【ROS入门】如何在ROS中使用PCL
官方教程：
1.创建一个ROS包
$ catkin_create_pkg my_pcl_tutorial pcl_conversions pcl_ros roscpp sensor_msgs
修改package.xml 添加
<build_depend>libpcl-all-dev</build_depend>
<exec_depend>libpcl-all</exec_depend>
2.创建代码框架
创建一个名为src / example.cpp的空文件，并将以下代码粘贴到其中：
#include 初始化ROS，为PointCloud2数据创建订阅者和发布者。
3.将源文件添加到CMakeLists.txt
在新创建的功能包中编辑CMakeLists.txt文件，并添加：
add_executable(example src/example.cpp)
target_link_libraries(example ${catkin_LIBRARIES})
4.从PCL教程下载源代码
PCL大约有四种表示点云数据的方式，类型是：
sensor_msgs :: PointCloud — ROS消息（不建议使用）
sensor_msgs :: PointCloud2 — ROS消息
pcl :: PCLPointCloud2 — PCL数据结构主要是为了与ROS兼容
pcl :: PointCloud < T> —标准PCL数据结构
重点关注ROS消息（sensor_msgs :: PointCloud2）和标准PCL数据结构（pcl :: PointCloud < T>）。
pcl :: PCLPointCloud2也是一种重要且有用的类型：可以使用该类型直接订阅节点，并且它将自动与sensor_msgs类型进行序列化。pcl :: PCLPointCloud2
- sensor_msgs / PointCloud2
如果您想保存一些复制和粘贴的信息，可以在此处下载此示例的源文件。将文件重命名为example.cpp或编辑CMakeLists.txt即可。
sensor_msgs / PointCloud2格式是一个ROS消息，用于ROS应用的首选。
在下面的示例中，我们使用3D网格对PointCloud2结构进行下采样，从而大大减少了输入数据集中的点数。
要将此功能添加到上面的代码框架中，请执行以下步骤：
请访问http://www.pointclouds.org/documentation/，单击“教程”，然后使用VoxelGrid过滤器教程（http://www.pointclouds.org/documentation/tutorials/voxel_grid.php）导航到对PointCloud进行降采样。
阅读此处提供的代码和说明。该代码主要分为三部分：
加载云（9-19行）
处理云（第20-24行）
保存输出（第25-32行）
由于我们在上面的代码片段中使用了ROS订阅者和发布者，因此可以忽略使用PCD格式加载和保存点云数据。因此，本教程中唯一相关的部分仍然是第20-24行，它们创建PCL对象，传递输入数据并执行实际计算：
// Create the filtering object
pcl::VoxelGrid<pcl::PCLPointCloud2> sor;
sor.setInputCloud (cloud);
sor.setLeafSize (0.01, 0.01, 0.01);
sor.filter (*cloud_filtered);
在这些行中，输入数据集称为cloud，输出数据集称为cloud_filtered。需要做一些额外的工作才能将 ROS消息转换为PCL类型。修改回调函数，如下所示：
#include
...
void
cloud_cb (const sensor_msgs::PointCloud2ConstPtr& cloud_msg)
{
// Container for original & filtered data
pcl::PCLPointCloud2* cloud = new pcl::PCLPointCloud2;
pcl::PCLPointCloud2ConstPtr cloudPtr(cloud);
pcl::PCLPointCloud2 cloud_filtered;
// Convert to PCL data type
pcl_conversions::toPCL(*cloud_msg, *cloud);
// Perform the actual filtering
pcl::VoxelGrid<pcl::PCLPointCloud2> sor;
sor.setInputCloud (cloudPtr);
sor.setLeafSize (0.1, 0.1, 0.1);
sor.filter (cloud_filtered);
// Convert to ROS data type
sensor_msgs::PointCloud2 output;
pcl_conversions::fromPCL(cloud_filtered, output);
// Publish the data
pub.publish (output);
}
请注意，我们必须将变量名输入更改为cloud，并将输出名更改为cloud_filtered，以便与我们复制的教程中的代码匹配。
请注意，此处效率略有下降。该fromPCL可以替换moveFromPCL防止复制整个（过滤后）的点云。但是，由于原始输入为const，因此无法以这种方式优化toPCL调用。
保存输出文件，然后构建：
$ cd %TOP_DIR_YOUR_CATKIN_HOME%
$ catkin_make
然后运行：
$ rosrun my_pcl_tutorial example input:=/narrow_stereo_textured/points2
或者，如果您正在运行兼容OpenNI的深度传感器，请尝试：
$ roslaunch openni_launch openni.launch
$ rosrun my_pcl_tutorial example input:=/camera/depth/points
您可以通过运行RViz可视化结果：
$ rosrun rviz rviz
添加“ PointCloud2 ”显示。选择camera_depth_frame的固定框架（或任何框架适合您的传感器），并选择输出为PointCloud2话题。您应该会看到高度降采样的点云。为了进行比较，您可以查看/ camera / depth / points主题，并查看已被缩减采样的数量。
- pcl/PointCloud< T>
与前面的示例一样，如果要跳过一些步骤，则可以在此处下载此示例的源文件。
所述pcl/PointCloud< T>格式表示内部PCL点云格式。
出于模块化和效率的原因，该格式在点类型上进行了模板化，并且PCL提供了与SSE对齐的模板化常见类型的列表。
以下示例中，估计在一个场景中的最大平面的平面系数。
要将此功能添加到上面的代码框架中，请执行以下步骤：
请访问http://www.pointclouds.org/documentation/，单击“教程”，然后导航至“ 平面模型细分”教程（http://www.pointclouds.org/documentation/tutorials/planar_segmentation.php）
阅读此处提供的代码和说明。该代码主要分为三部分：
创建一个云并为其填充值（第12-30行）
处理云（38-56）
写系数（58-68）
由于我们在上面的代码片段中使用ROS订阅，因此我们可以忽略第一步，而直接处理在回调中接收到的云。因此，本教程中唯一相关的部分仍然是第38-56行，它们创建PCL对象，传递输入数据并执行实际计算：
pcl::ModelCoefficients coefficients;
pcl::PointIndices inliers;
// Create the segmentation object 创建细分对象
pcl::SACSegmentation<pcl::PointXYZ> seg;
// Optional
seg.setOptimizeCoefficients (true);
// Mandatory
seg.setModelType (pcl::SACMODEL_PLANE);
seg.setMethodType (pcl::SAC_RANSAC);
seg.setDistanceThreshold (0.01);
seg.setInputCloud (cloud.makeShared ());
seg.segment (inliers, coefficients);
输入数据集名为cloud，类型为pcl :: PointCloud < pcl :: PointXYZ>，输出由一组点索引表示，这些点索引包含平面以及平面系数。cloud.makeShared（）创建了一个提升的shared_ptr的对象物体云（PCL ::点云API文档）。
通过如下修改回调函数，在上面的代码片段中复制这些行：
#include 注意，我们添加了两个转换步骤：从sensor_msgs / PointCloud2到pcl / PointCloud < T>和从pcl :: ModelCoefficients到pcl_msgs :: ModelCoefficients。将发布的变量从输出更改为系数。
此外，由于我们现在要发布找到的平面模型系数而不是点云数据，因此我们必须将发布者类型从以下更改：
// Create a ROS publisher for the output point cloud，为输出点云创建ROS发布器
pub = nh.advertise<sensor_msgs::PointCloud2> ("output", 1);
// Create a ROS publisher for the output model coefficients，为输出模型系数创建ROS发布器
pub = nh.advertise<pcl_msgs::ModelCoefficients> ("output", 1);
保存输出文件，然后编译并运行上面的代码：
$ rosrun my_pcl_tutorial example input:=/narrow_stereo_textured/points2
或者，如果您正在运行兼容OpenNI的深度传感器，请尝试：
$ rosrun my_pcl_tutorial example input:=/camera/depth/points
查看输出
$ rostopic echo output