自学ROS完成智能小车路径规划（三）--导航配置

安装 ros-melodic-navigation 功能包

sudo apt-get install ros-melodic-navigation

在xunfei_path_planning/src下打开终端创建功能包gazebo_nav

catkin_create_pkg gazebo_nav      //功能包创建完毕

cd ~/xunfei_path_planning/

catkin_make                      //编译功能包

在gazebo_nav文件夹下创建launch,map两个文件夹

cd ~/xunfei_path_planning/src/gazebo_nav/

mkdir launch map

launch文件夹用于存储节点启动文件
map用于存储建图完成后的图片和配置文件(yaml)

进入launch文件夹下创建config文件夹及navi_demo.launch文件

cd launch
mkdir config					//用于存放配置文件
touch navi_demo.launch			//创建节点启动文件

进入config文件，创建amcl,move_base,rviz文件夹

cd config
mkdir amcl move_base rviz

amcl --存储定位参数文件
move_base–存储路径规划参数文件
rviz --存储rviz配置文件

配置定位启动文件

进入amcl文件夹，创建amcl_onmi.launch文件

cd amcl
touch amcl_onmi.launch

将下列代码复制到amcl.onmi.launch

"amcl" type="amcl" name="amcl">
  <!-- Publish scans from best pose at a max of 10 Hz -->
  <param name="odom_model_type" value="omni"/>
  <param name="odom_alpha5" value="0.1"/>
  <param name="transform_tolerance" value="0.2" />
  <param name="gui_publish_rate" value="10.0"/>
  <param name="laser_max_beams" value="50"/>
  <param name="use_map_topic" value="false"/>  
  <!-- //当设置为true时，AMCL将会订阅map话题，而不是调用服务返回地图。也就是说，当设置为true时，有另外一个节点实时的发布map话题，也就是机器人在实时的进行地图构建，并供给amcl话题使用；当设置为false时，通过map server，也就是调用已经构建完成的地图。在navigation 1.4.2中新加入的参数。 -->
  <param name="first_map_only" value="true"/>  
    <!-- //当设置为true时，AMCL将仅仅使用订阅的第一个地图，而不是每次接收到新的时更新为一个新的地图，在navigation 1.4.2中新加入的参数。 -->


  <param name="min_particles" value="1000"/>
  <param name="max_particles" value="10000"/>
  <param name="kld_err" value="0.05"/>
  <param name="kld_z" value="0.99"/>
  <param name="odom_alpha1" value="0.2"/>
  <param name="odom_alpha2" value="0.2"/>
  <!-- translation std dev, m -->
  <param name="odom_alpha3" value="0.8"/>
  <param name="odom_alpha4" value="0.2"/>
  <param name="laser_z_hit" value="0.5"/>
  <param name="laser_z_short" value="0.05"/>
  <param name="laser_z_max" value="0.05"/>
  <param name="laser_z_rand" value="0.5"/>
  <param name="laser_sigma_hit" value="0.2"/>
  <param name="laser_lambda_short" value="0.1"/>
  <param name="laser_lambda_short" value="0.1"/>
  <!-- <param name="laser_model_type" value="likelihood_field"/> -->
  <param name="laser_model_type" value="beam"/>
  <param name="laser_likelihood_max_dist" value="2.0"/>
  <param name="update_min_d" value="0.2"/>
  <param name="update_min_a" value="0.5"/>
  <param name="odom_frame_id" value="odom"/>
  <param name="resample_interval" value="1"/>
  <param name="transform_tolerance" value="0.1"/>
  <param name="recovery_alpha_slow" value="0.0"/>
  <param name="recovery_alpha_fast" value="0.0"/>
  <!-- <param name="odom_frame_id" value="odom"/>   -->
  <!-- //里程计默认使用的坐标系 -->
  <!-- <param name="base_frame_id" value="base_link"/>   -->
  <!-- //用作机器人的基坐标系 -->
  <!-- <param name="global_frame_id" value="map"/>   -->
  <!-- //由定位系统发布的坐标系名称 -->
  <!-- <param name="tf_broadcast" value="false"/>   -->
  <!-- //设置为false阻止amcl发布全局坐标系和里程计坐标系之间的tf变换 -->
</node>
</launch>

配置导航文件

进入move_base文件夹，创建DWA文件夹，在此文件夹下创建下列文件
costmap_common_params.yaml
dwa_local_planner_params.yaml
global_costmap_params.yaml
global_planner_params.yaml
local_costmap_params.yaml
costmap_common_params.yaml

#Description:
# 代价地图通用参数配置文件,就是全局代价地图和局部代价地图
# 共同都需要配置的参数,各参数意义如下:
# robot_radius: 机器人的半径
# "obstacle_range" 参数确定最大范围传感器读数，这将导致障碍物被放入代价地图中。
# 在这里，我们把它设置在3米，这意味着机器人只会更新其地图包含距离移动基座3米以内的障碍物的信息。
# “raytrace_range”参数确定了用于清除指定范围外的空间。
# 将其设置为3.0米，这意味着机器人将尝试清除3米外的空间，在代价地图中清除3米外的障碍物。

#robot_radius: 0.2  robot_radius：设置机器人的半径，单位是米。由于在stdr中机器人是圆形的，所以可以直接设置该参数。

#如果你的机器人不是圆形的那就需要使用footprint这个参数，该参数是一个列表，其中的每一个坐标代表机器人上的一点，
#设置机器人的中心为[0,0]，根据机器人不同的形状，找到机器人各凸出的坐标点即可，从第一象限开始逆时针或顺时针列出坐标
footprint: [[0.171, -0.128], [0.171, 0.128],[-0.171, 0.128], [-0.171, -0.128]]

#配置障碍物图层
obstacle_layer:
  #enabled:是否启用该层
  enabled: true
  #combination_method:只能设置为0或1，用来更新地图上的代价值，一般设置为1;
  combination_method: 1
  #track_unknown_space:如果设置为false，那么地图上代价值就只分为致命碰撞和自由区域两种
  #如果设置为false，那么就分为致命碰撞，自由区域和未知区域三种。
  #参数设置为true的话，地图上的未知区域也会被认为是可以自由移动的区域，全局路径规划时，未探索的未知区域参与进来
  #如果你需要这样的话就将该参数设置为false。不过一般情况未探索的区域不应该当作可以自由移动的区域，因此一般将该参数设置为true;
  track_unknown_space: true


  #obstacle_range:设置机器人检测障碍物的最大范围，
  #意思是说超过该范围的障碍物，并不进行检测，只有靠近到该范围内才把该障碍物当作影响路径规划和移动的障碍物;
  obstacle_range: 2.0

  #raytrace_range:在机器人移动过程中，实时清除代价地图上的障碍物的最大范围，更新可自由移动的空间数据。
  #假如设置该值为3米，那么就意味着在3米内的障碍物，本来开始时是有的，但是本次检测却没有了，那么就需要在代价地图上来更新，将旧障碍物的空间标记为可以自由移动的空间。
  raytrace_range: 2.0

  #设置导航中所使用的传感器，这里可以用逗号形式来区分开很多个传感器，例如激光雷达，碰撞传感器，超声波传感器等，我们这里只设置了激光雷达;
  observation_sources: laser_scan_sensor
  #添加的激光雷达传感器
  laser_scan_sensor: {
    #坐标系名称
    sensor_frame: laser_frame,
    #数据类型
    data_type: LaserScan,
    #发布的话题名
    topic: scan,
    #是否可以使用该传感器来标记障碍物
    marking: true,
    #是否可以使用该传感器来清除障碍物标记为自由空间
    clearing: true,
    inf_is_valid: true
  }

 #inflation_layer:膨胀层，用于在障碍物外标记一层危险区域，在路径规划时需要避开该危险区域
inflation_layer:
  #是否启用该层;
  enabled: true
  #膨胀过程中应用到代价值的比例因子
  cost_scaling_factor: 5.0
  #膨胀半径，膨胀层会把障碍物代价膨胀直到该半径为止，一般将该值设置为机器人底盘的直径大小。
  #如果机器人经常撞到障碍物就需要增大该值，若经常无法通过狭窄地方就减小该值
  inflation_radius: 0.03
#0.15
 
#静态地图层，即SLAM中构建的地图层
static_layer:
  enabled: true

dwa_local_planner_params.yaml

#Description:
#  dwa_local_planner提供一个能够驱动底座的控制器,该控制器连接了路径规划器和机器人.
#  使用地图,规划器产生从起点到目标点的运动轨迹,在移动时,规划器在机器人周围产生一个函数,
#  用网格地图表示。控制器的工作就是利用这个函数来确定发送给机器人的速度dx, dy, dtheta
#
#       >> DWA算法的基本思想 <<
#  1.在机器人控制空间离散采样(dx, dy, dtheta)
#  2.对每一个采样的速度进行前向模拟,看看在当前状态下,使用该采样速度移动一小段时间后会发生什么.
#  3.评价前向模拟得到的每个轨迹,是否接近障碍物,是否接近目标,是否接近全局路径以及速度等等.舍弃非法路径
#  4.选择得分最高的路径,发送对应的速度给底座
#
#  DWA与Trajectory Rollout的区别主要是在机器人的控制空间采样差异.Trajectory Rollout采样点来源于整个
#  前向模拟阶段所有可用速度集合,而DWA采样点仅仅来源于一个模拟步骤中的可用速度集合.这意味着相比之下
#  DWA是一种更加有效算法,因为其使用了更小采样空间;然而对于低加速度的机器人来说可能Trajectory Rollout更好,
#  因为DWA不能对常加速度做前向模拟。
#
#  下面来依次介绍下每个参数的意义:
latch_xy_goal_tolerance: true

DWAPlannerROS:
# Robot Configuration Parameters - stdr robot
# acc_lim_x:x方向的加速度绝对值
# acc_lim_y:y方向的加速度绝对值,该值只有全向移动的机器人才需配置.
# acc_lim_th:旋转加速度的绝对值.
  acc_lim_x: 0.5
  acc_lim_y: 0.0
  acc_lim_th: 0.3

#  max_trans_vel: 0.4#choose slightly less than the base's capability
#  min_trans_vel: 0.1 #this is the min trans velocity when there is negligible rotational velocity
# max_trans_vel:平移速度最大值绝对值
# min_trans_vel:平移速度最小值的绝对值
  max_vel_trans: 1.0 #choose slightly less than the base's capability
  min_vel_trans: -0.1 #this is the min trans velocity when there is negligible rotational velocity

# trans_stopped_vel:停止的时候，最大的平移速度
# theta_stopped_vel:停止的时候，最大角速度
  trans_stopped_vel: 0.1
  theta_stopped_vel: 0.1

# max_vel_x:x方向最大速度的绝对值
# min_vel_x:x方向最小值绝对值,如果为负值表示可以后退.
# max_vel_y:y方向最大速度的绝对值.
# min_vel_y:y方向最小速度的绝对值.
  max_vel_x: 1.2  #  0.8
  min_vel_x: -0.2
  max_vel_y: 1.2  #   0.2  diff drive robot,don't need set vel_y
  min_vel_y: -0.2

# max_rot_vel: 0.5  #choose slightly less than the base's capability
# min_rot_vel: 0.1  #this is the min angular velocity when there is negligible translational velocity
# max_rot_vel:最大旋转速度的绝对值.
# min_rot_vel:最小旋转速度的绝对值.
  max_vel_theta: 0.6  #choose slightly less than the base's capability
  min_vel_theta: -0.6  #this is the min angular velocity when there is negligible translational velocity


# Goal Tolerance Parameters
# yaw_goal_tolerance:到达目标点时偏行角允许的误差，单位弧度.
# xy_goal_tolerance:到达目标点时,在xy平面内与目标点的距离误差.
# latch_xy_goal_tolerance:设置为true,如果到达容错距离内,机器人就会原地旋转,即使转动是会跑出容错距离外.
  yaw_goal_tolerance: 0.1  # 0.1 rad = 5.7 degree
  xy_goal_tolerance: 0.3
  latch_xy_goal_tolerance: true

# Forward Simulation Parameters
# sim_time:向前仿真轨迹的时间.
# sim_granularity:步长,轨迹上采样点之间的距离,轨迹上点的密集程度.
# vx_samples:x方向速度空间的采样点数.
# vy_samples:y方向速度空间采样点数.
# vth_samples:旋转方向的速度空间采样点数.
# controller_frequency:发送给底盘控制移动指令的频率.
  sim_time: 1.0    # 1.7
  sim_granularity: 0.025
  vx_samples: 3    # default 3
  vy_samples: 3    # diff drive robot, there is only one sample
  vth_samples: 7  # 20
  controller_frequency: 5.0

# Trajectory Scoring Parameters
# path_distance_bias:定义控制器与给定路径接近程度.
# goal_distance_bias:定义控制器与局部目标点的接近程度
# occdist_scale:定义控制器躲避障碍物的程度.
# stop_time_buffer:为防止碰撞,机器人必须提前停止的时间长度.
# scaling_speed:启动机器人底盘的速度.
# max_scaling_factor:最大缩放参数.
  path_distance_bias: 32.0  # 32.0  -weighting for how much it should stick to the global path plan
  goal_distance_bias: 20.0  # 24.0  -wighting for how much it should attempt to reach its goal
  occdist_scale: 0.2        # 0.01  -weighting for how much the controller should avoid obstacles
  forward_point_distance: 0.125 # 0.325 -how far along to place an additional scoring point
  stop_time_buffer: 0.2     # 0.2   -amount of time a robot must stop in before colliding for a valid traj.
  scaling_speed: 0.20       # 0.25  -absolute velocity at which to start scaling the robot's footprint
  max_scaling_factor: 0.2   # 0.2   -how much to scale the robot's footprint when at speed.

# publish_cost_grid:是否发布规划器在规划路径时的代价网格.如果设置为true,
# 那么就会在~/cost_cloud话题上发布sensor_msgs/PointCloud2类型消息.
# 每个点云代表代价网格,并且每个单独的评价函数都有一个字段及其每个单元
# 的总代价，并考虑评分参数.
  publish_cost_grid: false

# Oscillation Prevention Parameters
# oscillation_reset_dist:机器人运动多远距离才会重置振荡标记.
  oscillation_reset_dist: 0.05  # default 0.05

  hdiff_scale: 1.0 #全局和局部角度判断
  heading_points: 1

# Global Plan Parameters
# prune_plan:机器人前进是是否清楚身后1m外的轨迹.
  prune_plan: true

  publish_traj_pc : false
  publish_cost_grid_pc: false
  global_frame_id: map

global_costmap_params.yaml

#Description:
#  全局代价地图参数配置文件,各参数的意义如下：
#  global_frame:在全局代价地图中的全局坐标系;
#  robot_base_frame:机器人的基坐标系;
#
global_costmap:
  #全局代价地图需要在哪个坐标系下运行
  global_frame: map
  
  #在全局代价地图中机器人本体的基坐标系，就是机器人上的根坐标系。
  #通过global_frame和robot_base_frame就可以计算两个坐标系之间的变换，得知机器人在全局坐标系中的坐标了
  robot_base_frame: base_link
  update_frequency: 0.5
  publish_frequency: 0.5
  static_map: true
  rolling_window: false
  transform_tolerance: 10
  track_unknown_space: true
  plugins:
    - {name: static_layer,    type: "costmap_2d::StaticLayer"}
    - {name: obstacle_layer,  type: "costmap_2d::ObstacleLayer"}
    - {name: inflation_layer, type: "costmap_2d::InflationLayer"}

global_planner_params.yaml

GlobalPlanner:
     
# allow_unknown:是否允许规划器规划穿过未知区域的路径,
# 只设计该参数为true还不行,还要在costmap_commons_params.yaml中设置track_unknown_space参数也为true才行.
  allow_unknown: false

# default_tolerance:当设置的目的地被障碍物占据时,需要以该参数为半径寻找到最近的点作为新目的地点.
  default_tolerance: 0.2

# visualize_potential:是否显示从PointCloud2计算得到的势区域.
  visualize_potential: false

# use_dijkstra:设置为true,将使用dijkstra算法,否则使用A*算法.
  use_dijkstra: false

# use_quadratic:设置为true,将使用二次函数近似函数,否则使用更加简单的计算方式,这样节省硬件计算资源.
  use_quadratic: true

#use_grid_path:如果设置为true,则会规划一条沿着网格边界的路径,偏向于直线穿越网格,否则将使用梯度下降算法,路径更为光滑点.
  use_grid_path: true

# old_navfn_behavior:若在某些情况下,想让global_planner完全复制navfn的功能,那就设置为true,
# 但是需要注意navfn是非常旧的ROS系统中使用的,现在已经都用global_planner代替navfn了,所以不建议设置为true.
  old_navfn_behavior: false

# lethal_cost:致命代价值,默认是设置为253,可以动态来配置该参数.
  lethal_cost: 253

# neutral_cost:中等代价值,默认设置是50,可以动态配置该参数.
  neutral_cost: 50

# cost_factor:代价地图与每个代价值相乘的因子.
  cost_factor: 3.0

# publish_potential:是否发布costmap的势函数.
  publish_potential: true

# orientation_mode: 如何设置每个点的方向（None = 0,Forward = 1,
# Interpolate = 2,ForwardThenInterpolate = 3,Backward = 4,
# Leftward = 5,Rightward = 6）（可动态重新配置）
  orientation_mode: 0

# orientation_window_size:根据orientation_mode指定的位置积分来得到使用窗口的方向.默认值1,可以动态重新配置.
  orientation_window_size: 1

local_costmap_params.yaml

#Description:
#  本地代价地图需要配置的参数，各参数意义如下:
#  global_frame:在本地代价地图中的全局坐标系;
#  robot_base_frame:机器人本体的基坐标系;

local_costmap:
  global_frame: map
  robot_base_frame: base_link
  update_frequency: 5.0
  publish_frequency: 3.0
  static_map: false
  rolling_window: true
  width: 3.0
  height: 3.0
  resolution: 0.05
  transform_tolerance: 10
  plugins:
#    - {name: static_layer,    type: "costmap_2d::StaticLayer"}
    - {name: obstacle_layer,  type: "costmap_2d::ObstacleLayer"}
    - {name: inflation_layer, type: "costmap_2d::InflationLayer"}