1.rosbag相关源码解析
2.ROS中MPC局部路径规划器使用方法及源码流程解读
3.ROS入门笔记（七）：详解ROS文件系统
4.Cartographer源码详解|（2）Cartographer_ros
5.Gyroflow-RustIMU积分算法源码解析
6.ROS入门教程-理论与实践（1.5 ROS架构）
rosbag相关源码解析
rosbag核心功能解析
rosbag主要由rosbag包和rosbag_storage包构成，码解其常用功能包括play、码解record和view。码解下面逐一探讨它们的码解实现流程。Record功能
记录过程如下：指定要订阅的码解topic，通过subscribe函数进行订阅。码解悬赏影视源码
subscribe函数关联doQueue回调，码解关键代码如下：
... (doQueue函数内容省略)执行doRecord函数保存数据，码解涉及doWrite函数，码解主要调用writeMessageDataRecord：
... (doWrite和writeMessageDataRecord函数内容省略)Play功能
播放过程包括：通过Bag类打开并解析.bag文件。码解
初始化view对象，码解用于有条件地显示数据。码解
发布bag内消息并进行广告。码解
消息的码解发布。
Bag类与View类
Bag类用于打开并解析.bag文件，码解解析工作主要在startReadingVersion函数内进行。而View类在Bag类的基础上，对解析结果进行筛选和展示，它负责迭代bag内消息数据，流程如下：构造View类时，通过updateQueries函数处理消息迭代器。
初始化iters_，根据消息时间进行排序。
每次输出时间最早的message_instance_并补充后续消息，保持时间顺序。
对iters_内的实体持续更新并排序。
ROS中MPC局部路径规划器使用方法及源码流程解读
本文将详细介绍ROS导航框架中MPC局部路径规划器mpc_local_planner的使用方法，并对其源码进行解读，梳理其规划流程。内容分为MPC模型预测控制算法简介、mpc_local_planner使用方法、mpc_local_planner源码解读与规划流程梳理三个部分。
一、MPC模型预测控制算法简介
MPC的设计和实施包含三个步骤。首先在k时刻，需要估计/测量出系统当前状态。MPC的优点在于处理多变量、多约束系统，适应动态环境，并提供优化性能。但它的计算复杂度较高，适用于需要高精度控制的应用。
二、mpc_local_planner使用方法
在ROS现有开源MPC模型预测控制算法的局部路径规划器插件中，mpc_local_planner功能包广受欢迎。它与teb_local_planner出自同一研究机构，因此在流程及上有许多相似之处。以下是mpc_local_planner的使用步骤：
1. 下载mpc_local_planner功能包并将其放置在ROS工作空间的src文件夹下。
2. 配置环境，执行以下指令安装所需依赖和环境。
3. 使用catkin_make对mpc_local_planner功能包进行编译。
4. 可根据需要执行以下语句中的slowfast源码解析一个或多个，来使用功能包自带的示例，对功能包是否能够正常工作，并可对其性能进行测试。
5. 在启动move_base的launch文件中，配置局部路径规划器插件为mpc_local_planner/MpcLocalPlannerROS，并根据机器人的实际情况，设定参数clearing_rotation_allowed的值来设定在规划时是否允许机器人旋转。
6. 在上述move_base节点配置中调用mpc_local_planner的参数配置文件mpc_local_planner_params.yaml。
7. 进行效果测试，并根据测试效果对参数进行调节。
ROS入门笔记（七）：详解ROS文件系统
本章节详述ROS的工程结构，特别是其文件系统组织。理解并熟悉ROS工程的构建方式是编程和开发的基础。
首先，我们深入理解catkin编译系统，它是ROS工程的核心工具。早期的Makefile编译方式效率不高，CMake作为高级编译工具引入，而ROS的Catkin系统在此基础上做了扩展。Catkin在groovy版本后替代了rosbuild，提供更简洁、高效和可移植的编译体验，适用于大型项目，如ROS。
学习Catkin，首先了解其特点：基于CMake，每个软件包包含CMakeLists.txt和package.xml两个关键文件。编译流程由catkin_make命令控制，它封装了cmake和make，便于大型项目的构建。编译前务必在工作空间目录下操作，完成后需刷新环境以加载新生成的可执行文件。
接着，我们探索catkin工作空间，类比为一个项目仓库，包含src、build和devel三个主要路径，src存放源代码，build进行编译，devel则用于设置环境。通过catkin_create_pkg创建和管理软件包，rospack、roscd和rosls等工具则方便包的查找和内容浏览。
在CMakeLists.txt中，我们定义包的依赖、目标构建规则，这是构建流程的核心。package.xml则是包的元数据，记录了包的名称、版本、依赖等信息。英飞凌源码ROS中的Metapackage则是功能模块的集合，通过CMakeLists.txt和package.xml定义。
最后，介绍了其他常见的文件类型，如launch文件用于程序启动配置，msg/srv/action定义自定义数据结构，urdf/xacro描述机器人模型，yaml文件存储参数，dae/stl文件是3D模型，rviz文件配置可视化工具。这些文件共同构建了完整的ROS开发环境。
深入理解这些细节，将有助于你更高效地在ROS环境中开发和管理项目。
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的云压缩源码数据类型。
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，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。
Gyroflow-RustIMU积分算法源码解析
在深入解析Gyroflow-Rust库中的IMU积分算法之前，我们首先需要明确，积分算法在将原始的陀螺仪角速度和加速度计读数转换为实际IMU的方向四元数，对于视频稳像至关重要。Gyroflow v1.4.2提供了多种可选积分算法，包括Madgwick、Mahony以及互补滤波器，其中互补滤波器以最小的水平漂移提供较好的估计结果，且是默认集成方法。 ### 源码解析 为了全面理解IMU积分算法在Gyroflow-Rust中的实现，我们将逐步解析其核心步骤。首先，算法通过UI界面与数据交互，根据选择的积分方法进行操作。 #### UI界面数据交互 算法通过用户界面接受指令，调用指定的积分方法。 #### 互补滤波器思维导图 互补滤波器结合了陀螺仪和加速度计的数据，利用加速度计锁定地平线，以最小的水平漂移提供IMU方向的估计。 #### 默认构造函数default() 此函数设置初始条件，并根据系统状态初始化方向四元数。 #### 加速度初始化方向四元数 在系统稳定后，利用加速度数据初始化方向四元数。 #### 检查稳定状态 算法监控系统状态，当稳定时长超过设定阈值时，更新陀螺仪零偏。 #### 角速度预测 在预设的时间间隔内，预测角速度以更新方向四元数。 #### 修正四元数 通过加速度计算修正四元数，挖矿类型源码SLERP插值用于优化四元数。 #### 修正与归一化 通过四元数乘法，修正估计的方向四元数并进行归一化。 #### 新增内容 相较于ROS中的互补滤波器实现，Gyroflow-Rust在加速度数据处理、重力加速度自适应计算以及自适应增益计算方面进行了优化调整。 ### 注意事项与改进 在计算角速度向量模长时，原始ROS实现中存在小笔误。通过在GitHub上提出问题，作者已进行修正。 ### 参考资料 在深入研究Gyroflow-Rust库的IMU积分算法时，参考以下资源将大有裨益：Gyroflow-RustAuto Sync自动同步模块算法解析
Gyroflow-RustLens Calibrator相机标定工具使用、自定义修改以及算法解析
论文阅读互补滤波器详细推导_源码解析_数据集实测_Keeping a Good Attitude: A Quaternion Based Orientation Filter for IMUs
ROS入门教程-理论与实践（1.5 ROS架构）
在深入探索ROS架构设计之前，我们首先对ROS有一个基本的认知，通过安装与运行内置案例，编写ROS小程序，尽管对ROS的理解还较为模糊，但接下来的教程将从宏观角度对ROS架构进行详细介绍。
ROS架构描述的角度多样，设计者、维护者、系统结构与自身结构是其中几个关键视角。设计者将ROS视为"ROS = Plumbing + Tools + Capabilities + Ecosystem"，强调其为提供基础结构、工具、功能与生态系统。维护者从管理与维护角度，将ROS架构分为两大部分进行描述。系统架构视角则将ROS划分为三层结构，而自身结构则包括文件系统与计算图。
ROS依赖于Linux操作系统，特别是Ubuntu，同时也支持Mac和Windows系统，尽管兼容性有所限制。它为机器人开发提供了中间件，如功能包及内部节点，例如：master、turtlesim控制与运动节点。
从ROS自身的角度看，同样可以划分为三层，包括文件系统级、分布式系统中的计算图以及ROS社区层级。文件系统级展示了ROS源代码的组织形式，分布式系统通过节点、消息、主题与服务等概念实现数据交互。ROS社区层级则体现为代码在ROS网络上的发布方式。
目前的学习阶段仅涉及运行内置案例与编写简单ROS实现，因此，本教程暂不深入所有设计架构模块，仅介绍文件系统与计算图。在接下来的章节中，将详细介绍ROS的通信机制，这是ROS核心实现之一。
在探索ROS架构的旅程中，我们将逐步揭示ROS的深层结构与设计原则，帮助你更全面地理解ROS，并为后续的实践应用打下坚实的基础。
- 1.5.1 ROS文件系统
- 1.5.2 ROS文件系统相关命令
- 1.5.3 ROS计算图
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。
