AMCL论文及源码解析--参数(持续更新中)
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
- 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? ...
- 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 ...
- 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 ...
- 【 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 ...
- 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 ...
- 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 ...
- [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 ...
- [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 ...
- [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
- Spring学习笔记:使用Pointcut 和Advisor实现AOP
基础知识 在 Spring AOP 中,有 3 个常用的概念,Advices . Pointcut . Advisor ,解释如下: Advices :表示一个 method 执行前或执行后的动作. ...
- tensorboard的简单使用
1. 首先保证你已有程序,下面是MLP实现手写数字分类模型的代码实现. 不懂的可以对照注释理解. #输入数据是28*28大小的图片,输出为10个类别,隐层大小为300个节点 from tensorfl ...
- windows服务器 IIS FTP服务
一.安装ftp,如果服务器没有,去windows组件里面装一下. 安装IIS,安装FTP(版本不同,选项不相同,这两项必选) 二.装完之后在IIS管理中心创建FTP站点 创建类型 ftp站点: ...
- 动态规划------背包问题(c语言)
/*背包问题: 背包所能容纳重量为10:共五件商品,商品重量用数组m存储m[5]={2,2,6,5,4}, 每件商品的价值用数组n存储,n[5]={6,3,5,4,6};求背包所能装物品的最大价值. ...
- centos7安装node.js
安装版本:node-v10.15.3 一.安装必要的编译软件包 # yum install gcc gcc-c++ -y 二.从源码下载Nodejs 进入官网选择自己需要的版本 https://nod ...
- Django框架的初使用-2
目录 Django框架的初使用-1 1 Django MVT回顾 2 模型M 2.1 ORM框架 2.2 模型设计 3 视图V 3.1 定义视图函数 3.2 配置URLconf 3.3 视图-匹配过程 ...
- C语言程序转汇编代码
最近在学着写bootloader,由于汇编太繁杂,希望可以使用C语言完成一部分,然后转成NASM汇编代码,经过摸索,最终找到了一个解决方案,记录于此,留作参考. 核心步骤 使用gcc编译得到.o文件 ...
- 新手必看:PyCharm安装教程,Python开发者的有力工具
PyCharm是由JetBrains打造的一款Python IDE,VS2010的重构插件Resharper就是出自JetBrains之手. 同时支持Google App Engine,PyCharm ...
- ORACLE中如何找出大表分布在哪些数据文件中?
ORACLE中如何找出大表分布在哪些数据文件中? 在ORACLE数据中,我们能否找出一个大表的段对象分布在哪些数据文件中呢? 答案是可以,我们可以用下面脚本来找出对应表的区.段分别位于哪些数据文件 ...
- linux安装python3环境并配置虚拟环境
1.安装必要库 yum -y install gcc yum -y install zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite- ...