gmapping功能包源码修改（gmapping安装）

本文目录一览：

• 1、ros中为啥gmapping建图的时候模型反向运动
• 2、学习SLAM需要哪些预备知识
• 3、rgbd传感器是什么
• 4、ros是怎么利用gmapping建立地图的
• 5、gmapping用了odometry的信息吗

ros中为啥gmapping建图的时候模型反向运动

应该是定位问题，RBpf是一种有效解决同时定位和建图的算法，它将定位和建图分离，每一个粒子都携带一幅地图。

ros中gmapping建图：

准备。

1、之前在github上下载的双轮差速小车中有该小车的gmapping和键盘控制的文件可以直接用。

2、如果之前安装的不是ros的full版本还需要下载gmapping功能包。

sudo apt-get install ros-indigo-slam-gmapping。

注：官方自带的gmapping属于功能包/软件包/二进制包——ros中下载的代码分为两类：二进制和源代码，二进制不需要编译，例如apt-get；源代码需要编译才可运行。

开始。

1、启动小车。

roslaunch diff_wheeled_robot_gazebo diff_wheeled_gazebo_maze.launch。

注：这个launch文件相比一般启动小车模型多了以两句。

2、启动gmapping节点。

roslaunch diff_wheeled_robot_gazebo gmapping.launch。

3、启动rviz。

rosrun rviz rviz。

点击左侧控制板中add——by topic——map。

4、键盘控制。

roslaunch diff_wheeled_robot_control keyboard_teleop.launch。

注：以上四步需要开启4个终端。其中当键盘控制小车移动时，需要让鼠标停在键盘控制所在的终端。

5、保存地图。

建完地图后需要保存，先安装map-server。

然后保存地图。

rosrun map_server map_saver -f ~/mymap。

此时home文件下有mymap.pgm和mymap.yaml。

参考：

。

。

学习SLAM需要哪些预备知识

SLAM涵盖的东西比较多gmapping功能包源码修改，分为前端和后端两大块。前端主要是研究相邻帧的拼接，又叫配准。根据传感器不一样，有激光点云、图像、RGB-D拼接几种，其中图像配准中又分基于稀疏特征(Sparse)的和稠密(Dense)的两种。后端主要是研究地图拼接(前端)中累积误差的校正，主流就两种，基于概率学理论的贝叶斯滤波器（EKF，PF）以及基于优化的方法。EKF已经用得很少了，PF也就在2D地图SLAM（Gmapping）中用得多，大多还是用优化的方法在做。

你自己已经说了这块需要的知识，一个是数学，一个是编程。所以入门的话，也从这两块开始弄。

一、数学方面

数学的话，建议楼上说过的Thrun的《probabilistic robotics》，其实不需要全部看完，了解下概率学是如何解决机器人中的问题的，关键学习贝叶斯滤波，也是就是贝叶斯公式在各个问题(定位，SLAM)中的应用。另外，优化的话，建议先把最小二乘优化中给弄透彻，数学推导要会，因为很多问题，最后都是归结到最小二乘优化，然后就是梯度下降、求Jacobian之类的。

二、编程方面

理论的东西是比较无聊的，必须得实战。建议入门先写一发最小二乘优化，可以就做一个简单的直线拟合，不要用Matlab中的优化工具，了解数学推导最后是怎么写到代码里面的。然后，一定要玩好Matlab优化工具包，做实验最方便了。

有了一些基础之后，可以尝试玩一些现有的SLAM包，推荐两个地方，一个是，里面有各种SLAM包，主流的SLAM算法，在这一般都有源码。另外一个就是ROS了，里面有很多现成的SLAM包，像Gmapping，RGB-D SLAM，上手非常快，甚至你没有任何设备，你也可以利用ROS中的仿真环境（如Gazebo）跑。建议先试试Gmapping，百度上有很多中文教程，一开始跑这些package还是很涨成就感的，可以提高你的兴趣。

如果你是做视觉或者RGB-D，那么OpenCV和PCL是必不可少的工具。早点上手肯定没得错。

三、进阶

大体入门之后，你就需要根据你实验室研究的项目来学习了，看是用激光、相机、还是Kinect来做了，不同传感器的前端算法还是有些差距的。激光的话一般是ICP，相对简单。视觉的东西还是比较多的，楼上推荐《Multiview Geometry in Computer Vision》确实很重要，不过，gmapping功能包源码修改我觉得这同时你还应该了解特征提取、特征描述子、特征匹配这些东西。如果你们实验室做的Dense registration，那你还得学李代数那些东西（高大上啊，神马李群看好多天都看不懂啊！！！）。其实，很多算法都有开源包，你可以去ROS、一些大神博客、牛逼实验室主页中多逛逛。

rgbd传感器是什么

RGBD SLAM属于视觉SLAM中gmapping功能包源码修改的一种gmapping功能包源码修改，使用的RGBD传感器包括zed（双目立体gmapping功能包源码修改，适用于室外）、Kinect（结构光，仅限室内）、Kinect v2（TOF，主要用于室内）等。

功能包

现在有比较多的现成的功能包可以进行学习和二次开发gmapping功能包源码修改：

gmapping：

实时构建室内地图，在构建小场景地图所需的计算量较小且精度较高。相比Hector SLAM对激光雷达频率要求低、鲁棒性高（Hector 在机器人快速转向时很容易发生错误匹配，建出的地图发生错位，原因主要是优化算法容易陷入局部最小值）。

而相比Cartographer在构建小场景地图时，Gmapping不需要太多的粒子并且没有回环检测因此计算量小于Cartographer而精度并没有差太多。但是，不适合构建大场景地图，并且没有回环检测，因此在回环闭合时可能会造成地图错位，虽然增加粒子数目可以使地图闭合但是以增加计算量和内存为代价，不能像Cartographer那样构建大的地图。

hector_slam：

设计初衷Hector主要用于救灾等地面不平坦的情况，因此无法使用里程计，特点是用IMU解决gmapping功能包源码修改了激光的运动畸变问题。虽然系统不提供明确的循环关闭能力，但对于许多真实世界场景来说它足够准确。

cartographer：

累计误差较前两种算法低，能天然的输出协方差矩阵，后端优化的输入项。成本较低的雷达也能跑出不错的效果。是Google开源的一个ROS系统支持的2D和3D SLAM（simultaneous localization and mapping）库。

ros是怎么利用gmapping建立地图的

ROS的stack库分作两部分，一部分为核心部分，即main部分，简而言之就是使用下面命令，安装ROS系统时就已经安装到我们用户电脑上的那部分。$sudoapt-getinstallros-diamondback-desktop-full另一部分为选用部分，即universe部分，它不仅包括一些开源库的支持，如opencv,pcl,openni_kinect等，还有更上面以机器人功能模块命令的一些stack，例如pr2_doors,find_object,facerecognition,grasp等等，真是一个丰富的宝藏，更详细的stack包可以在官网的StackList页面查询。（.bashrc中$rosmake.(pr2_doors里面所需的package文件)

gmapping用了odometry的信息吗

你可以看看ROS官方文档，gmapping订阅的消息一个是tf一个是激光数据，而tf就是坐标转换值包含有odometry的信息，因此gmapping是用到了odometry的数据的