1.ROS2测试源码编译安装cartographer
2.因子图优化 SLAM 研究方向归纳
3.PX4 视觉定位设置及多种定位数据获取方法（T265为例）
4.从零开始一起学习SLAM | SLAM有什么用？
5.Cartographer源码详解|（2）Cartographer_ros
6.最强干货|ROS与RPLIDAR结合使用说明及问题汇总

ROS2测试源码编译安装cartographer

       Cartographer是源码一个跨平台、传感器配置提供实时同步定位和绘图(SLAM)的源码系统，具有回环检测优势，源码资源占用适中。源码

       选择源码编译安装方式，源码以适应后期项目修改和移植需求。源码易语言发包源码首先，源码使用Ubuntu虚拟机测试验证。源码

       若国内访问github受限，源码可选择Gitee上的源码备份仓库进行下载。尝试多个版本，源码确认在Ubuntu humble版本下能够成功下载和安装。源码

       在安装过程中，源码需要下载依赖项。源码在Ubuntu上，源码首先安装libabsl-dev、libceres-dev以及liblua5.3-dev等包。对于ceres-solver，需确保CUDA、显卡加速和TBB指令集优化选项已配置。

       在开发板上，通过源码编译安装三方依赖。确保所有依赖包均正确安装，包括protobuf版本为v3.4.1分支。

       完成所有依赖安装后，开始编译Cartographer源码。首先下载官方数据集，注意ROS2格式的rosbag转换，使用rosbags工具进行转换。

       介绍ROSbag格式，ROS1的.rosbag文件为二进制存储格式，而ROS2使用SQLite数据库格式，支持跨平台和扩展性。两种格式转换方法，推荐使用rosbags工具，无需依赖ROS环境。

       测试Cartographer时，使用ros2命令启动示例launch文件，输入特定的bag文件名以加载数据集。测试3D数据集时，使用相应的launch文件和bag文件名。

       资源占用情况分析将后续进行。

因子图优化 SLAM 研究方向归纳

       因子图优化在SLAM研究中扮演着关键角色，但选择正确的路径至关重要。经过作者近半年的探索，我们看到了他的摸索历程和教训。以下是关键点的归纳：

       错误的学习路径

       作者起初被cartographer论文引入，尝试了平方根SAM和isam2，以及GTSAM框架，但陷入论文、教材与框架的循环，未能深入理解。错误的方法包括直接阅读源代码、依赖可视化教程而非底层原理，以及频繁切换学习材料。

       正确的入门路径

       建议从实际应用GTSAM库开始，通过理解isam1中的因子图构建，尤其是用Matlab实现基础概念。重点在于掌握因子图的基本思想和增量优化，包括QR分解和Givens旋转。之后理解因子图转贝叶斯网的过程，并研究Bayes tree的CMT2300源码构建和更新。

       研究方向与挖掘点

       - 算法改进：isam1的优化策略、isam2的树转换简化，以及贝叶斯树的深度调整。

       - 新应用：如LOAM的增量优化应用，可以寻找新的机器人应用场景，比如高精度实时地图需求。

       避开的陷阱

       - 避免陷入代码细节，保持理论核心，注意GTSAM的工程性质。

       - 不要一开始就追求贝叶斯树，关键在于因子图和信息矩阵的增量优化。

       作者的困惑

       - 寻找实时全局优化的平衡，以及技术应用与现实需求的结合。

       总的来说，因子图优化的研究方向包括算法优化和新应用的探索，同时需要明确定位，避免陷入细节，保持理论与实践的结合。希望这些建议能帮助后来者避免作者的弯路，找到自己的研究方向。

PX4 视觉定位设置及多种定位数据获取方法（T为例）

       本文详细介绍了将视觉定位数据传递给PX4飞控的方法，并以T为例演示了视觉定位的相关设置及效果。主要有三种方法：通过向指定的mavros话题发送定位数据；将定位数据发布为tf变换，使px4订阅该tf变换；以及修改px4_config.yaml文件，将listen设置为true。T是四旋翼视觉定位常用的定位方案，然而关于其原理的讲解较少。本文包括详细的视频讲解，总计时长超过分钟。通过本文，读者可以轻松学习如何将T应用在PX4实机上。

       目前已知的将视觉定位数据传递给PX4飞控的方法包括：通过向“/mavros/odometry/out”话题发送T数据；通过向“/mavros/vision_pose/pose”话题发送数据；以及修改px4_config.yaml文件，将listen设置为true，以实现tf变换的订阅。其中，修改px4_config.yaml文件的方法会导致通过topic发送定位数据的两种方法失效，而frame_id和child_frame_id之间的tf变换即为定位数据。对于cartographer而言，通过修改frame_id就可以将cartgrapher发布的tf定位数据传输给PX4飞控。

       在使用EKF2进行融合定位时，需要设置相关的参数。常用的参数包括EKF2_AID_MASK的数值设置，以及EKF2_EV_DELAY参数的设置，后者对高度估计和转向的影响尤为重要（当前为作者的个人猜测）。参数设置完成后，系统需要重启才能生效。

       在使用Realsense驱动时，可能遇到的疑难杂症包括：AGX Orin配置时的问题，T插着开机需要插拔，电脑无法检测T，以及Dxx相机深度点云频率低等。关于Realsense驱动的安装步骤，以Ubuntu.为例，通常有两种方式：源码安装或二进制包安装。在具体的系统环境下，读者应根据实际情况选择合适的安装方式。

从零开始一起学习SLAM | SLAM有什么用？

       SLAM，即Simultaneous Localization And Mapping，是一个在移动设备上同时进行定位和地图构建的过程。我们可以通过一个日常例子来理解它，比如家用的云拍卖源码购买智能扫地机器人。

       早期的扫地机器人在工作时，只能简单地避开障碍物，随机游走清扫，导致效率低下且清扫不彻底。然而，随着SLAM技术的引入，现在的扫地机器人能够通过传感器扫描环境，建立地图，并根据自身的定位进行高效的清扫路径规划，包括自动回充、断点续扫等高级功能。这要求机器人具备三大能力：定位（Localization）、建图（Mapping）和路径规划（Route Planning）。

       具体来说，定位是机器人需要知道自己在房间的准确位置；建图是机器人需要构建出对周围环境的详细地图；路径规划是机器人需要找到从当前位置到指定目标的最短路径。这些能力相辅相成，使得扫地机器人能够智能地完成清扫任务。

       SLAM技术不仅在扫地机器人中得到应用，还在自动驾驶、无人机、AR、智能机器人等领域发挥了重要作用。传感器主要分为激光雷达和视觉两大类。激光雷达在早期SLAM研究中较为常用，因其高精度和成熟的解决方案，但价格高、体积大、信息较少的缺点也明显。而视觉SLAM则使用摄像头作为主传感器，广泛应用于AR、自动驾驶等前沿领域。

       定位相关应用中，SLAM技术在自动驾驶中主要用于更精确地确定汽车的位置。在室外导航方面，尽管地图类App已经做得很好，但它们在车道识别、GPS失效区域的定位等方面仍有局限性。通过SLAM技术，可以实现更精准的室内定位，如在电商仓库的AGV机器人、移动机器人等场景。

       建图相关应用中，SLAM可以用于生成物体的三维模型或对较大场景进行三维重建。这在室内场景的三维重建、增强现实游戏、三维漫游等方面有广泛应用。

       关于SFM（结构从运动）和SLAM的区别，它们讨论的是相似的问题，但起源和应用领域不同。SFM强调实时性，通常离线处理，而SLAM更注重实时定位与地图构建。SFM处理的图像通常为同一场景在不同时间、不同相机拍摄的，而SLAM一般要求同一相机的序列图像或连续视频。SFM使用相机作为传感器，而SLAM除了相机外，还会集成惯导、激光雷达等传感器。

       对于快速对自由女神像进行3D重建，考虑到没有特殊硬件的云店 php源码情况下，选择SLAM可能是一个更合适的方式，因为它可以实时处理动态环境，而SFM通常更适合静态场景的重建。

       为了深入学习SLAM，可以参考以下资源：

       基于LiDAR的多传感器融合SLAM系列教程：LOAM、LeGO-LOAM、LIO-SAM

       系统全面的相机标定课程：单目/鱼眼/双目/阵列相机标定：原理与实战

       视觉SLAM必备基础课程：视觉SLAM必学基础：ORB-SLAM2源码详解

       深度学习三维重建课程：基于深度学习的三维重建学习路线

       激光定位+建图课程：激光SLAM怎么学？手把手教你Cartographer从入门到精通！

       视觉+IMU定位课程：视觉惯性里程计讲教程全部上线！IMU预积分/残差雅克比推导、边缘化约束、滑窗BA！

       手把手图像三维重建课程：系统学三维重建讲全部上线！掌握稠密匹配、点云融合、网格重建、纹理贴图！

       通过这些课程和资源，你可以快速入门SLAM，并在实践中掌握相关技能。

Cartographer源码详解|（2）Cartographer_ros

       上一篇文章深入分析了传感器数据的流向，接下来让我们继续探讨传感器格式的转换与类型变换。这部分内容在sensor_bridge.cc文件中。在处理传感器的坐标变换时，我们需要运用三维空间刚体运动的知识，先进行简要回顾，以助于理解代码。

       三维空间刚体运动涉及向量内积与外积。向量内积的计算公式如下，表示两个向量的点乘。向量外积则是一个向量，其方向垂直于两个向量，大小为两向量张成四边形的有向面积，计算公式如下。

       旋转和平移是欧氏变换的两个关键部分。旋转涉及单位正交基的变换，形成旋转矩阵（Rotation matrix），该矩阵的各分量由两组基之间的内积组成，反映了旋转前后同一向量坐标的变化关系。平移则通过向旋转后的坐标中加入平移向量t实现。通过旋转矩阵R和平移向量t，我们可以完整描述欧氏空间中的坐标变换关系。

       为了简化变换过程，引入齐次坐标和变换矩阵。在三维向量末尾添加1形成四维向量，进行线性变换。变换矩阵T能够将两次变换叠加简化为一个操作，便于后续计算。

       Cartographer的坐标转换程序位于transform文件夹下的rigid_transform中，用于求解变换矩阵的逆。

       在sensor_bridge类中，构造函数将传入配置参数，对里程计数据进行处理。首先将ros时间转换为ICU时间，然后利用tf_bridge_.LookupToTracking函数找到tracking坐标系与里程计child_frame_id之间的坐标变换。在ToOdometryData函数中，将里程计的footprint的pose转换为tracking_frame的pose，并最终将结果转换为carto::sensor::OdometryData的数据类型。

       HandleOdometryMessage函数将传感器数据类型与坐标系转换完成后，调用trajectory_builder_->AddSensorData进行数据处理。对于雷达数据，首先转换为点云格式，破解需要固定源码然后对点云进行坐标变换，并调用trajectory_builder_->AddSensorData进行数据处理。

       IMU数据处理中，要求平移分量小于1e-5，然后调用trajectory_builder_->AddSensorData对数据进行处理。

       在雷达数据处理部分，首先将点云数据分段，然后传给HandleRangefinder处理，将点云坐标变换到tracking_frame坐标系下，调用trajectory_builder_->AddSensorData函数进行数据处理。

       总结本章内容，我们详细解析了SensorBridge类，对传感器数据进行了转换和传输。通过Node类、MapBuilderBridge类和SensorBridge类，我们对Cartographer_ros部分的代码有了基本了解。接下来，我们将深入学习cartographer。

最强干货|ROS与RPLIDAR结合使用说明及问题汇总

       ROS作为机器人软件平台，提供类似操作系统功能，对于机器人行走研究至关重要。Llidar作为机器人定位导航的核心传感器，在自主行走、定位导航方面起到关键作用。结合使用，使机器人自主定位导航效果更优。

       RPLIDAR产品简介：SLAMTEC思岚科技自主研发激光雷达，有A1和A2两款成熟商业产品。A1测距范围0.2~6米，每秒2K个点，扫描频率5~hz可调；A2测距范围0.~8米，每秒4K个点，扫描频率5~ hz可调。官方提供SDK和开发指导文档。

       具体操作流程：设备管理器找到串口，打开frame_grabe，选择对应端口查看，进入frame_grabber界面。

       RPLIDAR的ROS包rplidar_ros：面向全球ROS开发者推出，价格低廉，推动激光雷达在ROS中的应用，促进服务机器人移动导航、避障技术发展和人才储备。建立通用通讯框架，让开发者遵循通讯协议，关注数据接口，完成模块功能。

       rplidar_ros wiki：包含产品功能、接口、参数说明和使用流程、支持版本信息。

       rplidar_ros github：包含源码、版本管理、开发者问题讨论。

       消息机制：/scan话题、stop_motor和start_motor服务。/scan用于发送雷达数据消息，消息格式为sensor_msgs/LaserScan，避障或SLAM功能模块调用。stop_motor和start_motor用于客户端调用服务器关闭和启动雷达。

       坐标系说明：rplidar顺时针旋转，SDK左手系数据转化为右手坐标系输出。

       启动说明：查看端口权限，执行相应脚本赋予固定权限，启动节点，显示雷达数据。

       搭建机器人系统：关注topic/service和TF帧协调，通过模型、静态变换、TF查看TF树。

       利用RPLIDAR建图：开源2D激光雷达SLAM ROS包有gmapping、Hector、karto、cartographer等。构建效果取决于算法实现，参数设置和内部代码。

       问题汇总：树莓派等系统无法启动检查供电、设置端口权限、原始数据输出形式、ntenstity数据无效、固定角度需求添加滤波节点、检查端口、tf_tree和rqt_graph、发送问题至支持邮箱。

cartographer_ros定位功能位姿获取与重定位设置

       小白在机器人定位项目中使用cartographer进行定位，面临位姿获取频率低的问题，测试显示激光频率~hz时，获取位姿频率仅为5hz。为解决此问题，尝试了以下方法：

       首先，对cartographer进行源码安装。

       接着，运行cartographer_rosd的demo，参考.launch运行文件和.lua配置文件，并开启pure localization功能。

       尝试通过tf变换获取位姿坐标，但发现频率受限于5hz左右。为解决此问题，建立tf变换节点，发布2D位姿topic，实现高频率的位姿获取。

       深入源码修改，添加::ros::Publisher _pose_pub，对 node.cc进行调整，从而获取高频率的位姿topic。

       在rviz中，利用“2D Pose Estimate”功能，发布/initialpose话题，并根据机器人当前位置进行重定位设置。通过点击地图位置，发布包括x,y和theta的topic进行重定位。

       总结流程，通过源码修改和rviz重定位设置，实现了高频率的位姿获取及重定位功能。若有疑问，欢迎交流，共同学习。

ROS开源项目：（一）中文语音交互系统ROSECHO （二）教学级别无人车Tianracer

       开发之路永无止境，往往在最后期限的白板上写着的计划，往往只是一份空想。年初时，我定下了两个目标，计划在年末完成，然而时间在拖延中流逝，直到如今，我才发现，真正的开源精神并非一个人的单打独斗，而是众人协作的火焰。

       记得一年前，我四处奔波，从开源社区汲取养分，同时也渴望贡献出自己的力量。然而，回顾过去，我却发现并没有做出任何贡献。这次，我希望能够集结各路伙伴，如果有志于参与开源项目，我们能共同打造一个GitHub上的百星、千星项目。几位资深程序员已经搭建好了基础，硬件改进较多，但程序完善程度未达预期。我们期望有更多的年轻朋友加入我们，与我们一起学习软件的版本控制、代码规范和团队协作，共同完成复杂的机器人项目，实现成长与蜕变。

       （一）中文语音交互系统ROSECHO

       ROSECHO的GitHub源码库已准备好，欢迎先star再深入阅读。此代码遵循BSD开源协议。

       详细中文介绍文档

       面对智能音箱市场，许多人或许会质疑我们的团队为何要涉足这个领域。然而，故事并非如此简单。在年，我们计划为一个大型展厅打造讲解机器人，采用流行于Android系统的接待引导机器人，其语音交互功能本无问题，但当时的挑战在于，尚未有集成cartographer在数千平米展厅中进行建图导航的方案。因此，我们决定打造一款完全基于ROS的讲解机器人。市场上虽然有众多智能音箱，但缺乏适用于ROS二次开发的产品。在科大讯飞一位大佬的介绍下，我们选择了AIUI方案，虽然开发难度大，但高度定制化，非常适合我们这样的开发团队。于是，我们主要任务转变为开发一款能够在ROS下驱动的智能音箱，ROSECHO便由此诞生。

       第一版智能音箱在年4月问世，包含W的大喇叭、6环麦克风，以及ROS主控制器，下方控制了一个云迹科技的水滴底盘。了解过ROS星火计划进阶课程的朋友大概知道，课程中的大作业之一是语音命令移动机器人端茶倒水，而我们的任务相当于完成了一个加强版的大作业。

       整个机器人在年7月完成，音箱分散到身体各个部分，环麦位于头顶，喇叭置于身体两侧。其他传感器、执行机构、决策、定位导航均基于ROS，定制了条特定问答，调试的机器人在场馆中行走上下坡不抖动，定位准确，7*小时工作稳定。音箱在大机器人上使用效果出色，主要得益于讯飞的降噪和回声消除技术，使得远场对话和全双工对话得以实现。社区中许多小伙伴也尝试了软核解决方案，但由于环境限制较大。于是，我们决定将音箱从大家伙改为普通智能音箱大小，通电即为智能音箱，USB接入ROS后，只需启动launch，即可接收语音识别结果，发送TTS语料，配置网络、接收唤醒角度等。

       这次体验深刻地让我认识到，做大容易做小难。过完春节后，年8月ROS暑期夏令营期间，我们做了N款外壳，测试了M种喇叭，贴了P版外围电路，程序则改动不大。主要是由于时间有限，无法进行更多改进。样品均为手工制作，音质上，7w的喇叭配有一个无源辐射板，对于从森海HD入门的人来说，音质虽有瑕疵，但足以满足日常使用。

       之前在想法中发布了一个使用视频，大家可参考运行效果。

       ROSECHO基本情况介绍完毕，如何开始呢？

       从零开始：推荐给手中已有讯飞AIUI评估板的小伙伴，记住，评估板而非麦克风降噪板（外观相似，简单区分是评估板售价元，降噪板元）。手头的评估板可通过3.5mm接口连接普通电脑音箱，再准备一根USB转转换头连接评估板DB9接口。后面需要根据实际串口修改udev规则，理论上可配合ROSECHO软件使用。硬件工作量较大，还需包含移动机器人所需机械设计、电气改造等。好处是拥有AIUI后台，可以定制云端语料和技能，但这又是另一个领域的能力，也不是三下五除二能完成的。

       从ROSECHO开始：直接购买ROSECHO，首发的十台会附赠ROS2GO，只需连接自带电源并用USB线连接电脑，配置无线SSID和密码即可。连接方便，我们维护云端语料，人设为智能机器人管家，大家只需关注如何利用识别后的词句控制机器人和进行应答。云端问答AIUI处理，一些自定义问答可在本地程序中处理，务必联网，因为语音识别本身需要网络。具体软件启动和简单demo请查看GitHub软件库的说明。

       然后做什么：要实现智能语音交互功能的移动机器人，需要对ROS中的actionlib非常熟悉。我们提供了简单的demo，可以控制机器人在turtlebot stage仿真环境中根据语音指令在两点之间移动，也可以根据唤醒方位进行旋转。之后还需增加音箱的TF变换。

       大机器人中的状态机采用层次状态机（Hierarchical state machines），适用于移动机器人的编程，框架准备开源，方便大家开发自己的智能移动机器人策略。参考下面链接，希望深入了解也可以购买译本，肯定是比ROS By Example中的Smach状态机更适合商用级产品开发。

       还计划做一套简单的语音遥控指令集，机器人问答库，在iflyos中构建适合机器人的技能库。何时能完成尚不确定，大家一起加油！

       （二）教学级别无人车Tianracer

       GitHub源码库已准备就绪，欢迎先star再深入阅读。遵循Hypha Racecar的GPLv3协议。

       这是最近更新的详细使用手册。相比ROSECHO，Tianracer的基本功能均已完成，至少可以拿来学习建图导航，了解SLAM。

       Tianracer是一个经过长时间准备的开源项目，年从林浩鋕手中接过Hypha Racecar后，希望将项目发扬光大。这两年改进了软件框架、周边硬件、机械结构，并增加了新的建图算法，但仍有大量工作待完成。这两个月在知乎想法和微信朋友圈分享了项目的进展，经历了多次迭代，现在大致分为入门、标准、高配三个版本。三个版本的软件统一，可通过环境变量更改设置。

       最近整个项目从Tianbot Racecar更名为TianRacer，经过长时间探索，终于实现了合理的传感器与处理器配置。相比Hypha Racecar，处理器从Odroid XU4更改为NVIDIA在上半年推出的Jetson Nano，车前方增加了广角摄像头，利用Nano的深度学习加速，可以接近实时处理图像数据。相比之前的单线激光，广角摄像头大大扩展了后续可实现的功能。

       TianRacer基本使用Python编写，从底层驱动到遥控等，目的是方便大家学习和二次开发。同时集成了cartographer和vins-fusion启动文件，可以尝试新的激光与视觉SLAM，基于Nano的深度学习物体识别等也是可以直接运行的。但目前功能尚未有机整合。

       从零开始搭建：TianRacer搭建可能难度较大，不仅需要RC竞速车的老玩家进行机械电子改装，还需要对ROS熟悉并修改软件以进行适配，同时可能需要嵌入式程序员的帮助。对于主要关心搭建的朋友，可以参考小林的Hypha Racecar和JetRacer Tamiya版本的搭建指南。

       从TianRacer开始：这批开发版本的无人竞速车附赠搭好环境的ROS2GO，TianRacer本身有开机自启功能，利用ROS2GO加上USB线对车体进行网络配置，就可以远程编程和调试。仔细参考提供的TianRacer看云文档（文档积极更新），大部分车体自带的功能都可以实现，包括但不限于建图、定位、导航、识别等。

       然后做什么：利用TianRacer学习无人车的基础框架，还可以通过JupyterLab学习Jetson Nano的深度学习算法。未来计划将交通标识识别、行人和车辆检测、车道线检测等无人车基础功能融合，但不确定Jetson Nano的算力是否足够。目标是在校园内进行低成本的无人车竞速比赛，希望像CMU的Mobot室外巡线比赛一样持续发展，至今已举办届。

       这个视频是搬运自YouTube。大家可深入了解非结构环境下的导航。对于不清楚结构化环境与非结构化环境的朋友，CMU和恩智浦的比赛完美诠释了两者之间的区别。

       一起来玩耍吧！

       在开源社区协作方面，我们也是第一次尝试，对于松散的协同开发经验不足，希望参与或组织过大型开源项目的朋友们加入我们，一起努力。有兴趣的朋友可以留言或私信。

       前几日与朋友们闲聊时，想起几年前高翔博士赞助一锅粥（orb-ygz-slam）1万元时，我也只能提供支持。这次真心希望可以贡献出代码，实现实实在在的贡献。

       年年底发布了开发者申请价格，但数量有限，早已连送带卖售罄。年又有几十位爱好者填写了问卷，忘记查阅。每年的双十一双十二我们都会有优惠活动，感谢大家的关注。