【cartographer_ros】八：官方Demo参数配置和效果

2023年6月4日上午8:31 • 人工智能 • 阅读 101

上一节介绍cartographer的主要配置参数。
本节会研究一下这些参数改动，对算法的影响和效果，cartographer的调参一直是一个比较复杂的过程。

(1):调整本地 SLAM

关闭全局 SLAM 以免干扰本地调优：

POSE_GRAPH.optimize_every_n_nodes = 0

设置正确的子图大小：

TRAJECTORY_BUILDER_2D.submaps.num_range_data

调整CeresScanMatcher，使偏离先验的代价变得高昂：


TRAJECTORY_BUILDER_2D.ceres_scan_matcher.translation_weight = 2e2&#xA0;
TRAJECTORY_BUILDER_2D.ceres_scan_matcher.rotation_weight = 4e2&#xA0;

(2):低延迟

为了调整全局 SLAM 以降低延迟，我们减少其计算负载，直到始终跟上实时输入。低于此阈值，我们不会进一步降低它，而是尝试达到最佳质量。

为了减少全局 SLAM 延迟，我们可以：


&#x964D;&#x4F4E; optimize_every_n_nodes
&#x589E;&#x52A0; MAP_BUILDER.num_background_threads
&#x964D;&#x4F4E; global_sampling_ratio
&#x964D;&#x4F4E; constraint_builder.sampling_ratio
&#x589E;&#x52A0; constraint_builder.min_score
&#x5BF9;&#x4E8E;&#x81EA;&#x9002;&#x5E94;&#x4F53;&#x7D20;&#x6EE4;&#x6CE2;&#x5668;, &#x964D;&#x4F4E; .min_num_points, .max_range, &#x589E;&#x52A0; .max_length
&#x589E;&#x52A0; voxel_filter_size, submaps.resolution, &#x964D;&#x4F4E; submaps.num_range_data
&#x964D;&#x4F4E; search windows sizes, .linear_xy_search_window, .linear_z_search_window, .angular_search_window
&#x589E;&#x52A0; global_constraint_search_after_n_seconds
&#x964D;&#x4F4E; decrease max_num_iterations

要调整局部 SLAM 以降低延迟，我们可以：


&#x589E;&#x52A0; voxel_filter_size
&#x589E;&#x52A0; submaps.resolution
&#x5BF9;&#x4E8E;&#x81EA;&#x9002;&#x5E94;&#x4F53;&#x7D20;&#x6EE4;&#x6CE2;&#x5668;, &#x964D;&#x4F4E; .min_num_points, .max_range, &#x589E;&#x52A0; .max_length
&#x964D;&#x4F4E; max_range (&#x5C24;&#x5176;&#x662F;&#x5982;&#x679C;&#x6570;&#x636E;&#x6709;&#x566A;&#x58F0;&#x7684;&#x8BDD;)
&#x964D;&#x4F4E; submaps.num_range_data

(3):纯定位

要调整纯定位模式，我们应该首先启用 TRAJECTORY_BUILDER.pure_localization = true 并大幅度减少 POSE_GRAPH.optimize_every_n_nodes 以接收频繁的结果。有了这些设置，全局 SLAM 通常会太慢，跟不上。
作为下一步，我们大幅度降低 global_sampling_ratio 和 constraint_builder.sampling_ratio 以抵消大量的约束。然后我们按照上面的解释调整参数来保持较低的延迟，直到系统可靠地实时工作。

(4):全局优化中的里程计

如果使用单独的里程计源作为本地 SLAM ( ) 的输入，我们还可以调整全局 SLAM 以从这些附加信息中受益。

use_odometry = true

总共有四个参数允许我们在优化中调整局部 SLAM 和里程计的各个权重：

POSE_GRAPH.optimization_problem.local_slam_pose_translation_weight
POSE_GRAPH.optimization_problem.local_slam_pose_rotation_weight
POSE_GRAPH.optimization_problem.odometry_translation_weight
POSE_GRAPH.optimization_problem.odometry_rotation_weight

我们可以根据我们对本地 SLAM 或里程计的信任程度来设置这些权重。默认情况下，里程计被加权到类似于局部 slam（扫描匹配）姿势的全局优化中。然而，车轮编码器的里程计通常在旋转中具有很高的不确定性。在这种情况下，可以减少旋转重量，甚至可以减少到零。

以revo_lds.lua为例：

MAP_BUILDER.use_trajectory_builder_2d = true

TRAJECTORY_BUILDER_2D.submaps.num_range_data = 35
TRAJECTORY_BUILDER_2D.min_range = 0.3
TRAJECTORY_BUILDER_2D.max_range = 8.

TRAJECTORY_BUILDER_2D.missing_data_ray_length = 1.

TRAJECTORY_BUILDER_2D.use_imu_data = false
TRAJECTORY_BUILDER_2D.use_online_correlative_scan_matching = true
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.linear_search_window = 0.1
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.translation_delta_cost_weight = 10.

TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.rotation_delta_cost_weight = 1e-1

POSE_GRAPH.optimization_problem.huber_scale = 1e2
POSE_GRAPH.optimize_every_n_nodes = 35
POSE_GRAPH.constraint_builder.min_score = 0.65

submap.num_range_data
real_time_correlative_scan_matcher.rotation_delta_cost_weiht
bool use_online_correlative_scan_matching
Ceres.POSE_GRAPH.constraint_builder.fast_correlative_scan_matcher.branch_and_bound_depth
real_time_correlative_scan_matcher.real_time_correlative_scan_matcher.linear_search_window
real_time_correlative_scan_matcher.real_time_correlative_scan_matcher.angular_search_window
real_time_correlative_scan_matcher( translation_delta_cost_weight)/(rotation_delta_cost_weight)

--&#x4E00;&#x4E2A;&#x5B50;&#x56FE;&#x63D2;&#x5165;&#x591A;&#x5C11;&#x4E2A;&#x8282;&#x70B9;&#xFF0C;&#x6839;&#x636E;laser&#x548C;&#x8FD0;&#x52A8;&#x901F;&#x5EA6;&#x8FDB;&#x884C;&#x5177;&#x4F53;&#x7684;&#x8C03;&#x6574;
TRAJECTORY_BUILDER_2D.submaps.num_range_data = 35.

--&#x96F7;&#x8FBE;&#x7684;&#x6700;&#x5927;&#x6700;&#x5C0F;&#x8DDD;&#x79BB;&#xFF0C;&#x6839;&#x636E;&#x96F7;&#x8FBE;&#x786C;&#x4EF6;&#x8BBE;&#x5B9A;
TRAJECTORY_BUILDER_2D.min_range = 0.3
TRAJECTORY_BUILDER_2D.max_range = 100.

--&#x4F7F;&#x7528;&#x591A;&#x9AD8;&#x4EE5;&#x4E0A;&#x7684;&#x70B9;&#x4E91;&#xFF0C;&#x5355;&#x7EBF;&#x7684;&#x65F6;&#x5019;&#x4E0D;&#x8981;&#x8BBE;&#x7F6E;&#xFF0C;&#x591A;&#x7EBF;&#x9632;&#x6B62;&#x6253;&#x5230;&#x5730;&#x9762;&#x4E0A;&#x7684;&#x70B9;&#x5E72;&#x6270;&#x5EFA;&#x56FE;
TRAJECTORY_BUILDER_2D.min_z = 0.2&#xA0;
--&#x4F53;&#x7D20;&#x6EE4;&#x6CE2;&#x53C2;&#x6570;
TRAJECTORY_BUILDER_2D.voxel_filter_size = 0.02
--ceres&#x5730;&#x56FE;&#x7684;&#x626B;&#x63CF;&#xFF0C;&#x5E73;&#x79FB;&#xFF0C;&#x65CB;&#x8F6C;&#x7684;&#x6743;&#x91CD;&#xFF0C;&#x5F71;&#x54CD;&#x5EFA;&#x56FE;&#x6548;&#x679C;&#xFF0C;&#x5176;&#x4ED6;&#x57FA;&#x672C;&#x4E0A;&#x662F;&#x5F71;&#x54CD;&#x8BA1;&#x7B97;&#x91CF;&#x7B49;
--&#x626B;&#x63CF;&#x5339;&#x914D;&#x70B9;&#x4E91;&#x548C;&#x5730;&#x56FE;&#x5339;&#x914D;&#x7A0B;&#x5EA6;&#xFF0C;&#x503C;&#x8D8A;&#x5927;&#xFF0C;&#x70B9;&#x4E91;&#x548C;&#x5730;&#x56FE;&#x5339;&#x914D;&#x7F6E;&#x4FE1;&#x5EA6;&#x8D8A;&#x9AD8;
TRAJECTORY_BUILDER_2D.ceres_scan_matcher.occupied_space_weight = 10.

--&#x6B8B;&#x5DEE;&#x5E73;&#x79FB;&#x3001;&#x65CB;&#x8F6C;&#x5206;&#x91CF;&#xFF0C;&#x503C;&#x8D8A;&#x5927;&#xFF0C;&#x8D8A;&#x4E0D;&#x76F8;&#x4FE1;&#x548C;&#x5730;&#x56FE;&#x5339;&#x914D;&#x7684;&#x6548;&#x679C;&#xFF0C;&#x800C;&#x662F;&#x8D8A;&#x76F8;&#x4FE1;&#x5148;&#x9A8C;&#x4F4D;&#x59FF;&#x7684;&#x7ED3;&#x679C;
TRAJECTORY_BUILDER_2D.ceres_scan_matcher.translation_weight = 1.&#xA0;
--&#x5982;&#x679C;imu&#x4E0D;&#x597D;&#xFF0C;&#x63A5;&#x5165;&#x540E;&#x5730;&#x56FE;&#x65CB;&#x8F6C;&#x5389;&#x5BB3;&#xFF0C;&#x53EF;&#x4EE5;&#x5C06;&#x8FD9;&#x91CC;&#x7684;&#x65CB;&#x8F6C;&#x6743;&#x91CD;&#x51CF;&#x5C0F;
TRAJECTORY_BUILDER_2D.ceres_scan_matcher.rotation_weight = 1.

-- 2&#x500D;&#x7684;num_range_data&#x4EE5;&#x4E0A;
POSE_GRAPH.optimize_every_n_nodes = 70.&#xA0;
-- &#x5982;&#x679C;&#x6DFB;&#x52A0;&#x7684;&#x7EA6;&#x675F;&#x4E0E;&#x6F5C;&#x5728;&#x7EA6;&#x675F;&#x7684;&#x6BD4;&#x4F8B;&#x4F4E;&#x4E8E;&#x6B64;&#x6BD4;&#x4F8B;,&#x5219;&#x5C06;&#x6DFB;&#x52A0;&#x7EA6;&#x675F;&#xA0;
POSE_GRAPH.constraint_builder.sampling_ratio = 0.3
-- &#x5728;&#x5B50;&#x56FE;&#x9644;&#x8FD1;&#x8003;&#x8651;&#x59FF;&#x52BF;&#x7684;&#x9608;&#x503C;,&#x5927;&#x4E8E;&#x8FD9;&#x4E2A;&#x503C;&#x5C06;&#x88AB;&#x7565;&#x8FC7;
POSE_GRAPH.constraint_builder.max_constraint_distance = 15.

-- &#x56DE;&#x73AF;&#x68C0;&#x6D4B;&#x9608;&#x503C;&#xFF0C;&#x5982;&#x679C;&#x4E0D;&#x7A33;&#x5B9A;&#x6709;&#x9519;&#x8BEF;&#x5339;&#x914D;&#xFF0C;&#x53EF;&#x4EE5;&#x63D0;&#x9AD8;&#x8FD9;&#x4E24;&#x4E2A;&#x503C;&#xFF0C;&#x573A;&#x666F;&#x91CD;&#x590D;&#x53EF;&#x4EE5;&#x964D;&#x4F4E;&#x6216;&#x8005;&#x5173;&#x95ED;&#x56DE;&#x73AF;
POSE_GRAPH.constraint_builder.min_score = 0.55
POSE_GRAPH.constraint_builder.global_localization_min_score = 0.60

【完】

在前面的文章中，介绍了数据的发布，和参数配置，下一节就开始介绍使用自己的数据，在cartographer进行建图和定位。

Original: https://www.cnblogs.com/CloudFlame/p/16517131.html
Author: CloudFlame
Title: 【cartographer_ros】八：官方Demo参数配置和效果

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/566790/

转载文章受原作者版权保护。转载请注明原作者出处！

人工智能

【自取】最近整理的，有需要可以领取学习：

Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言刷题答案下载！

python 科大讯飞文本转语音接口 + QT简单界面

由于是实验做的，且有点赶，也就没有怎么整理和疏通，只要能运行就行了。所以仅供借鉴，问题肯定很多，在这只是记录一下所学。首先你需要注册科大讯飞AI开放平台的账号，领取新用户免费额度…

人工智能 2023年5月27日
0057
文本理解的可行性分析

一、意识化与文字的关联我们大多数人从出生的第一个问题通常是：”妈妈，我是从哪里来的啊？” 这个问题代表着小孩意识的兴起，即探寻自我的来源。然而这句话本身…

人工智能 2023年6月10日
0066
TensorFlow在哪些领域被广泛应用

介绍 TensorFlow是一个开源的深度学习框架，被广泛应用于多个领域，包括计算机视觉、自然语言处理、语音识别等。它提供了一个灵活且高效的编程接口，可以用于构建、训练和部署各种机…

人工智能 2023年12月30日
0050
【笔记】PyTorch快速入门：数据准备工作

Tensors Tensors贯穿PyTorch始终和多维数组很相似，一个特点是可以硬件加速有很多方式直接给值 data = [[1,2],[3,4]] x_data = t…

人工智能 2023年6月4日
0078
知识图谱学习笔记3

知识抽取从不同来源、不同结构的数据中进行知识提取，形成知识(结构化数据)存入到知识图谱命名实体识别检测: 北京是忙碌的城市。 [北京]：实体分类：北京是忙碌的城市。 [北…

人工智能 2023年6月10日
0082
python数据处理—-数据对象常用的属性、方法

读取CSV文件为DataFrame对象使用read_csv()方法读取csv数据成为DataFrame对象： import pandas as pd data = pd.read…

人工智能 2023年7月16日
0041
彩色空间转换

目录前言 RGB彩色空间 NTSC彩色空间 YCbCr彩色空间 HSV彩色空间 CMY(K)彩色空间 HSI彩色空间代码实现（MATLAB）：前言人类获取信息很大一部分是依…

人工智能 2023年6月22日
0068
[Python] 变量重分类（连续变量重分类、离散变量重分类）

目录 1. Python连续变量重分类 1.1 等宽重编码 1.2 等频重编码 2. 离散变量重分类 2.1 分类后为1个指标 2.2 分类后为多个指标 Python连续变量重分类…

人工智能 2023年6月11日
0077
【MySQL功法】第5话 · SQL单表查询

🍺 写在前面闲话不多说，最近开始写关于数据分析的基础知识，未来对于数据分析的路线规划也在逐步计划中，但是有关【数据库】这类内容肯定是不可缺少的基础知识储备，所以对数据分析有兴趣…

人工智能 2023年7月16日
0057
在jupyter notebook中使用pytorch

笔者刚开始学习pytorch时便遇到了无法在jupyter notebook使用anaconda配置的环境的问题，当时尝试了各种方法：卸载重装anaconda、pytorch环境、…

人工智能 2023年7月20日
0090
使用树莓派4b和OpenCV做机械臂夹取

文章目录前言一、基本功能二、主要代码 1.图像处理部分 2.舵机驱动部分前言本人第一次在csdn上发技术类文章，原谅在此多说一些废话。项目是自己的毕设，比较简单还望不要见…

人工智能 2023年6月19日
0094
灰色预测模型

一、灰色预测的概念及思想灰色系统是指系统数据有一些是未知，有一些是已知。白色系统是全都已知，黑色系统是全都未知。而灰色预测就是对含有已知和未知信息的系统进行预测，寻找数据变动规…

人工智能 2023年7月28日
0061
CBAM——即插即用的注意力模块（附代码）

论文：CBAM: Convolutional Block Attention Module 代码： code 目录前言 1.什么是CBAM？（1）Channel attenti…

人工智能 2023年7月3日
0049
Pandas+Pyecharts | 北京某平台二手房数据分析+可视化

用pandas进行数据处理，pyecharts对处理后的数据进行可视化分析市面上二手房各项基本特征及房源分布情况，探索二手房大数据背后的规律。Pyecharts的使用参考文档Pye…

人工智能 2023年6月19日
0096
Pandas库的使用

配套免费资源地址:https://download.csdn.net/download/qq_52053775/86757972 给个好评吧！ 1.常用操作 (1).创建dataf…

人工智能 2023年7月6日
0055
【Vision-Language】VLMo: Unified Vision-Language Pre-Training with Mixture-of-Modality-Experts

链接：https://arxiv.org/pdf/2111.02358.pdf 简介首先我们做一些背景介绍，什么是 vision-language？众所周知，目前人工智能涉及一个…

人工智能 2023年5月30日
0072

2024 年 4 月
一	二	三	四	五	六	日
1	2	3	4	5	6	7
8	9	10	11	12	13	14
15	16	17	18	19	20	21
22	23	24	25	26	27	28
29	30

【cartographer_ros】八： 官方Demo参数配置和效果

(1):调整本地 SLAM

(2):低延迟

(3):纯定位

(4):全局优化中的里程计

大家都在看

【cartographer_ros】八：官方Demo参数配置和效果