 分布式(15) --- 使用分布式 RPC 框架实现参数服务器

    [源码解析] PyTorch 分布式(15) --- 使用分布式 RPC 框架实现参数服务器 目录 [源码解析] PyTorch 分布式(15) --- 使用分布式 RPC 框架实现参数服务器 0x0 ...

  8. [源码解析] PyTorch 分布式(10)------DistributedDataParallel 之 Reducer静态架构

    [源码解析] PyTorch 分布式(10)------DistributedDataParallel之Reducer静态架构 目录 [源码解析] PyTorch 分布式(10)------Distr ...

  9. [源码解析] PyTorch 分布式(11) ----- DistributedDataParallel 之 构建Reducer

    [源码解析] PyTorch 分布式(11) ----- DistributedDataParallel 之 构建Reducer 目录 [源码解析] PyTorch 分布式(11) ----- Dis ...

随机推荐

  1. 记一次IE浏览器做图片预览的坑

    随便写写吧,被坑死了 IE 10 及 IE10以上,可以使用FileReader的方式,来做图片预览,加载本地图片显示 IE 9 8 7 没有FileReader这个对象,所以只能使用微软自己的东西来 ...

  2. ubuntu 配置网卡,DNS, iptables

    # 配置静态ip地址 root@simon:~# vim /etc/network/interfaces auto enp4s0 iface enp4s0 inet static address 19 ...

  3. 编译安装nginx提示./configure: error: C compiler cc is not found

    1 编译安装nginx提示如下 ./configure: error: C compiler cc is not found 2 解决办法 yum -y install gcc gcc-c++ aut ...

  4. [Windows]远程管理服务WinRM远程管理Windows服务器 Invalid use of command line. Type "winrm -?" for help.

    运行环境 Windows 2012 R2 1. Windows需要打开WinRM服务,Server系统默认打开,默认端口5985 # WinRM服务查看 PS C:\Users\Administrat ...

  5. 直接使用汇编编写 .NET Standard 库

    前言 Common Language Runtime(CLR)是一个很强大的运行时,它接收 Common Intermediate Language(CIL) 的输入并最终产生机器代码并执行.CIL ...

  6. centos7配置Logstash同步Mysql数据到Elasticsearch

    Logstash 是开源的服务器端数据处理管道,能够同时从多个来源采集数据,转换数据,然后将数据发送到您最喜欢的“存储库”中.个人认为这款插件是比较稳定,容易配置的使用Logstash之前,我们得明确 ...

  7. kali中安装中文输入法ibus

    1.控制台输入命令: apt-get install ibus-pinyin 出现选择都选yes 2.安装完毕后输入命令,重启虚拟机: reboot 3.打开  输入法,如图中2处input meth ...

  8. XOR and Favorite Number CodeForces - 617E

    a[i]^a[i+1]--a[j]=k; 处理前缀和pre[i] 那么上式可以表示为pre[i-1]^pre[j]=k; #include<bits/stdc++.h> using nam ...

  9. 全文检索以及Lucene的应用

    全文检索 一.什么是全文检索? 就是在检索数据,数据的分类: 在计算机当中,比如说存在磁盘的文本文档,HTML页面,Word文档等等...... 1.结构化数据 格式固定,长度固定,数据类型固定等等, ...

  10. 5种PHP生成图片验证码实例

    5种PHP生成图片验证码实例,包括数字验证码.数字+字母验证码.中文验证码.仿google验证码和算术验证码,PHP生成验证码的原理:通过GD库,生成一张带验证码的图片,并将验证码保存在Session ...