ROS slam gmapping不能画地图



旧版本slam可能有问题，更新slam包就好了。

https://github.com/ros-perception/slam_gmapping

放到catkin_ws/src目录下

执行catkin_make

到catkin_ws/devel/lib/gmapping/目录下复制编译后的文件到/opt/ros/indigo/lib/gmapping目录下替换

2.

明：本文为博主原创文章，未经博主允许不得转载。

启动出错： roslaunch turtlebot_gazebo amcl_demo.launch map_file:=/tmp/my_map.yaml

core service [/rosout] found

process[map_server-1]: started with pid [4654]

process[amcl-2]: started with pid [4675]

*** Error in `/opt/ros/indigo/lib/amcl/amcl': malloc(): smallbin double linked list corrupted: 0x09317188 ***

process[navigation_velocity_smoother-3]: started with pid [4783]

process[kobuki_safety_controller-4]: started with pid [4857]

process[move_base-5]: started with pid [4931]

[ WARN] [1452850112.087962534, 201.010000000]: Detected jump back in time. Clearing TF buffer.

[ WARN] [1452850112.206104792, 201.130000000]: Detected jump back in time. Clearing TF buffer.

[amcl-2] process has died [pid 4675, exit code -6, cmd /opt/ros/indigo/lib/amcl/amcl scan:=scan __name:=amcl __log:=/home/exbot/.ros/log/ce981b1c-bb69-11e5-ade6-4487fc759faa/amcl-2.log].

log file: /home/exbot/.ros/log/ce981b1c-bb69-11e5-ade6-4487fc759faa/amcl-2*.log

[move_base-5] process has died [pid 4931, exit code -11, cmd /opt/ros/indigo/lib/move_base/move_base cmd_vel:=navigation_velocity_smoother/raw_cmd_vel odom:=odom scan:=scan __name:=move_base __log:=/home/exbot/.ros/log/ce981b1c-bb69-11e5-ade6-4487fc759faa/move_base-5.log].

log file: /home/exbot/.ros/log/ce981b1c-bb69-11e5-ade6-4487fc759faa/move_base-5*.log

解决办法：amcl包的版本问题  

重新下载一个amcl包 编译后替换以前的amcl

注意下载时选择相匹配的版本

https://github.com/ros-planning/navigation

放到catkin_ws/src目录下

执行catkin_make

到catkin_ws/devel/lib/amcl/目录下复制编译后的文件到/opt/ros/indigo/lib/amcl目录下替换

     3.Kobuki（turtlebot底盘）通信方式

当Kobuki_nodelet被运行时，自动跳转到onInit()函数，函数中建立KobukiRos类的新对象，并调用其init() 函数，在KobukiRos类的init()函数中，定义了若干个用于接收ROS话题的subscriber，若干个用于发布底盘传感器数据的publisher。并且启动了Kobuki这个驱动类的初始化函数。

    最后启动KobukiRos对象的update()函数，用于检测底盘的各种状态，比如底盘的连接状态，电池状态，轮子是否接触地面等等。

Turtlebot的运行机制总结如下：

    启动minimal.launch之后，启动Kobuki_nodelet节点，新建两个类对象，一是用于底盘和ROS通信类KobukiRos（桥梁），一个是底盘的驱动类Kobuki（心脏）。

通信类中定义了用于接收ROS命令话题的接收者，接收如/cmd_vel等话题。接收者接收到话题消息后，通过回调函数，将ROS通用格式的数据转换为底盘可用格式的数据，并调用驱动类的函数接口，通过串口给底盘单片机发送数据，实现对底盘的操控。

通信类中还定义了用于发布底盘状态话题的发布者，如发送/sensors/imu_data的话题。通信类通过驱动类的函数接口获得原始传感器数据，将其转换为ROS通用数据格式，由发布者发送给ROS上层，来实现反馈功能。

最后，Kobuki_nodelet启动了一套完整的监测机制，用于监测底盘的各种异常状态。

参考源码：

kobuki_nodelet.cpp:（实现Kobuki_nodelet类）

https://github.com/yujinrobot/kobuki/blob/indigo/kobuki_node/src/nodelet/kobuki_nodelet.cpp

kobuki_ros.hpp:

https://github.com/yujinrobot/kobuki/blob/indigo/kobuki_node/include/kobuki_node/kobuki_ros.hpp

kobuki_ros.cpp：（实现KobukiRos类，相当于桥梁）

https://github.com/yujinrobot/kobuki/blob/indigo/kobuki_node/src/library/kobuki_ros.cpp

subscriber_callbacks.cpp:（实现回调函数，ROS数据格式和底盘数据格式的转换）

https://github.com/yujinrobot/kobuki/blob/indigo/kobuki_node/src/library/subscriber_callbacks.cpp

kobuki.hpp:

https://github.com/yujinrobot/kobuki_core/blob/indigo/kobuki_driver/include/kobuki_driver/kobuki.hpp

kobuki.cpp:（实现Kobuki类，驱动类，相当于心脏）

https://github.com/yujinrobot/kobuki_core/blob/indigo/kobuki_driver/src/driver/kobuki.cpp

详细跳转机制：（以/cmd_vel为例）

    在Kobuki_nodelet.cpp中，首先新类KobukiRos对象。然后调用KobukiRos的init()初始化函数，在这个函数中，声明了许多发布者和订阅者，下面以/cmd_vel话题为例，继续深入。

    velocity_command_subscriber= nh.subscribe(std::string("commands/velocity"), 10,&KobukiRos::subscribeVelocityCommand, this);

    当有/cmd_vel话题发布时，这个发布者的回调函数自动被调用，即进入KobukiRos::subscribeVelocityCommand（）中。

    在回调函数中，其将数据发送给驱动类Kobuki的函数中：

    kobuki.setBaseControl(msg->linear.x, msg->angular.z);

    kobuki.setBaseControl这个函数通过调用diff_driver类（差速轮驱动）的setVelocityCommands()函数，将/cmd_vel话题的Twist类型数据转换为左右轮速，并保存在vector容器中。

    注意，diff_driver::setVelocityCommands()并没有直接将左右轮速通过串口发送给底盘，而是保存在vector<double>类型的私有成员point_velocity之中。

    为什么没有直接通过串口传输呢，那传输步骤在哪呢？我们接着来看，以上的步骤其实仅仅是一个线程，我们再来看看另外的线程。

    继续回到KobukiRos的init()初始化函数，除了声明了发布者和订阅者用于接收发布数据，同时也调用了驱动类Kobuki的init（）初始化函数。

    在驱动类Kobuki的init()初始化函数中，初始了串口，并设置了一些必要信息，最后进入了Kobuki::spin()循环函数。

    在spin()函数中，首先判断了是否打开了串口，如果没打开就打开并设置串口。确认完毕之后，先做读操作，然后做写操作。在写操作中，调用了sendBaseControlCommand()，在这个函数中，先调用了上面讲过的diff_driver：：velocityCommands()函数，将转换好的数据设置在Kobuki类的vector<double>类型的私有成员velocity_commands中。最后调用sendCommand()函数，终于在里面看到了串口写操作的相关代码！！！

4.运动规划 (Motion Planning): MoveIt! 与 OMPL

最近有不少人询问有关MoveIt!与OMPL相关的话题，但是大部分问题都集中于XXX功能怎么实现，XXX错误怎么解决。表面上看，解决这些问题的方法就是提供正确的代码，正确的编译方法，正确的运行步骤。 

然而，这种解决方法只能解决这个特定的问题，而且解决之后我们也无法学到一些实际的东西。要想彻底明白，需要从源头入手，也就是说，不要问“MoveIt! 怎么把机械手从空间一个点移到另一个点？“，而是要问”MoveIt!  为什么能把机械手从空间一个点移到另一个点？“。 这一点明白之后，遇到类似的问题，才能从容应对。同理，这不仅适用于MoveIt，也同样适用于其他任何ROS功能。 

所以，下文中我们会见到一些具体的例子，但整体上，更倾向于宏观的概念和一些基础的方法，希望对大家能有所帮助。这里的帮助指的是增强对运动规划和Moveit, OMPL的整体理解，而非局限于完成某一个功能，编译运行某一个文件。 


我尝试用最简单，最通俗的表达方式来解释这些问题，其中不免会有一些学术上的错误用词和解释，请专业的朋友们见谅，也欢迎指出错误。 



一. 基础概念 


首先，我们要了解一些基础的概念，了解各个名词的意义和区别。 


1.1. 运动规划 (Motion Planning) 
我们这里讲的运动规划，有别于轨迹规划 (Path Planning)。一般来说，path planning用于无人车/无人机领域，而motion planning主要用于机械臂，类人机器人领域。当然了，这两者没有本质的区别，理论上说MoveIt!和OMPL同样可以用于无人车无人机的规划，但不免有些杀鸡用牛刀的感觉。两者规划的空间维度不同，导致他们的难易程度不同。举例说明，如果不考虑速度加速度，只考虑位置的话，无人车轨迹规划维度是3 (x,y,和角度), 无人机是6 (x,y,z,和另外3个量确定空间的旋转角度)。确定3D空间的一个姿势(pose)需要6个变量，而对于关节数大于6的机械臂结构，它的规划空间维度就大于6，成为冗余系统(redundant system)，从而使规划问题变得更为复杂。所谓冗余系统，就是说，存在多种关节角度配置能够使得终端达到相同的位姿，存在无数的解。这是达到的最终姿势有无数个解，那么如何到达这个最终姿势，整个运动的轨迹，更是存在无数个解。 


既然存在无数的解，那么问题来了。很明显，存在两种不同的方向，一种是找到最好的那个解，另一种是快速的找到一个有效的解。前者，大部分算法使用最优规划 (Optimization-based Planning)，后者使用采样规划 (Sampling-based Planning)。具体的区别和算法，不在这里赘述。 


1.2. 开源运动规划库 (OMPL). 
接上文，而OMPL (Open Motion Planning Library)， 开源运动规划库，就是一个运动规划的C++库，其包含了很多运动规划领域的前沿算法。虽然OMPL里面提到了最优规划，但总体来说OMPL还是一个采样规划算法库。而采样规划算法中，最出名的莫过于  Rapidly-exploring Random Trees (RRT)  和 Probabilistic Roadmap (PRM)了,  当然，这两个是比较老的，还有很多其他新算法。 

• OMPL能做什么？ 简单说，就是提供一个运动轨迹。给定一个机器人结构(假设有N个关节)，给定一个目标(比如终端移到xyz)，给定一个环境，那么OMPL会提供给你一个轨迹，包含M个数组，每一个数组长度是N，也就是一个完整的关节位置。沿着这个轨迹依次移动关节，就可以最终把终端移到xyz，当然，这个轨迹应当不与环境中的任何障碍发生碰撞。
• 为什么用OMPL？ 运动规划的软件库和算法有很多，而OMPL由于其模块化的设计和稳定的更新，成为最流行的规划软件库之一。很多新算法都在OMPL开发。很多其他软件（包括ROS/MoveIt）都使用OMPL做运动规划。

1.3. 逆运动学 (Inverse Kinematics)

• 什么是逆运动学(IK)？简单说，就是把终端位姿变成关节角度，q=IK(p)。p是终端位姿(xyz)，q是关节角度。
• 为什么要用IK？OMPL是采样算法，也就是要在关节空间采样。 这与无人车的规划有一个最明显的区别，无人车的目标就是在采样空间， e.g. 目标是(x,y), 采样空间也是(x,y). 但是对于机械臂，目标是终端空间位置(xyz), 但采样空间却是关节空间(q0,q1,...qN)。有了IK之后，我们就可以把三维空间的目标p转化为关节空间的目标q。那么这样就会让采样算法能算的更快，具体方法不赘述，这样的算法有RRT-Connect，BKPIECE等等双向采样算法。

1.4. MoveIt! 
问：我不想看也看不懂OMPL和各种算法，但是我想让机械臂动起来，怎么办？ 
答：那这正是MoveIt!的设计初衷。Move It！让它动起来！ 
OMPL是运动规划的“规划”部分，而MoveIt!是OMPL的ROS接口。当然这不完全准确，OMPL有单独的ROS接口，但依旧很繁杂，而MoveIt是OMPL ROS接口的接口。。。而且MoveIt!还结合了其他一些功能，总之MoveIt!就是个大接口。。 

• MoveIt!能做什么？一句话，MoveIt!就是一个模块化的接口，让你在最短时间内，不用自己写太多代码，就能配置出一个ROS Package来为你的机械臂做运动规划。

二. 创建MoveIt! Package 

2.1 准备URDF package 
首先我们要准备一个机械臂的urdf，如果你已有URDF，可以使用自己的urdf模型。若手头没有现成的URDF，可以从此处下载一个库卡LWR简化模型URDF，这是一个固定底座7自由度的机械臂。 
从该连接处依次进入examples/sovlers/ik_solver_demo/resources，下载里面的lwr_simplified.urdf。 

复制代码

cd path_to_catkin_ws/src
catkin_create_pkg lwr_description
cd lwr_description
mkdir urdf

将下载好的lwr_simplified.urdf放入urdf文件夹中，这样一个urdf package便创建好了。 


2.2 MoveIt!配置助手 (MoveIt! Setup Assistant) 
2.2.1 打开MoveIt! Setup Assistant 


复制代码

roslaunch moveit_setup_assistant setup_assistant.launch

 

MoveIt! Setup Assistant 是一个图形界面，可以让我们不用写代码看代码，直接用鼠标点击就可以配置机器人的运动规划所需要的信息。点击Create New MoveIt Configuration Package来创建新的配置包，选择刚刚下载的urdf，然后点击Load Files 载入文件。 

2.2.2 创建碰撞免检矩阵(ACM) 

点击Setup Assisant的左边第二项'Self-Collisions'，在这里我们将创建碰撞免检矩阵(Avoid Collision Matrix, ACM)。再次强调，怎么创建很简单，点击一下'Regenerate Default Collision Matrix'就可以了，问题是，为什么？ACM是做什么的？ 
我们知道，碰撞检测是非常复杂的运算过程。对于多关节机械臂或者类人机器人来说，机械结构复杂，肢体多，碰撞检测需要涉及很多的空间几何计算。但是对于刚体机器人来说，有些肢体之间是不可能发生碰撞的，比如原本就相邻的肢体，比如类人机器人的脚和头。这里生成的ACM就是告诉我们，这个URDF所描述的机器人，哪些肢体之间是不会发生碰撞的。那么在之后的碰撞检测算法中，我们就可以略过对这些肢体之间的检测，以提高检测效率。 


2.2.3 创建虚拟关节 (Virtual Joints) 
在Setup Assistant 第三项Virtual Joints里面，我们要创建所谓的虚拟关节。这个虚拟关节，可以理解为一个连接机器人和世界的关节。

一般来说，Virtual Joint Name我们命名为‘world_joint’，而'Child Link'指的是我们要把‘世界’和机器人的那个部位连接，那么很显然我们选择基座'base'。‘Parent Frame Name’，是世界坐标的名字，在ROS中一般叫'world_frame'。关节类型 Joint Type, 很显然这里我们选择固定Fixed. 代表机器人相对于世界是固定的。而另外两种, Planar指的是平面移动底座(xy平面+角度)，用于移动机器人比如PR2；

还有一种Floating, 指的是浮动基座(xyz position+orientation)，比如类人机器人。

2.2.4 创建规划群 (Planning Groups)

创建Planning Group是MoveIt的核心之一。首先，点击Add Group, 我们会看到一个界面，如下图，

 

那么这些都是什么呢？

• Group Name: 不用多说，名字。。。我们就叫Arm。
• Kinematic Solver: 运动学求解工具，这个就是负责求解正向运动学(Forward Kinematics)和逆运动学(IK, 见1.3节)的。 一般我们选用KDL， The Kinematics and Dynamics Library。这是一个运动学与动力学的库，可以很好的解决6自由度以上的单链机械结构的正逆运动学问题。当然你也可以用其他IK Solver, 比如SRV或者<span \"="" style="box-sizing: border-box;">IK_FAST，甚至你可以自己开发新的Solver然后插入进来，如果有空，我以后会发帖讲解如何创建新的运动学求解库并插入到MoveIt。
• Kin. Search Resolution: 关节空间的采样密度
• Kin. Search TImeout: 求解时间
• Kin. Solver Attempts: 求解失败尝试次数，一般来说这三项使用默认值就可以。你也可以根据具体需要做出适当调整。

接下来，我们要正式创建这个组群，有很多不同的方法，Add Joints, Add Links, Add Kin. Chain, Add Subgroups。我们这里选择'Add Kin. Chain'，这样我们可以清楚的看到整个机器人的机械机构，

在正中方我们可以看到这个机械臂的结构，一个link接着一个link。下方我们可以看到有'Base Link'和'Tip Link'，我们选择'lwr_arm_0_link'作为Base，选择'lwr_arm_7_link'作为Tip. 然后点击Save，这样一个规划组群就创建好了。同样的，我们可以再创建一个手的组群(Hand)，这一次我们用Add Links，然后选择'lwr_arm_7_link'。

 

2.2.5 创建机器人预设位姿 (Robot Poses)

在Setup Assistant 第五项, ‘Robot Poses’，我们创建预设的机器人位姿。点击‘Add Pose’，我们为机械臂创建一个向上直立的位姿UpRight，选择Planning Group为Arm。可以看到很多滚动条，全设为0就是垂直向上的位姿。然后点击保存。当然，你可以根据需要设置其他不同位姿。

2.2.6 配置终端控制器(End Effectors)

终端控制器，就是机械臂的手，以后用来在工作环境中直接控制的部位。我们添加一个叫做HandEff的终端控制器，End Effector Group选择之前创建好的Hand，Parent_Link选择机械臂的最后一个肢体lwr_arm_7_link。Parent Group选择Arm。

2.2.7 配置被动关节(Passive Joints) 
所谓被动关节，就是指现实中不配置电机的关节，也就是不会出现在机器人的Joint State Msg里，以避免MoveIt与JointState出现匹配错误。这里我们的LWR机械臂并没有此类被动关节，所以可以直接跳过。 

2.2.8 生成配置文件(Configuration Files) 
最后一步，在Configuration Package Save Path里面选择一个保存地址，一般我们把他放在path_to_catkin_ws/src/lwr_moveit_config然后点击Generate Package，这样一个完整的MoveIt Configuration Package就创建好了！先不要急着运行，我们先来看看都生成了哪些东西，还有一些重要的配置参数都是在哪定义的。

三. MoveIt 配置包详解 
打开刚刚创建好的lwr_moveit_config文件夹，我们发现有config和launch两个文件夹。3.1 MoveIt! 配置文件先看config，里面有

• fake_controllers.yaml：这是虚拟控制器配置文件，方便我们在没有实体机器人，甚至没有任何模拟器（如gazebo）开启的情况下也能运行MoveIt。
• joint_limits.yaml：这里记录了机器人各个关节的位置速度加速度的极限，这些都会被用于以后的规划中。
• kinematics.yaml：这里就是上一章2.2.4里面设置的东西，用于初始化运动学求解库
• lwr.srdf：这个是一个重要的MoveIt配置文件，我们将在下一节详解。
• ompl_planning.yaml：这里是配置OMPL各种算法的各种参数。

3.2 SRDF文件 
SRDF是moveit的配置文件，配合URDF使用。打开lwr.srdf，

我们可以看到这是一个xml格式的配置文件，根是robot，并有一个属性值name='lwr'。下面各个项目应该很明显，就是我们刚刚在Setup Assistant里面所设置的东西，包含了组群，位姿，终端控制器，虚拟关节，以及碰撞免测矩阵ACM的定义。理论上，只要有了srdf和urdf，我们就可以完全定义一个机器人moveit信息。

3.3 Launch文件 

下面，我们看看launch文件夹，一打开发现有很多文件，瞬间不想看了。。不要急，我们来看看几个重要的文件。 


3.3.1 demo.launch 
demo是运行的总结点，打开我们可以看到他include了其他的launch文件。其中第14行说，如果有需要，发布静态的tf。比如说，你的机器人基座不在世界坐标的原点，你可以发布一个静态tf来描述机器人在世界坐标中的位置。第17-21行，就是我们发布虚拟机器人状态的地方了，当然，如果你有实体机器人或者有gazebo之类的模拟器，你需要去掉这一部分，有其他相应的节点来发布机器人状态。26-32行运行了另一个moveit重要的节点，move group。 


3.3.2 move_group.launch 
顾名思义，move group的功能是让一个规划组群动起来。怎么动，那就要做运动规划了，在move_group.launch第24-26行定义了运动规划库的使用，我们可以看到，默认的是使用ompl运动规划库。同样的，如果以后有时间，我会发帖详解如何创建新的运动规划库插件并让moveit使用其他的运动规划算法。其他的都是设置一些基本参数，暂时可以略过。 


3.3.3 planning_context.launch 
这里我们可以看到，定义了所使用的urdf和srdf文件，以及运动学求解库。不建议手动更改这些，但是如果你需要使用不同的urdf，srdf，可以在这里更改。 


3.3.4 setup_assistant.launch 
如果你需要更改一些配置，那么可以直接运行 

复制代码

roslaunch lwr_moveit_config setup_assistant.launch

这样就可以基于当前设置做更改，而不是重新设置。 

四. 运行MoveIt! 

4.1 Launch Demo 
现在我们可以来尝试运行moveit了！ 

复制代码

roslaunch lwr_moveit_config demo.launch

等待几秒，当看到 All is well! Everyone is happy! You can start planning now! 的时候，就代表启动成功了。我们可以看到一个Rivz窗口，左下角有一个运动规划MotionPlanning模块。

 

第一个进入视野的就是Planning Library, OMPL。没错，这里告诉你当前用的是OMPL运动规划算法。在中间的下来菜单里面有很多的具体算法，之后你可以尝试不同的算法，看看他们的区别。

4.2 选择目标位姿

如果如上文第二章中设置，你会在rviz主窗口中看到一个互动标记位于机械臂终端位置。移动这个标记到另外一个地方，你可以看到一个橙色的目标位姿( 每一次移动标记，就运行了一次逆运动学IK求解过程)。

同样的，你也可以在MotionPlanning模块下的Planning子模块写的Query子模块里面设置随机的或者预设的目标位置。

4.3 运动规划终于，到了运动规划的时候了。。在Planning子模块中单击Plan，一个运动轨迹就会出现与Rviz窗口中并循环播放。你可以在Display->MotionPlanning->Planned Path里面设置各种显示参数。

同时，在terminal里面我们可以看到一些输出

复制代码

[ INFO] [1453481861.884163555]: LBKPIECE1: Attempting to use default projection.
[ INFO] [1453481861.884336258]: LBKPIECE1: Attempting to use default projection.
[ INFO] [1453481861.884489778]: LBKPIECE1: Starting planning with 1 states already in datastructure
[ INFO] [1453481861.884523826]: LBKPIECE1: Attempting to use default projection.
[ INFO] [1453481861.884547702]: LBKPIECE1: Starting planning with 1 states already in datastructure
[ INFO] [1453481861.884564358]: LBKPIECE1: Attempting to use default projection.
[ INFO] [1453481861.884587404]: LBKPIECE1: Starting planning with 1 states already in datastructure
[ INFO] [1453481861.884604829]: LBKPIECE1: Attempting to use default projection.
[ INFO] [1453481861.884626253]: LBKPIECE1: Starting planning with 1 states already in datastructure
[ INFO] [1453481861.905034917]: LBKPIECE1: Created 99 (46 start + 53 goal) states in 88 cells (45 start (45 on boundary) + 43 goal (43 on boundary))
[ INFO] [1453481861.905633020]: LBKPIECE1: Created 87 (33 start + 54 goal) states in 76 cells (31 start (31 on boundary) + 45 goal (45 on boundary))
[ INFO] [1453481861.913846457]: LBKPIECE1: Created 126 (76 start + 50 goal) states in 115 cells (75 start (75 on boundary) + 40 goal (40 on boundary))
[ INFO] [1453481861.914639489]: LBKPIECE1: Created 220 (72 start + 148 goal) states in 201 cells (70 start (70 on boundary) + 131 goal (131 on boundary))
[ INFO] [1453481861.948016518]: ParallelPlan::solve(): Solution found by one or more threads in 0.063719 seconds

我们可以看到，本次运动规划使用了LBKPIECE算法，并且使用了4线程并行规划，规划时间为 0.063719秒。你也可以在OMPL算法里选择其他规划算法比如RRT，RRT-Connect，PRM，EST等等等等。。看看他们之间的轨迹区别和速度区别。

4.4 避障运动规划 Collision Free Motion Planning

上面这个简单的运动规划，环境中并没有障碍物。下面我们来为环境中增加几个物体。创建一个demo.scene文件，将以下代码复制进去（你可以自己设计不同的scene）

复制代码

(noname)+++++
* obs1.dae
1
mesh
24 12
-0.0315993 0.126397 -0.0315993
-0.0315993 -0.126397 -0.0315993
-0.0315993 0.126397 0.0315993
-0.0315993 -0.126397 0.0315993
0.0315993 0.126397 0.0315993
0.0315993 -0.126397 -0.0315993
0.0315993 0.126397 -0.0315993
0.0315993 -0.126397 0.0315993
-0.0315993 -0.126397 0.0315993
0.0315993 -0.126397 0.0315993
0.0315993 0.126397 0.0315993
-0.0315993 0.126397 0.0315993
0.0315993 0.126397 -0.0315993
0.0315993 -0.126397 -0.0315993
-0.0315993 -0.126397 -0.0315993
-0.0315993 0.126397 -0.0315993
-0.0315993 -0.126397 0.0315993
-0.0315993 -0.126397 -0.0315993
0.0315993 -0.126397 -0.0315993
0.0315993 -0.126397 0.0315993
0.0315993 0.126397 -0.0315993
-0.0315993 0.126397 -0.0315993
-0.0315993 0.126397 0.0315993
0.0315993 0.126397 0.0315993
0 1 2
1 3 2
4 5 6
4 7 5
8 9 10
11 8 10
12 13 14
12 14 15
16 17 18
19 16 18
20 21 22
20 22 23
0.7 0 0.8
0.706825 0 0 0.707388
0.5 0 0 1
* obs2.dae
1
mesh
24 12
-0.0315993 0.126397 -0.0315993
-0.0315993 -0.126397 -0.0315993
-0.0315993 0.126397 0.0315993
-0.0315993 -0.126397 0.0315993
0.0315993 0.126397 0.0315993
0.0315993 -0.126397 -0.0315993
0.0315993 0.126397 -0.0315993
0.0315993 -0.126397 0.0315993
-0.0315993 -0.126397 0.0315993
0.0315993 -0.126397 0.0315993
0.0315993 0.126397 0.0315993
-0.0315993 0.126397 0.0315993
0.0315993 0.126397 -0.0315993
0.0315993 -0.126397 -0.0315993
-0.0315993 -0.126397 -0.0315993
-0.0315993 0.126397 -0.0315993
-0.0315993 -0.126397 0.0315993
-0.0315993 -0.126397 -0.0315993
0.0315993 -0.126397 -0.0315993
0.0315993 -0.126397 0.0315993
0.0315993 0.126397 -0.0315993
-0.0315993 0.126397 -0.0315993
-0.0315993 0.126397 0.0315993
0.0315993 0.126397 0.0315993
0 1 2
1 3 2
4 5 6
4 7 5
8 9 10
11 8 10
12 13 14
12 14 15
16 17 18
19 16 18
20 21 22
20 22 23
0.6 0.5 0.8
0.706825 0 0 0.707388
0.5 0 0 1
* obs3.dae
1
mesh
24 12
-0.0315993 0.126397 -0.0315993
-0.0315993 -0.126397 -0.0315993
-0.0315993 0.126397 0.0315993
-0.0315993 -0.126397 0.0315993
0.0315993 0.126397 0.0315993
0.0315993 -0.126397 -0.0315993
0.0315993 0.126397 -0.0315993
0.0315993 -0.126397 0.0315993
-0.0315993 -0.126397 0.0315993
0.0315993 -0.126397 0.0315993
0.0315993 0.126397 0.0315993
-0.0315993 0.126397 0.0315993
0.0315993 0.126397 -0.0315993
0.0315993 -0.126397 -0.0315993
-0.0315993 -0.126397 -0.0315993
-0.0315993 0.126397 -0.0315993
-0.0315993 -0.126397 0.0315993
-0.0315993 -0.126397 -0.0315993
0.0315993 -0.126397 -0.0315993
0.0315993 -0.126397 0.0315993
0.0315993 0.126397 -0.0315993
-0.0315993 0.126397 -0.0315993
-0.0315993 0.126397 0.0315993
0.0315993 0.126397 0.0315993
0 1 2
1 3 2
4 5 6
4 7 5
8 9 10
11 8 10
12 13 14
12 14 15
16 17 18
19 16 18
20 21 22
20 22 23
0.3 0 0.8
0.999784 0 0 0.0207948
0.5 0 0 1
* table.dae
1
mesh
24 12
-0.420619 0.0420619 -0.841237
-0.420619 -0.0420619 -0.841237
-0.420619 0.0420619 0.841237
-0.420619 -0.0420619 0.841237
0.420619 0.0420619 0.841237
0.420619 -0.0420619 -0.841237
0.420619 0.0420619 -0.841237
0.420619 -0.0420619 0.841237
-0.420619 0.0420619 0.841237
-0.420619 -0.0420619 0.841237
0.420619 -0.0420619 0.841237
0.420619 0.0420619 0.841237
0.420619 -0.0420619 -0.841237
-0.420619 -0.0420619 -0.841237
-0.420619 0.0420619 -0.841237
0.420619 0.0420619 -0.841237
-0.420619 -0.0420619 0.841237
-0.420619 -0.0420619 -0.841237
0.420619 -0.0420619 -0.841237
0.420619 -0.0420619 0.841237
0.420619 0.0420619 -0.841237
-0.420619 0.0420619 -0.841237
-0.420619 0.0420619 0.841237
0.420619 0.0420619 0.841237
0 1 2
1 3 2
4 5 6
4 7 5
8 9 10
8 10 11
12 13 14
15 12 14
16 17 18
19 16 18
20 21 22
20 22 23
0.7 0 0.63
0.706825 0 0 0.707388
0 0.5 0.5 1
* target
1
mesh
24 12
-0.0315993 0.126397 -0.0315993
-0.0315993 -0.126397 -0.0315993
-0.0315993 0.126397 0.0315993
-0.0315993 -0.126397 0.0315993
0.0315993 0.126397 0.0315993
0.0315993 -0.126397 -0.0315993
0.0315993 0.126397 -0.0315993
0.0315993 -0.126397 0.0315993
-0.0315993 -0.126397 0.0315993
0.0315993 -0.126397 0.0315993
0.0315993 0.126397 0.0315993
-0.0315993 0.126397 0.0315993
0.0315993 0.126397 -0.0315993
0.0315993 -0.126397 -0.0315993
-0.0315993 -0.126397 -0.0315993
-0.0315993 0.126397 -0.0315993
-0.0315993 -0.126397 0.0315993
-0.0315993 -0.126397 -0.0315993
0.0315993 -0.126397 -0.0315993
0.0315993 -0.126397 0.0315993
0.0315993 0.126397 -0.0315993
-0.0315993 0.126397 -0.0315993
-0.0315993 0.126397 0.0315993
0.0315993 0.126397 0.0315993
0 1 2
1 3 2
4 5 6
4 7 5
8 9 10
11 8 10
12 13 14
12 14 15
16 17 18
19 16 18
20 21 22
20 22 23
0.6 0.2 0.8
0.706825 0 0 0.707388
0 1 0 1
.

然后在SceneObjects模块中点击ImportFromText，选择刚刚创建的demo.scene文件，一个简单的桌面环境就被导入进了rviz。你可以通过选择各个物体，来调整他们的位置。

回到Context子模块，点击Publish Current Scene，将当前的环境发布出去。

然后再次点击Plan，你会看到一条不同的轨迹，这一轨迹应该绕过所有障碍物并且达到目标位姿。

因为OMPL是采样算法，由于其随机采样的特性，每次的路径是不同的，如下图。而且有可能失败。

接下来可以尝试不同的OMPL算法，不同的目标位姿和不同的环境。来看看MoveIt的鲁棒性如何。 


那么，MoveIt!和OMPL的运动规划就差不多讲完了，当然这是很浅显的，与实用性的东西都还有距离。以上都是纯手打，现做的例子，希望有所帮助。接下来该讲什么，你们可以在下面留言，是更深入的讲MoveIt!，还是讲OMPL运动规划算法，还是讲如何模拟具体实例。