【自主探索】基于 rrt_exploration 的单个机器人自主探索建图

文章目录

  • 一、rrt_exploration 介绍
    • 1、原理
    • 2、主要思想
    • 3、拟解决的问题
    • 4、优缺点
  • 二、安装环境
  • 三、安装与运行
    • 1、安装
    • 2、运行
  • 四、配置自己的机器人
    • 1、Robots Network
    • 2、Robot's frame names in tf
    • 3、Robot's node and topic names
    • 4、Setting up the navigation stack on the robots
    • 5、A mapping node
    • 6、A map merging node
  • 五、节点介绍
    • 1、global_rrt_frontier_detector
      • 1.1. 参数
      • 1.2. 订阅的主题
      • 1.3. 发布的主题
    • 2、local_rrt_frontier_detector
      • 2.1. 参数
      • 2.2. 订阅的主题
      • 2.3. 发布的主题
    • 3、frontier_opencv_detector
      • 3.1. 参数
      • 3.2. 订阅的主题
      • 3.3. 发布的主题
    • 4、filter
      • 4.1. 参数
      • 4.2. 订阅的主题
      • 4.3. 发布的主题
    • 5、Assigner
      • 5.1. 参数
      • 5.2. 订阅的主题
      • 5.3. 发布的主题
  • 六、分析

一、rrt_exploration 介绍

rrt_exploration 是一个 ROS 软件包,用于实现基于 RRT(rapidly exploring random tree) 的多机器人地图探索算法。它还具有基于图像的边界检测功能,可使用图像处理来提取边界点。

rrt_exploration 是一个 ROS 软件包,为移动机器人实现了一种多机器人地图探索算法。它基于快速探索随机树(RRT)算法。该软件包有 5 个不同的 ROS 节点:

  1. 全局 RRT 边界点检测器节点(Global RRT frontier point detector node.)
  2. 局部 RRT 边界点检测器节点(Local RRT frontier point detector node.)
  3. 过滤器节点(Filter node.)
  4. 分配器节点(Assigner node.)
  5. 基于 opencv 的边界点检测器节点(opencv-based frontier detector node.)

1、原理

该包的基本原理是,基于2D的,通常采用图像算法的边缘检测来检测已知区域与未知区域的边界。基于Rapidly-exploring Random Trees的探索策略。由于RRT基本上是朝向未知区域的(unexplored and unvisited),并且RRT可以扩展到更高维区域。同时采用 local tree 与 global tree 来检查边缘点,使得机器人的 exploration 更加高效。

一旦检测到边缘后,就会取其中心为目标点,然后让机器人去探索该点。而为了检测边缘点,需要对整张地图进行处理,而这个操作通常是耗时的,为此大量的研究人员focus在检测 frontier edges 的效率上。

本包中,RRT树只是用于search边缘点,而检测到的边缘点经过滤波就会依次安排给机器人。当机器人接收到 point 时,就会运动到对应的点。在此期间,机器人上的传感器将会扫描建图。

而通过多个独立的RRT树来加速边缘点的检测,则是本包的创新点。

2、主要思想

RRT算法是一种树型算法,它由一个起始点 Xinit 作为树的起始节点(根节点),然后从这个起始点进行随机生长,通过随机采样增加叶子节点 Xnew 的方式,生成一个随机扩展树,当随机树中的叶子节点包含了目标点或进入了目标区域,便从随机树中找到一条由从初始点到目标点的路径。

在这里插入图片描述

3、拟解决的问题

  1. 在一个未知环境中,使机器人快速对环境进行建模。
  2. 使机器人在一个未知环境中到达目标点。

4、优缺点

(1)优点

  • 适合多维空间, 可以使机器人能够快速有效地搜索高维空间,从而实现对目标点的路径规划。
  • 原理简单,适用性强,无需预知环境,也可完成对机器人的路径规划。
  • 快速提取地图的边界点;
  • 双边界点探测器(局部+全局)提高探索效率和灵活性;

(2)缺点

  • 路径规划的效果受规划时间、地形复杂程度以及生长步长的影响,而且规划好的路径不一定是最优路径。
  • 对于具有狭窄通道和狭窄入口的区域,RRT生长困难,探索效率低;
  • 探索过程的后期,RRT生长缓慢。

二、安装环境

该软件包已在 ROS Kinetic 和 ROS Indigo 上进行过测试,在其他发行版(如 Jade)上也能正常运行。安装软件包前需要满足以下要求:

  1. 已经安装了 ROS 发行版(indigo 或更高版本,推荐使用 indigo 或 kinetic)。
  2. 创建一个工作区。
  3. 安装 “gmapping” ROS package:在 Ubuntu 上,如果运行的是 ROS Kinectic,可以在终端键入以下命令:$ sudo apt-get install ros-kinetic-gmapping
  4. 安装 ROS navigation stack。使用以下命令即可完成(假设使用 Ubuntu 和 ROS Kinetic):$ sudo apt-get install ros-kinetic-navigation
  5. Python 2.7(未在 Python 3 上测试)。
  6. 应安装以下 Python 模块:
    OpenCV (cv2):$ sudo apt-get install python-opencv
    Numpy:$ sudo apt-get install python-numpy
    Sklearn:$ sudo apt-get install python-scikits-learn

三、安装与运行

1、安装

下载软件包并将其放在工作区的 /src 文件夹中。然后使用 catkin_make 进行编译。

$ git clone https://github.com/hasauino/rrt_exploration.git

编译:

$ catkin_make

2、运行

运行命令:

$ roslaunch rrt_exploration single.launch 

注意要开启 move_base

如果使用一个 launch 文件,则该文件中需要包含3个内容:
① rrt_exploration
② move_base
③ gmapping(其他建图算法也可以)

例如:rrt_slam.launch 文件

<launch><include file="$(find rrt_exploration)/launch/simple.launch"/> <include file="$(find slam)/launch/gmapping.launch"/> <node pkg="rviz" type="rviz" name="rviz"/><node pkg="move_base" type="move_base" respawn="false" name="move_base_node" output="screen"><param name="footprint_padding" value="0.01" /><param name="controller_frequency" value="5.0" /><param name="controller_patience" value="3.0" /><param name="oscillation_timeout" value="30.0" /><param name="oscillation_distance" value="0.5" /><param name="planner_patience" value="1" /><param name="controller_patience" value="1" /> <param name="recovery_behavior_enabled" value="false" /><rosparam file="$(find slam)/config/costmap_common_params.yaml" command="load" ns="global_costmap" /><rosparam file="$(find slam)/config/costmap_common_params.yaml" command="load" ns="local_costmap" /><rosparam file="$(find slam)/config/local_costmap_params.yaml" command="load" /><rosparam file="$(find slam)/config/global_costmap_params.yaml" command="load" /><rosparam file="$(find slam)/config/base_local_planner_params.yaml" command="load" /><param name="global_costmap/global_frame" value="/map"/><param name="global_costmap/robot_base_frame" value="/base_link"/><param name="global_costmap/laser_scan_sensor/sensor_frame" value="/base_scan"/><param name="global_costmap/laser_scan_sensor/topic" value="/scan"/>    <param name="local_costmap/global_frame" value="/map"/><param name="local_costmap/robot_base_frame" value="/base_link"/><param name="local_costmap/laser_scan_sensor/sensor_frame" value="/base_scan"/><param name="local_costmap/laser_scan_sensor/topic" value="/scan"/><param name="local_costmap/obstacle_layer/laser_scan_sensor/topic" value="/scan"/><remap from="cmd_vel" to="cmd_vel"/></node>
</launch>

注:将 slam 改成自己的文件名称

四、配置自己的机器人

本软件包为单个或多个机器人提供了探索策略。不过,要让它发挥作用,必须使用 navigation stack 设置好机器人。此外,还必须按照以下步骤设置和准备机器人。

注:如果您想快速运行并测试该程序包,可以尝试使用 rrt_exploration_tutorials 程序包,它提供了单个和多个机器人的 Gazebo 仿真,您可以直接使用它来运行该程序包。

1、Robots Network

对于多机器人配置,该软件包不需要特殊的网络配置,只需有一个 ROS 主控器(可以是其中一个机器人)即可工作。因此,在其他机器人上,ROS_MASTER_URI 参数应指向主控器的地址。有关在多台机器上设置 ROS 的更多信息,请点击此链接。

2、Robot’s frame names in tf

所有机器人框架都应以名称为前缀。机器人的命名从"/robot_1"、“/robot_2”、"/robot_3 "开始,以此类推。即使是为单个机器人使用软件包,机器人的框架也应该以其名称为前缀(即 /robot_1)。因此,对于 robot_1,tf 树中的帧应如下所示:
在这里插入图片描述

3、Robot’s node and topic names

机器人上运行的所有节点和主题也必须以其名称为前缀。对于 robot 1,节点名称应如下所示: /robot_1/move_base_node/robot_1/slam_gmapping
主题名称应为: /robot_1/odom, /robot_1/map, /robot_1/base_scan, …等等。

4、Setting up the navigation stack on the robots

必须运行 move_base_node 节点,该节点用于在机器人上建立 navigation stack。这个软件包(rrt_exploration)会生成目标探索点,每个机器人都必须能够接收这些点并向其移动。这就是需要 navigation stack 的原因。此外,每个机器人都必须有一个全局和局部成本地图。所有这些都由 move_base_node 生成。

5、A mapping node

每个机器人都应该有一个由 gmapping 软件包生成的本地地图。

6、A map merging node

在多机器人情况下,应该有一个节点能将所有本地地图合并成一个全局地图。您可以使用这个软件包。

五、节点介绍

rrt_exploration 共有 3 种模块:

  • 基于RRT的边界检测模块(负责检测边界点)
  • 滤波模块(存储边界点,并通过mean shift算法来聚类,检测出无效以及旧的边界点)
  • task allocator模块(接收到滤波模块传来的边界点后,分配到机器人)

本包还需要与 SLAM 及 path planning 模块相结合来使用
在这里插入图片描述

下图显示了 rrt_exploration 模块结构:

在这里插入图片描述

1、global_rrt_frontier_detector

global_rrt_frontier_detector 节点接收一个占用网格,并在其中寻找边界点(即探索目标)。它发布检测到的点,以便过滤节点进行处理。在多机器人配置中,该节点只运行一个实例。

如果需要,运行额外的全局边界探测器实例可以提高边界点的探测速度。

1.1. 参数

  • ~map_topic (字符串,默认为 “/robot_1/map”): 该参数定义节点接收地图的主题名称。
  • ~eta (浮点数,默认值:0.5): 该参数控制用于检测边界点的 RRT 增长率,单位为米。该参数应根据地图的大小来设置,数值越大,树的生长速度越快,因此检测边界点的速度也越快,但生长速度过大也意味着树会遗漏地图中的小角落。

1.2. 订阅的主题

  • map(主题名称由 ~map_topic 参数定义)(nav_msgs/OccupancyGrid)
  • clicked_point(geometry_msgs/PointStamped Message): global_rrt_frontier_detector 节点需要定义要探索的区域。本主题是节点接收定义区域的五个点的地方。前四个点定义了要探索的正方形区域(四个点需要能构成封闭图形,顺逆时针发布都行),最后一个点是树的起点。在此主题上发布这五个点后,RRT 将开始检测边界点。这五个点可以通过 Rviz 上的 Publish Point 按钮发布。

1.3. 发布的主题

  • detected_points (geometry_msgs/PointStamped Message): 节点发布检测到的边界点的主题。
  • ~shapes (visualization_msgs/Marker Message): 节点在此主题上发布线形,以便使用 Rviz 可视化 RRT。

2、local_rrt_frontier_detector

该节点与 global_rrt_frontier_detector 类似。但是它的工作方式有所不同,因为每次检测到一个边界点时,这里的树都会不断重置。该节点与 global_rrt_frontier_detector 节点同时运行,负责快速检测机器人附近的边界点。

在多机器人配置中,每个机器人运行一个 local_rrt_frontier_detector 实例。因此,对于一个由 3 个机器人组成的团队,将有 4 个节点用于检测边界点;3 个本地检测器和 1 个全局检测器。如果需要,运行额外的本地边界探测器实例可以提高边界点的检测速度。

所有检测器都将在同一主题(/detected_points)上发布检测到的边界点。

2.1. 参数

  • ~robot_frame (字符串,默认为 “/robot_1/base_link”):与机器人相连的框架。每次树重置时,都会从该帧获取的当前机器人位置开始。
  • ~map_topic (字符串,默认值:“/robot_1/map”): 该参数定义节点接收地图的主题名称。
  • ~eta (浮点数,默认值:0.5): 该参数控制本地 RRT 的增长率。

2.2. 订阅的主题

  • map(主题名称由 ~map_topic 参数定义)(nav_msgs/OccupancyGrid)。
  • clicked_point(geometry_msgs/PointStamped Message): 与 global_rrt_frontier_detector 类似,lobal_rrt_frontier_detector 也会订阅此主题。

2.3. 发布的主题

  • detected_points (geometry_msgs/PointStamped Message): 节点发布检测到的边界点的主题。
  • ~shapes (visualization_msgs/Marker Message): 节点在此主题上发布线形,以便使用 Rviz 可视化 RRT。

3、frontier_opencv_detector

该节点是另一个边界检测器,但不是基于 RRT。该节点使用 OpenCV 工具检测边界点。它可以单独运行,在多机器人配置中只需运行一个实例(运行该节点的其他实例不会产生任何影响)。

最初实施该节点是为了与基于 RRT 的边界点检测器进行比较。在运行 RRT 探测器(局部和全局)的同时运行该节点,可以提高边界点的探测速度。

注意:您可以运行任何类型和数量的探测器,所有探测器都将发布在过滤器节点(将在下一节中解释)订阅的同一主题上。另一方面,过滤器将把过滤后的边界点传递给分配器,以便命令机器人探索这些点。

3.1. 参数

  • ~map_topic (字符串,默认为"/robot_1/map"): 该参数定义了节点接收地图的主题名称。

3.2. 订阅的主题

  • map(主题名称由 ~map_topic 参数定义) (nav_msgs/OccupancyGrid)

3.3. 发布的主题

  • detected_points (geometry_msgs/PointStamped Message): 节点发布检测到的边界点的主题。
  • shapes(visualization_msgs/Marker Message): 节点在此主题上发布检测到的点,以便使用 Rviz 可视化。

4、filter

过滤节点从所有探测器接收检测到的边界点,对这些点进行过滤,然后将它们传递给分配节点,由分配节点指挥机器人。过滤包括删除旧点和无效点,以及删除冗余点。

4.1. 参数

  • ~map_topic (字符串,默认为"/robot_1/map"): 该参数定义了节点将接收地图的主题名称。地图用于了解哪些点不再是边界点(旧点)。
  • ~costmap_clearing_threshold (浮点数,默认值:70.0): 占用率值大于此阈值的任何边界点都将被视为无效点。占用率值从成本地图中获取。
  • ~info_radius(float, 默认值:1.0): 用于计算边界点信息增益的信息半径。
  • ~goals_topic (字符串,默认值:“/detected_points”):定义节点接收边界点检测结果的主题。
  • ~n_robots(浮点数,默认值:1.0): 机器人数量
  • ~rate(float,默认:100):节点循环速率(单位:Hz)。

4.2. 订阅的主题

  • map(主题名称由 ~map_topic 参数定义)(nav_msgs/OccupancyGrid)。
  • robot_x/move_base_node/global_costmap/costmap (nav_msgs/OccupancyGrid):其中 x(在 robot_x 中)指机器人编号。

过滤器节点订阅所有机器人的所有成本计算主题,因此需要成本计算。通常情况下,成本图应由 navigation stack 发布(在机器人上调出 navigation stack 后,每个机器人都会有一个成本图)。例如,如果 n_robots=2,节点将订阅:robot_1/move_base_node/global_costmap/costmaprobot_2/move_base_node/global_costmap/costmap。代价图用于删除无效点。

注意:与机器人相对应的所有节点的命名空间都应以 robot_x 开头。x 代表机器人编号。

  • goals topic(主题名称由 ~goals_topic 参数定义)(geometry_msgs/PointStamped Message): 过滤节点接收检测到的边界点的主题。

4.3. 发布的主题

  • frontiers(visualization_msgs/Marker Message): 过滤节点将接收到的边界点发布到 Rviz 上进行可视化的主题。
  • centroids(visualization_msgs/Marker Message):过滤节点将接收到的边界点发布到 Rviz 上进行可视化的主题: 过滤节点仅将过滤后的边界点发布到 Rviz 上进行可视化的主题。
  • filtered_points(PointArray): 所有过滤后的点都会以点数组的形式发送到此主题上的分配器节点。

5、Assigner

该节点接收目标探索目标,即过滤器节点发布的经过过滤的边界点,并据此对机器人发出指令。分配器节点通过 move_base_node 命令机器人。这就是在机器人上设置 navigation stack 的原因。

5.1. 参数

  • ~map_topic (字符串,默认为"/robot_1/map"): 该参数定义了节点接收地图的主题名称。在单机器人情况下,该主题应设置为机器人的地图主题。在多机器人情况下,该主题必须设置为全局合并地图。
  • ~info_radius(float, 默认值: 1.0): 用于计算边界点信息增益的信息半径。
  • ~info_multiplier(float, 默认值:3.0):单位为米。该参数用于重视边界点的信息增益,而不是成本(到边界点的预期旅行距离)。
  • ~hysteresis_radius(float, 默认值:3.0): 单位为米。该参数定义滞后半径。
  • ~hysteresis_gain(float, 默认值:2.0):滞后半径: 单位为米。该参数定义磁滞增益。
  • ~frontiers_topic (字符串,默认值:“/filtered_points”): 分配器节点接收过滤边界点的主题。
  • ~n_robots(浮点数,默认值:1.0): 机器人数量。
  • ~delay_after_assignement(float, 默认值:0.5):单位为秒。它定义了每次机器人分配后的延迟时间。
  • ~rate(float,默认值:100):节点循环速率(单位 Hz)。

5.2. 订阅的主题

  • map(主题名称由 ~map_topic 参数定义)(nav_msgs/OccupancyGrid)。
  • Filtered frontier points topic(主题名称由 ~frontiers_topic 参数定义)(PointArray)。

5.3. 发布的主题

分配节点不会发布任何信息。它使用 actionlib 将指定的点发送到 move_base_node(指定节点是 move_base_node actionlib 服务器的 actionlib 客户端)。

六、分析

关于 global 与 local detector:
当检测到一个边界点时,local detector 会 reset,并且会基于机器人当前的位置重新生长。这带来两个好处:
1、检测边界点更快。因为机器人总是会向着边界点移动,而如果RRT树从机器人当前的位置开始,那么它到达未知区域的概率更高。
2、机器人可能会miss掉一些地图上边角的小的边界点,而为了解决这个问题,就通过global detector。但随着地图的变大,global detector会越来越慢(或者说,随着树的变大,exploration会变慢),为此需要local detector

关于assigner,其基于以下几个要素来分配机器人导航的目标点:
1、Navigation cost
2、Information gain

参考:

  1. https://github.com/hasauino/rrt_exploration
  2. http://wiki.ros.org/rrt_exploration
  3. 论文:Autonomous robotic exploration based on multiple rapidly-exploring randomized trees
  4. ROS仿真笔记之——基于rrt_exploration的单个机器人自主探索建图
  5. http://wiki.ros.org/rrt_exploration/Tutorials/singleRobot
  6. 基于rrt_exploration实现自主建图(ros)
  7. ROS移动机器人基于RRT(快速探索随机树)算法 rrt_exploration实现真实机器人自主探索建图

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/216544.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

CTA-GAN:基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影 CT到增强CT的合成技术

Generative Adversarial Network–based Noncontrast CT Angiography for Aorta and Carotid Arteries 基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影背景贡献实验方法损失函数Thinking 基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影 https://github.com/ying-f…

Matplotlib图形配置与样式表_Python数据分析与可视化

Matplotlib图形配置与样式表 配置图形修改默认配置rcParams样式表 Matplotlib的默认图形设置经常被用户诟病。虽然2.0版本已经有了很大改善&#xff0c;但是掌握自定义配置的方法可以让我们打造自己的艺术风格。 配置图形 我们可以通过修个单个图形配置&#xff0c;使得最终图…

Python3.7 win7系统安装openCV方案

为了使用机房电脑处理数字图像问题&#xff0c;在win7系统安装了python opencv, 测试使用的是官网下载python3.7.7版本&#xff0c;如果官网安装&#xff0c;直接安装即可 pip install python-opencv 这样会自动安装对应版本的numpy 如果官网安装很慢&#xff0c;想使用镜像安…

Apache Superset数据分析平台如何实现公网实时远程访问数据【内网穿透】

文章目录 前言1. 使用Docker部署Apache Superset1.1 第一步安装docker 、docker compose1.2 克隆superset代码到本地并使用docker compose启动 2. 安装cpolar内网穿透&#xff0c;实现公网访问3. 设置固定连接公网地址 前言 Superset是一款由中国知名科技公司开源的“现代化的…

关于提示SLF4J: Class path contains multiple SLF4J bindings的问题解决

今天搭建hbase的时候启动hbase的时候shell面板输入了一大堆日志&#xff0c;如下&#xff1a; stopping hbase.....................SLF4J: Class path contains multiple SLF4J bindings.SLF4J: Found binding in [jar:file:/opt/software/hadoop-3.1.3/share/hadoop/common/l…

篮桥云课-摆玩具

思维好题 一开始掉进了二分的陷阱&#xff0c;发现看看逐个位置的差&#xff0c;我们要分成k段就是要取消k-1个最大的逐差 然后将剩余的加起来就可以了 因为本体保证是从小到大给出的 这一点保证了答案的正确性&#xff0c;自己没想出来 还是太菜了 #include<bits/stdc.h&…

【Java从入门到大牛】网络编程

&#x1f525; 本文由 程序喵正在路上 原创&#xff0c;CSDN首发&#xff01; &#x1f496; 系列专栏&#xff1a;Java从入门到大牛 &#x1f320; 首发时间&#xff1a;2023年11月23日 &#x1f98b; 欢迎关注&#x1f5b1;点赞&#x1f44d;收藏&#x1f31f;留言&#x1f4…

手表出行之腕上畅玩—支付宝篇

线上支付己经成为我们生活中不可或缺的一部分&#xff0c;手表的支付功能又进一步提升了购物的便捷度&#xff0c;将手表与支付宝App绑定后就能够快速体验抬腕支付、抬腕乘车以及抬腕收集支付宝能量等玩法&#xff01;

Java基于springoot开发的企业招聘求职网站

演示视频&#xff1a; https://www.bilibili.com/video/BV1xw411n7Tu/?share_sourcecopy_web&vd_source11344bb73ef9b33550b8202d07ae139b 技术&#xff1a;springootmysqlvuejsbootstrappoi制作word模板 主要功能&#xff1a;求职者可以注册发布简历&#xff0c;选择简…

使用STM32+SPI Flash模拟U盘

试验目的&#xff1a;使用STM32F103C8T6 SPI Flash&#xff08;WSQ16&#xff09;实现模拟U盘的功能 SPI Flash读写说明&#xff1a; Step1 设置SPI1 用于读取SPI Flash&#xff1b; Step2&#xff1a;设置SPI Flash 的使能信号 Step3&#xff1a;使能USB通信 Step4&#xf…

数据资产确权的难点

数据是企业的重要资产之一&#xff0c;但是许多企业对于这项资产在管理上都面临着一些挑战&#xff0c;其中最关键就是数据确权的问题。接下来&#xff0c;将探讨数据资产确权的难点&#xff0c;并提出相应的解决方案&#xff0c;一起来看吧。 首先介绍一下数据资产入表的背景以…

hdlbits系列verilog解答(Exams/m2014 q4h)-44

文章目录 一、问题描述二、verilog源码三、仿真结果 一、问题描述 实现以下电路&#xff1a; 二、verilog源码 module top_module (input in,output out);assign out in;endmodule三、仿真结果 转载请注明出处&#xff01;