源码
https://github.com/cartographer-project/cartographer
https://github.com/cartographer-project/cartographer_ros
课 程 下 的 注 释 版 代 码 ：
https://github.com/xiangli0608/cartographer_detailed_comments_ws
备用地址：
https://gitee.com/LauZanMo/cartographer
https://gitee.com/xiaojake/cartographer_ros
论文地址：https://ieeexplore.ieee.org/document/7487258
cartographer 整体可以分为三个部分：
一是 input sensor data，也就是读取单线激光雷达的 scan、轮速计的输入以及 IMU，
二是 Local SLAM 部分，也被称为前端。 该部分的主要任务是建立维护子地图（Submaps）,
但 问 题 是 该 部 分 建 图 误 差 会 随 着 时 间 累 积 。 该 部 分 相 关 的 参 数 定 义 在
/src/cartographer/configuration_files/trajectory_builder_2d.lua
和
/src/cartographer/configuration_files/trajectory_builder_3d.lua 中。
三是 Global SLAM 部分，也称为后端. 该部分的主要任务是进行 Loop Closure。闭环检测本
质上也是一个优化问题，文中将其表达成了 pixel-accurate match 的形式，采用 Branch-and
Bound Approach （BBA）的方法来解决。具体使用 Branch-and-Bound 方法，可以参见论
文
Real-Time Loop Closure in 2D LIDAR
SLAM(https://ieeexplore.ieee.org/document/7487258)。如果是 3D 情况下，该部分还负责根
据 IMU 数据找出重力的方向。
可以看出，从传感器出发，Laser 的数据经过两个滤波器后进行 Scan Matching，用来构建子
图 submap, 而新的 Laser Scan 进来后也会插入到已经维护着的子图的适当位置。如何决定
插入的最优位姿，就是通过 Ceres Scan Matching 来实现的。估计出来的最优位姿也会与里
程计和 IMU 数据融合，用来估计下一时刻的位姿。
总体而言，Local Slam 部分负责生成较好的子图，而 Global Slam 部分进行全局优化，将不
同的子图以最匹配的位姿连接在一起。
Cartographer 安装编译与 demo 运行
#下载 https://github.com/abseil/abseil-cpp
cd abseil-cpp
mkdir build && cd build
cmake ..
make
sudo make install
# 安装 abseil 的动态库：可以将之前的 build 文件夹删掉，重新建立 build 文
件夹
mkdir build && cd build
cmake .. -DBUILD_SHARED_LIBS=ON
make
sudo make install
#安装其他依赖
sudo apt-get update
sudo apt-get install -y python-wstool python-rosdep ninja-build
sudo apt-get install cmake
sudo apt-get install build-essential
sudo apt-get install libgoogle-glog-dev
sudo apt-get install libatlas-base-dev
# 创建 cartographer_ws 工作空间，并将以下三个链接都拷到 src 文件夹里：
# https://github.com/cartographer-project/cartographer
# https://github.com/cartographer-project/cartographer_ros
# https://github.com/ceres-solver/ceres-solver
#编译 ceres
cd ceres-solver
mkdir ceres-bin
cd ceres-bin
cmake ..
make
make test
sudo make install
#安装 protobuf3 https://github.com/protocolbuffers/protobuf/releases
cd protobuf
mkdir build
cd build
cmake -G Ninja \
-DCMAKE_POSITION_INDEPENDENT_CODE=ON \
cvlife.net -DCMAKE_BUILD_TYPE=Release \
-Dprotobuf_BUILD_TESTS=OFF \
../cmake
ninja
sudo ninja install
#构建 cartographer 工作空间
mkdir -p cartographer_ws/src
cd cartographer_ws/src
catkin_init_workspace
#cartographer 编译
cd cartographer_ws
rosdep update
rosdep install --from-paths src --ignore-src --
rosdistro=${ROS_DISTRO} -y
#Build and install.这一步会花费很长的时间，耐心等待
catkin_make_isolated --install --use-ninja
source install_isolated/setup.bash
#运行测试
wget -P ~/Downloads https://storage.googleapis.com/cartographer
public-data/bags/backpack_2d/cartographer_paper_deutsches_museum.bag
roslaunch cartographer_ros demo_backpack_2d.launch
bag_filename:=${HOME}/Downloads/cartographer_paper_deutsches_museum.bag
Cartographer 保存轨迹
#保存轨迹
#思路：在使用 cartographer 建图的过程中，找到 cartographer 提供的
“/trajectory_query” 服务（可以用“rosrun rqt_service_caller
rqt_service_caller”命令），请求后会得到当前轨迹每一帧的位姿。在源码
中找到这部分内容，将其保存为 txt 文件即可。
#方法：源码 node.cc 中，修改 HandleTrajectoryQuery 函数：
bool Node::HandleTrajectoryQuery(
::cartographer_ros_msgs::TrajectoryQuery::Request& request,
::cartographer_ros_msgs::TrajectoryQuery::Response& response) {
cvlife.net absl::MutexLock lock(&mutex_);
response.status = TrajectoryStateToStatus(
request.trajectory_id,
{TrajectoryState::ACTIVE, TrajectoryState::FINISHED,
TrajectoryState::FROZEN} /* valid states */);
if (response.status.code != cartographer_ros_msgs::StatusCode::OK)
{
LOG(ERROR) << "Can't query trajectory from pose graph: "
<< response.status.message;
return true;
}
map_builder_bridge_.HandleTrajectoryQuery(request, response);
// 保存轨迹为 txt 文件
std::cout << "receiving" << std::endl;
std::string txt_filename = "/home/xxx/xxx.txt";
std::ofstream outf(txt_filename, std::ios::app);
for (int i = 0; i < response.trajectory.size(); i++){
int32_t sec = response.trajectory[i].header.stamp.sec;
int32_t nsec = response.trajectory[i].header.stamp.nsec;
double x = response.trajectory[i].pose.position.x;
double y = response.trajectory[i].pose.position.y;
double z = response.trajectory[i].pose.position.z;
outf << std::setprecision(20) << sec << "." << nsec << " " << x
<< " " << y << " " << z << std::endl;
}
return true;
}
rosrun rqt_service_caller rqt_service_caller
#选择/trajectory query 即可
#评估
evo_ape tum gt.txt result.txt -vap
#通常使用绝对轨迹误差的 RMSE 来衡量算法的定位精度
#保存 pgm 珊格地图
rosrun map_server map_saver
传感器实测方法及常见问题
参考 https://blog.csdn.net/weixin_44314245/article/details/110881565
https://blog.csdn.net/Darcy_MFFL/article/details/112433149
https://blog.csdn.net/weixin_42576673/article/details/107280930
Cartographer 工程化建议
rplidar 适配 cartographer 的方式：
1.修改 cartgrapher_ros/cartprapher_files 下的 revo_lds.lua 文件，把下面的两个配置选项替换
成“laser”
tracking_frame = "laser",
published_frame = "laser"
2.修改 cartographer_ros 下的 demo_revo_lds.launch 文件
<launch>
<param name="/use_sim_time" value="flase" />
<!-- 首先是 rplidar 节点：因此必须保证是安装了 rplidar_ros -->
<node pkg="rplidar_ros" type="rplidarNode" name="rplidarNode"
output="screen">
<param name="serial_port" type="string"
value="/dev/ttyUSB0"/>
<param name="serial_baudrate" type="int" value="265000"/>
<param name="frame_id" type="string" value="laser"/>
<param name="inverted" type="bool" value="false"/>
<param name="angle_compensate" type="bool" value="true"/>
</node>
<!-- 然后是 cartographer 节点：他在这里调用了 revo_lds.lua 文件，这个文
件我修改了 首先把 “map”改成了“/map” -->
<node name="cartographer_node" pkg="cartographer_ros"
type="cartographer_node" args="
-configuration_directory $(find
cartographer_ros)/configuration_files
-configuration_basename revo_lds.lua"
output="screen">
<remap from="scan" to="scan" />
</node>
<node name="rviz" pkg="rviz" type="rviz" required="true"
args="-d $(find
cartographer_ros)/configuration_files/demo_2d.rviz" />"
</launch>
3.进入工作空间重新编译
catkin_make_isolated --install --use-ninja
4.启动
roslaunch cartographer_ros demo_revo_lds.launch
注释版的
cartographer
源 码 地 址 ：
https://github.com/xiangli0608/cartographer_detailed_comments_ws
)
)
