一些关于ROS中move

move_base是ROS下关于机器人路径规划的中心枢纽。它通过订阅激光雷达、map地图、amcl的定位等数据，然后规划出全局和局部路径，再将路径转化为机器人的速度信息，最终实现机器人导航。这里又要盗官网的图了。

上面这个图很好的展示了move_base的整个框架，下面我更加详细的介绍一下每个模块的功能及其是如何衔接的。

首先左上角的amcl模块是ROS的导航定位模块，amcl也叫自适应蒙特卡罗定位，amcl通过订阅scan、map和tf信息，发布出机器人的pose，以供move_base使用，这部分具体可以上官网看看，这里就不做详细介绍了，左下角odom，即机器人里程计信息，右上角，map，顾名思义，我们需要的先验地图信息，一般通过slam建图后保存，ROS中主流的slam算法有:

1.gmapping：需要激光雷达scan数据和里程计odom数据，采用的是PF（粒子滤波）。

2.hector ：基于优化的算法（解最小二乘问题），优缺点：不需要里程计，但对于雷达帧率要求很高40Hz，估计6自由度位姿，可以适应空中或者地面不平坦的情况。初值的选择对结果影响很大，所以要求雷达帧率较高。

3.Cartographer：累计误差较前两种算法低，能天然的输出协方差矩阵，后端优化的输入项。成本较低的雷达也能跑出不错的效果。

好了，就不展开了，map_server包通过解析slam建好的地图并发布出去。右下角的传感器topic则在局部路径规划时起到作用，这部分就是costmap包起到的作用了，costmap为代价地图，目前主要的有inflation_layer、obstacle_layer、static_layer、voxel_layer四个plugins。分别为膨胀层、障碍物层、静态层和体素层。一般我们的全局路径需要静态层和膨胀层，因为全局规划应该只考虑到地图信息，所以一般都是静态的，而局部路径规划则需要考虑到实时的障碍物信息，所以需要障碍物层和膨胀层，这里你可能会有疑惑，为什么不把静态层放到局部路径规划里呢？因为我们的定位是会存在误差的，比如轮子打滑或其他情况，这个时候amcl会起到纠正作用，如果我们把静态层放到了局部中，这个定位会有问题，而且，假设当前机器人出现了定位的偏差，那么这个引入的静态层肯定是错误的，再加上局部的障碍物层（这里的障碍物层本应该和静态层重合的，但由于定位偏差，不会重合）可能会使得机器人误以为自己在障碍物层内，规划出现问题。

下面我们我们说说move_base核心的部分了，也就是框框内的部分，主要包括global planner和local planner以及一些修复机制，包括rotate_recovery和clear_cost_map_recovery。有人可能会问，global planner是怎么和local planner联通的呢，这里不同的算法可能使用了不同的方法了，但核心都是大致相同了，都是将global planner作为local planner的一个初始参考或者优化方向。这些在深入看两个源码时就会有更加深入的理解了。目前ROS中可以使用的global planner主要包括：A*和Dijkstra。local planner主要有：dwa、trajectory、teb和eband等。目前自我感觉teb local planner效果会好点，有时间会详细的介绍一样该算法的思路，下面我把我的关于move_base的一些配置放到下面。

首先，启动move_base的launch，包括解析map，move_base和amcl定位三个部分，这构成了一个完整的框架，下面我们主要来看move_base.launch里的配置。

<launch>

<param name="use_sim_time" value="false" />


<arg name="map" default="test_map.yaml" />


<node name="map_server" pkg="map_server" type="map_server" args="$(find dart_nav)/maps/dart.yaml"/>


<include file="$(find dart_nav)/launch/tb_move_base_test.launch" />


<include file="$(find dart_nav)/launch/tb_amcl.launch" />

</launch>
下面是move_base.launch内的配置：

<launch>
<node pkg="move_base" type="move_base" respawn="false" name="move_base" output="screen" clear_params="true">
<rosparam file="$(find dart_nav)/config1/costmap_common_params.yaml" command="load" ns="global_costmap" />
<rosparam file="$(find dart_nav)/config1/costmap_common_params.yaml" command="load" ns="local_costmap" />
<rosparam file="$(find dart_nav)/config1/local_costmap_params.yaml" command="load" />
<rosparam file="$(find dart_nav)/config1/global_costmap_params.yaml" command="load" />
<rosparam file="$(find dart_nav)/config1/teb_local_planner_params.yaml" command="load" />

<param name="base_global_planner" value="global_planner/GlobalPlanner"/>
<param name="planner_frequency" value="1.0" />
<param name="planner_patience" value="5.0" />

<param name="base_local_planner" value="teb_local_planner/TebLocalPlannerROS" />
<param name="controller_frequency" value="15.0" />
<param name="controller_patience" value="15.0" />
<rosparam file="$(find dart_nav)/config1/costmap_conversion_params.yaml" command="load" />

</node>

</launch>
如上所示，我使用的是global_planner这个包，它默认使用的是dijkstra，当然也可以使用A*全局路径规划，局部路径规划我使用的是teb，同样需要配置上面第3行到第7行的一些yaml，这些yaml是costmap和planner的一些配置文件。我们来主要看一下local_costmap_params.yaml和global_costmap_params.yaml。这里配置了上面提到的各个层（layers）的使用。

local_costmap_params.yaml:

local_costmap:
global_frame: /odom
robot_base_frame: /base_link
update_frequency: 3.0
publish_frequency: 1.0
static_map: false
rolling_window: true
width: 6.0
height: 6.0
resolution: 0.05
transform_tolerance: 1.0
map_type: costmap
plugins:
- {name: obstacle_layer, type: "costmap_2d::VoxelLayer"}
# - {name: social_layer, type: "social_navigation_layers::ProxemicLayer"}
# - {name: social_pass_layer, type: "social_navigation_layers::PassingLayer"}
# - {name: static_layer, type: "costmap_2d::StaticLayer"}
- {name: inflation_layer, type: "costmap_2d::InflationLayer"}

#Configuration for the sensors that the costmap will use to update a map
obstacle_layer:
observation_sources: scan
scan: {data_type: LaserScan, topic: /scan, marking: true, clearing: true, expected_update_rate: 0}
inflation_layer:
inflation_radius: 0.35
这里由于是局部层，所以我们要把static_map设为fasle，我们并不希望使用静态的地图，因为这不利于我们的局部避障，rollung_window设为true。下面的plugins就为各个层的设置了，在局部路径规划中我们只需要考虑障碍物的信息就可以了，不需要考虑我们之前slam建立的静态地图，所有我们添加了两个图层，即障碍物层和障碍物的膨胀层，下面这个很重要，我们需要声明我们的障碍物层的数据来源，即scan，要把topic对应你的scan的topic，否则你可能发现rviz里的local_costmap没有数据，这就是你没有声明的原因。最后两行为设置膨胀层的半径大小。

global_planner_params.yaml:

global_costmap:
global_frame: /map
robot_base_frame: /base_footprint
update_frequency: 1.0
publish_frequency: 0
static_map: true
rolling_window: false
resolution: 0.05
transform_tolerance: 1.0
map_type: costmap
plugins:
# - {name: obstacle_layer, type: "costmap_2d::VoxelLayer"}
- {name: static_layer, type: "costmap_2d::StaticLayer"}

- {name: inflation_layer, type: "costmap_2d::InflationLayer"}
inflation_layer:
inflation_radius: 0.35
如上，由于在全局路径规划中，我们只应该考虑静态地图，即我们之前slam建立好的地图，所以我们把static_map设为true，rolling_window设为false，再看plugins:有两个层，静态层和膨胀层，这样就完成了global的yaml的配置，如果你需要把障碍物层也添加到全局地图中，plugins加入，同时别忘了在下面声明数据来源，但我个人不推荐将障碍物层加入到global中来。

下面就是我使用的teb的local_planner的yaml了：

TebLocalPlannerROS:

odom_topic: odom
map_frame: /odom

# Trajectory

teb_autosize: True
dt_ref: 0.3
dt_hysteresis: 0.1
global_plan_overwrite_orientation: True
max_global_plan_lookahead_dist: 3.0
feasibility_check_no_poses: 5

# Robot

max_vel_x: 0.4
max_vel_x_backwards: 0.15
max_vel_theta: 0.4
acc_lim_x: 2.0
acc_lim_theta: 1.0
min_turning_radius: 0.0
# footprint_model/type: "circular"
# footprint_model/radius: 0.40 # for type "circular"

# GoalTolerance

xy_goal_tolerance: 0.15
yaw_goal_tolerance: 0.2
free_goal_vel: False

# Obstacles

min_obstacle_dist: 0.45
include_costmap_obstacles: True
costmap_obstacles_behind_robot_dist: 1.0
obstacle_poses_affected: 30
costmap_converter_plugin: ""
costmap_converter_spin_thread: True
costmap_converter_rate: 5

# Optimization

no_inner_iterations: 5
no_outer_iterations: 4
optimization_activate: True
optimization_verbose: False
penalty_epsilon: 0.1
weight_max_vel_x: 2
weight_max_vel_theta: 1
weight_acc_lim_x: 1
weight_acc_lim_theta: 1
weight_kinematics_nh: 1000
weight_kinematics_forward_drive: 1
weight_kinematics_turning_radius: 1
weight_optimaltime: 1
weight_obstacle: 300 #50
weight_dynamic_obstacle: 10 # not in use yet
alternative_time_cost: False # not in use yet

# Homotopy Class Planner

enable_homotopy_class_planning: False
enable_multithreading: True
simple_exploration: False
max_number_classes: 4
roadmap_graph_no_samples: 15
roadmap_graph_area_width: 5
h_signature_prescaler: 0.5
h_signature_threshold: 0.1
obstacle_keypoint_offset: 0.1
obstacle_heading_threshold: 0.45
visualize_hc_graph: False
这里没什么好说的，简单介绍一下teb算法，teb是一个基于图优化的局部路径规划，了解slam的应该都知道BA（bundle adjustment），这里类似，是通过把路径问题构建成一个图优化的问题，然后通过g2o开源库求解优化，teb中是通过对全局路径规划的点（A*或dijkstra）进行优化，也就是最小化误差，这里的误差项为速度，加速度，避障，追踪全局路径等等，最后优化出最优的局部路径，最近在研究teb的算法，有时间再开一个博客，上面大多都是自己的想法，如果有什么问题或错误，欢迎纠正。
---------------------
作者：需要努力的阿蒙
来源：CSDN
原文：https://blog.csdn.net/shenghuaijing3314/article/details/80005629
版权声明：本文为博主原创文章，转载请附上博文链接！