大家好,又见面了,我是你们的朋友全栈君。
1. 概述
实际使用中会出现轮子打滑和累计误差的情况,这里单单使用编码器得到里程计会出现一定的偏差,虽然激光雷达会纠正,但一个准确的里程对这个系统还是较为重要
2. IMU
数据获取
IMU
即为 惯性测量单元,一般包含了三个单轴的加速度计和三个单轴的陀螺仪,简单理解通过加速度二次积分就可以得到位移信息、通过角速度积分就可以得到三个角度,实时要比这个复杂许多
2.1 PIBOT IMU
PIBOT
在嵌入式程序提供出原始的数据接口,通过配置可以输出原始raw_imu
topic
,
该topic
类型为自定义具体如下,即为三轴加速度三轴陀螺仪和三轴磁力计的原始数据
通过对原始数据处理得到一个/imu/data_raw
数据类型为sensor_msgs/Imu
,
通过ROS
提供的相关包imu_tools进行滤波
可以看到complementary_filter_gain_node
会订阅该topic
,即该topic
作为输入滤波得到最终数据(发布/imu/data
topic
类型同样为sensor_msgs/Imu
)
输出该topic
可以看到得到的值波动已经较小了,且静止的时候接近于0
3. 两种融合的方法
3.1 一种简单的方法
从imu得到的数据为一个相对角度(主要使用yaw
,roll
和pitch
后面不会使用到),使用该角度来替代由编码器计算得到的角度。
这个方法较为简单,出现打滑时候因yaw
不会受到影响,即使你抬起机器人转动一定的角度,得到的里程也能正确反映出来
3.2 扩展的卡尔曼滤波
官方提供了个扩展的卡尔曼滤波的包robot_pose_ekf,robot_pose_ekf开启扩展卡尔曼滤波器生成机器人姿态,支持
- odom(编码器)
- imu_data(IMU)
- vo(视觉里程计)
还可以支持GPS
引用官方图片
PR2从实际初始点(绿色)溜达一圈回到初始点(绿色),编码器的里程(蓝色)发生了漂移,而使用robot_pose_ekf
融合出来的里程(红色)则跟实际位置基本重合(后面我们会针对这个测试下效果)
中间的圆是小圆放大的展示效果
再回去看下该包的输出
-
发布一个
topic
, 类型需要注意下是PoseWithCovarianceStamped并非Odometry
后面会用到这个作为显示,所以还需要一个转换
查看该topic
信息可以看到odom_ekf
订阅了该topic
再次查看该节点信息可以看到
,他会发出一个Odometry的topic
-
发出一个
tf
在
robot_pose_ekf
配置时,做了些映射处理,这样可以保证导航层在使用和不用imu的时候无需修改就可以工作
bringup.lauch
或者bringup_with_imu.launch
输出的tf
都为odom → base_footprint
;发出的里程也都是odom
bringup_with_imu.launch
轮子的里程topic
映射为wheel_odom
这里很重要,后面的对该包的验证会使用到
下2张图展示了未使用IMU
和使用IMU
时候的tf tree
情况, 可以看到用了一致的frame
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/148388.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...