搭建机器人模型进行slam过程记录

有需要的小伙伴可以在评论区留言获取完整的工作空间代码包

环境：ubuntu18.04， ROS melodic

机器人底盘URDF文件编写

首先在工作空间目录下创建一个功能包，用来放置机器人模型，以及对机器人模型进行可视化操作

catkin_creating_pkg mrobot_description urdf xacro

该功能包需要 urdf 和 xacro 这两个依赖

进入 mrobot_description 文件夹并创建一个 urdf 文件夹，用来放置机器人的模型文件

下面进入对机器人的urdf文件的编写。URDF即 United Robot Description Format，统一机器人描述格式，这是ROS中重要的机器人模型描述格式。完整代码如下所示，对于重要的部分，我进行了注释。

完成了底盘urdf文件的编写之后，我们可以使用两个小工具对编写的正确性进行检验

通过命令check_urdf mrobot_chassis.urdf可以check语法错误，编写正确的运行结果如下所示：

 

还可以通过命令urdf_to_graphiz mrobot_chassis.urdf查看urdf文件的整体结构：

 

urdf文件编写没有问题的话，下面我们将机器人模型在rviz中进行可视化。

还在刚刚的 mrobot_desription文件夹下，创建一个 launch文件夹，编写一个 display_mrobot_chassis_urdf.launch文件

在工作空间下通过catkin_make 命令进行编译，在工作空间路径下执行以下命令

source ./devel/setup.bash

roslaunch mrobot_description display_mrobot_chassis_urdf.launch

可以看到机器人的模型成功展示出来了。

现在仅仅是将机器人的外形展示了出来，对于仿真是不足够的，还需要机器人的质量、惯性张量、碰撞体积等参数，下面以base_link 为例加入和标签

需要强调的是惯性张量可以通过solidworks等三维建模软件进行计算得到，碰撞体积是对于外形的简化，以减少计算量，这里机器人本身的模型已经比较简单了，碰撞模型和本身模型进行了重叠。

机器人底盘XACRO文件编写

xacro是另一种精简化、可复用、模块化的描述形式，可以建立宏定义，也支持一些可编程接口，比如常量、变量、数学公式、条件语句等。

下面是机器人底盘的xacro文件。

xacro 文件与URDF文件很相似，类似于，是xacro中定义的常量，需要提到的是，在xacro文件中根link并不是base_link而是base_footprint，引入base_footprint主要是解决机器人模型会有一部分处在rviz中的grid之下，引入base_footprint可以方便的更改机器人本体的位置。

如需改变机器人某个link的尺寸，直接修改前面的常量即可，简洁了许多，这里xacro文件中直接定义了一个宏定义，我们可以再编写一个xacro文件引用该文件，并直接使用该宏定义，增强了代码的复用性，而且后期完成slam任务时，我们还需要摄像头或者雷达等传感器，这样只需要更改上层的xacro文件即可，结构清晰。

下面来创建另一个xacro文件来引用 mrobot_body.urdf.xacro.

可以看到，这套代码相当简洁。

下面再编写一个launch文件对xacro文件的机器人模型在rviz中进行可视化。

下面是运行结果。

 

通过ArbotiX和rviz控制机器人运动

ArbotiX是一款控制电机、舵机的控制板，并提供相应的ROS功能包，这个功能包不仅能驱动真实的ArbotiX控制板，它还提供相应的ROS功能包，这个功能包提供了一个差速控制器，通过接收速度控制指令更新机器人的joint状态，即通过监听/cmd_vel话题，将话题信息转化为joint的转动。

首先进行ArbotiX的安装，通过命令git clone GitHub - vanadiumlabs/arbotix_ros: Arbotix ROS drivers repository进行clone，由于网络限制的问题，可能会失败，可以使用科学上网的方式，down在windows中再copy到虚拟机中，目前（2022/12）github托管的功能包是适配ROS-Noetic版本，需要进行更改，使之适配于melodic版本。

melodic中默认python为2.7版本的，找到图中的py文件，将第一行的 #!/usr/bin/env python3 改为

#!/usr/bin/env python，然后在工作空间下进行catkin_make编译

 

接下来进行ArbotiX控制器的配置。

首先在mrobot_description文件下创建一个config文件夹，创建一个fake_mrobot_arbotix.yaml文件

controllers: {
  base_controller: {type: diff_controller, base_frame_id: base_footprint, base_width: 0.26, ticks_meter: 4100, Kp: 12, Kd: 12, Ki: 0, Ko: 50, accel_limit: 1.0 }  
}

注意yaml文件的语法，每个冒号后面都要跟一个空格。

接下来创建一个launch文件

这个launch文件主要多了一个控制器节点。再完成这两部分之后，我们还需要对之前的xacro文件修改，因为控制器的作用是监听/cmd_vel话题，将信息更新到joint上，因此模型的joint和控制器joint名称应统一，把xacro中的 left_wheel_joint 和 right_wheel_joint 改为 base_l_wheel_link 和 base_r_wheel_link.

最后使用键盘控制节点，控制机器人在rviz中运动

通过命令sudo apt-get install ros-melodic-teleop-twist-board安装键盘控制节点

roslaunch mrobot_description arbotix_mrobot.launch

rosrun teleop_twist_keyboard teleop_twist_keyboard.py

运行结果如下，通过键盘即可控制机器人在rviz中运动。

Gazebo运动仿真

首先在gazebo中建立一个仿真环境，通过命令

roscore

rosrun gazebo_ros gazebo

打开gazebo软件，如果出现如下所示的错误，一般是由于虚拟机的显卡加速设置导致的。

gedit ~/.bashrc

在末尾加入 export SVGA_VGPU10=0 从而禁用显卡加速。

在工作空间目录下创建一个新的包 用于gazebo仿真

catkin_creat_pkg mrobot_gazebo roscpp gazebo_ros gazebo_plugins gazebo_ros_control

该功能包依赖上面几个包，请确认这些功能包安装完整。

在 mrobot_gazebo下创建worlds文件夹，再通过前述命令打开gazebo，创建一个简单的仿真环境。

如果在gazebo运行过程中，报错

将~/.ignition/fuel/config.yaml中的 https://api.ignitionfuel.org 改为 https://api.ignitionrobotics.org即可

最终创建的实验环境如下图所示，保存至 mrobot_gazebo/worlds/my_world.world

下面通过launch文件启动gazebo并生成实验环境。

在 mrobot_gazebo/launch下创建view_mrobot_gazebo.launch

这其中的大部分参数都很好理解，这里主要说两个参数，paused：在暂停状态打开gazebo；headless：gazebo的日志记录。

通过命令roslaunch mrobot_gazebo view_mrobot_gazebo.launch,运行结果如下所示：

实验环境建立完毕，在gazebo中进行仿真，还进行对机器人模型的xacro文件的完善，将之前的完成的两个xacro文件粘贴到如下图所示的位置。

mrobot.urdf.xacro无需修改，下面对mrobot_body.urdf.xacro文件进行修改，完整的文件如下所示：

    
    
        
    

    
        
    

    
        
    
    
    
    

    
     
    
    

    
    
    
     
     
    

    
     
    
    
    
    
     
    
    


    
    
        
            
            
        
    

    
        
            
             
        
    

    
    
        
        
            
                 
                
                    
                
                
            
            
                
                
                    
                
            
            
        

        
            Gazebo/White
        

        
            
                 
                
                    
                
                
            
            
                
                
                    
                
            
            
        
        
            Gazebo/Black
        

        
            
            
             
            
        

        
        
            transmission_interface/SimpleTransmission
            
            
                VelocityJointInterface
                1
            
        
        
        
            
            
             
        
    

    
    
        
        
            
                 
                
                    
                
                
              
            
                
                    
                
                 
                  
            
        

        
            Gazebo/Black
        

        
            
            
            
        
    



    
    
    
        
            
                
                
                    
                
            
        

        
            
            
            
        

        
        
        
            
            
                
                
                    
                
                
            

            
                
                
                    
                
               
        
        
            Gazebo/Orange
        

        
        
        

        
        



        
        
            
                Debug
                true
                /
                1
                true
                true
                100.0
                true
                base_to_wheel_left_joint
                base_to_wheel_right_joint
                ${base_link_radius*2}
                ${2*wheel_radius}
                1
                30
                1.8
                cmd_vel
                odom 
                odom 
		true
		world
                base_footprint
            
         

    

这个文件与之前的xacro主要不同之处：

（1）每个link都多了标签，使之能够在gazebo正确显示自身的颜色。

（2）对于转动的joint添加了标签，使之弄够在gazebo中正确的运动。

（3）文件末尾对于整个机器人多了标签，添加了差分控制器以及一些所必须的参数。

修改view_mrobot_gazebo.launch文件，在gazeb中生成环境的同时生成机器人模型。

这个launch文件和之前的很类似，多了最后一个node，这个node就是在gazebo中生成机器人模型文件。

roslaunch mrobot_gazebo view_mrobot_gazebo.launch

运行结果如下所示。

再次启动键盘控制节点 rosrun teleop_twist_keyboard teleop_twist_keyboard.py

成功通过键盘控制机器人在gazebo仿真环境中移动。

Gazebo中的slam与导航仿真

进行slam，首先应该对机器人模型添加相应的传感器，我们采用激光雷达进行slam，对机器人添加激光雷达的模型。编写一个激光雷达的xacro文件。

    
        
        
            
                
                
                
            

            
                
                
                    
                
                
            

            
                
                
                    
                
            
        
        
            Gazebo/Black
        

        
            
                0 0 0 0 0 0
                false
                5.5
                
                    
                      
                        360
                        1
                        -3
                        3
                      
                    
                    
                      0.10
                      6.0
                      0.01
                    
                    
                      gaussian
                      0.0
                      0.01
                    
                
                
                    /scan
                    laser_link
                
            
        

    

其中比较重要的部分就是文件末尾的标签，激光雷达的传感器类型是ray，rplidar的相关参数在产品手册中可以找到。为了获取尽量贴近真实的仿真效果，需要根据实际参数配置中的雷达参数：360°检测范围、单圈360个采样点，5.5Hz采样频率，最远6m检测范围等。最后使用标签添加激光雷达插件libgazebo_ros_laser.so，所发布的激光雷达话题是/scan

下面再编写一个带有雷达的机器人模型的xacro文件。

该文件的内容主要就是包括了原有的机器人模型和雷达的模型，定义了雷达的相关参数以及确定了雷达相对于机器人的位置，即确定了rplidar_joint.然后我们再编写一个launch文件，在gazebo中启动带有雷达的机器人。

这个launch文件和之前在gazebo中启动机器人的launch非常相似，唯一不同的点就是包含的机器人模型不同。启动后的运行效果如下所示：

通过命令rostopic list,可以看到/scan话题

再通过命令rosrun rviz rviz启动rviz，添加LaserScan，话题选择/scan

可以看到激光雷达的点云信息都显示在了rviz界面中

下面通过开源的gmapping功能包进行slam。关于gmapping算法的原理，可以阅读下列链接中的相关论文。OpenSLAM.org

安装gmapping：sudo apt-get install ros-melodic-gmapping

在工作空间下创建一个新的功能包。

catkin_create_pkg mrobot_navigation geometry_msgs move_base_msgs roscpp tf visualization_msgs

在mrobot_navigation/launch下创建一个gmapping.launch文件，主要用于节点参数的配置。

这里比较重要的两个参数：一个是odom_frame参数要和机器人本身的里程计坐标系一致；另一个就是激光雷达的话题名。

下面再创建一个launch文件，同时启动上面的gmapping节点和rviz界面。

下面启动gmapping_demo.launch 和 view_mrobot_with_laser_gazebo.launch，再启动键盘控制节点，即可控制小车在gazebo仿真环境中移动，并且rviz中会同时建立相应地图，如下图所示。

在仿真环境中完整的跑一遍，建立完整的地图。

先安装一个地图管理的功能包sudo apt-get install ros-melodic-map-server

通过命令rosrun map_server map_saver保存当前建立好的地图

 

完成建图之后，下面进行机器人的导航。首先安装相关依赖

sudo apt-get install ros-melodic-navigation

我们使用move_base进行导航，以及利用ACML进行定位，使用move_base进行导航的时候需要对代价地图和本地规划器进行配置，首先是代价地图配置中的通用配置文件。

obstacle_range: 2.5
raytrace_range: 3.0
#footprint: [[0.15, 0.15], [0.15, -0.15], [-0.15, -0.15], [-0.15, 0.15]]
#footprint_inflation: 0.01
robot_radius: 0.15
inflation_radius: 0.02
max_obstacle_height: 0.6
min_obstacle_height: 0.0
observation_sources: scan
scan: {data_type: LaserScan, topic: /scan, marking: true, clearing: true, expected_update_rate: 0}

obstacle_range即检测障碍物的最大范围，raytrace_range即检测自由空间的最大范围，footprint机器人在二维地图上的占用面积，inflation_radius即障碍物的膨胀参数，observation_sources参数列出了代价地图需要关注的所有传感器信息，每个传感器信息都会在后面列出详细内容。

然后是代价地图的全局规划配置文件。

global_costmap:
   global_frame: map
   robot_base_frame: base_footprint
   update_frequency: 1.0
   publish_frequency: 1.0
   static_map: true
   rolling_window: false
   resolution: 0.01
   transform_tolerance: 1.0
   map_type: costmap

global_frame用来表示全局代价地图需要在哪个参考系下运行，robot_base_frame用来表示代价地图可以参考的机器人本体的坐标系。

然后是代价地图的本地规划配置文件。

local_costmap:
   global_frame: map
   robot_base_frame: base_footprint
   update_frequency: 3.0
   publish_frequency: 1.0
   static_map: true
   rolling_window: false
   width: 6.0
   height: 6.0
   resolution: 0.01
   transform_tolerance: 1.0

最后是本地规划器配置

controller_frequency: 3.0
recovery_behavior_enabled: false
clearing_rotation_allowed: false

TrajectoryPlannerROS:
   max_vel_x: 0.5
   min_vel_x: 0.1
   max_vel_y: 0.0  # zero for a differential drive robot
   min_vel_y: 0.0
   max_vel_theta: 1.0
   min_vel_theta: -1.0
   min_in_place_vel_theta: 0.4
   escape_vel: -0.1
   acc_lim_x: 1.5
   acc_lim_y: 0.0  # zero for a differential drive robot
   acc_lim_theta: 1.2

   holonomic_robot: false
   yaw_goal_tolerance: 0.1 # about 6 degrees
   xy_goal_tolerance: 0.05  # 5 cm
   latch_xy_goal_tolerance: false
   pdist_scale: 0.4
   gdist_scale: 0.8
   meter_scoring: true

   heading_lookahead: 0.325
   heading_scoring: false
   heading_scoring_timestep: 0.8
   occdist_scale: 0.05
   oscillation_reset_dist: 0.05
   publish_cost_grid_pc: false
   prune_plan: true

   sim_time: 1.0
   sim_granularity: 0.05
   angular_sim_granularity: 0.1
   vx_samples: 8
   vy_samples: 0  # zero for a differential drive robot
   vtheta_samples: 20
   dwa: true
   simple_attractor: false

该配置文件声明机器人本地规划采用Trajectory Rollout算法，并且设置算法中需要用到机器人速度、加速度等阈值信息。

创建launch文件启动move_base节点。mrobot_navigation/launch/move_base.launch

然后再创建一个运行所有导航功能节点的顶层launch文件mrobot_navigation/launch/navigation.launch

fake_localization兼容虚拟定位，tf用来发布/odom和/map之间的静态坐标变换。

通过命令roslaunch mrobot_gazebo view_mrobot_with_laser_gazebo.launch

roslaunch mrobot_navigation navigation_demo.launch

运行结果如下所示。

 

在rviz界面中点击 2D Nav Goal，即可看到机器人正在自动导航到相应的位置。

搭建机器人进行slam完成。