河北科技大学机器人战队Actor&Thinker RM2023哨兵导航部分代码
本项目基于ros-noetic
-
学习时间很短加之本人水平有限，请各位大佬发现问题不吝赐教
-
由于项目自己在维护，而且写文档的时候已经好久没有机会实操了，所以说可能有的地方是有问题的，所以说如果哪里写的不对还希望佬们联系我指正，谢谢了
-
有批评问题欢迎各位佬联系QQ：2782760102
-
user_package软件包下的package.xml，为了不让各位使用它报错，建议删除他或者是删除整个user_package，他对整个开源项目是没有帮助的
-
README部分会随着作者不断深入学习一直更新的QAQ
本文主要描述了本赛季六个来月学习的一些小理解，主要讲一些常用topic
首先学习哨兵底盘算法之前建议了解一下无人驾驶系统的架构
本项目更多的提供一个很多开源的整合框架。其中包含了大量作者在学习阶段乱写的注释笔记等。建议直接去各个仓库自己克隆拼凑
- fast_lio 注意它包含了子模块
- autonomous_exploration_development_environment
- far_planner
- livox_ros_driver 注意安装SDK
- livox_ros_driver2 注意安装SDK
- tare_planner 此处用不上，他是和far_planner算法处在同一层，两个应用场景，一个是探索未知环境，一个是做路径规划
由于本框架决策层由于时间原因未经过测试，pkg中user_package中决策部分代码并无参考意义。除此之外该功能包剩余的功能只为订阅话题cmd_vel与stm32进行通信。其中通信部分代码为另外一个仓库中的内容。使用时可以使用自己队伍内的PC与单片机通信框架进行更改。具体步骤为：1.删除pkguser_package。2.创建新的功能包并编译通信lib。3.订阅话题cmd_vel发送x，y，yaw三轴期望速度发送至单片机即可使用。
按照官方给的文档编译安装即可
- 使用开源中使用的通信lib（不推荐，需要编译Qt）
sudo apt update
sudo apt install gcc # 安装gcc QT依赖，一般系统会有的
sudo apt install g++ # 安装g++ QT依赖，一般系统会有的
sudo apt install make # 安装make QT依赖，一般系统会有的
sudo snap install cmake --classic # 安装cmake
sudo apt-get install build-essential # 安装Qt5的组件
sudo apt install libusb-dev # 安装usb驱动，autonomous_exploration_development_environment需要
sudo apt install libqt5serialport5-dev # 安装qt5serial，通信框架需要
sudo apt-get install qt5* # 安装QT5
git clone https://github.com/LX050724/KdrobotCppLibs
cd KdrobotCppLibs
rm -r modules/Realsense_Util/
mkdir build
cd build
cmake ..
make -j8
sudo make install# 添加环境变量到profile
export PATH=/usr/local/KdrobotCppLibs/bin/Release${PATH:+:${PATH}}
export CMAKE_PREFIX_PATH=/usr/local/KdrobotCppLibs/lib/Release/cmake${CMAKE_PREFIX_PATH:+:${CMAKE_PREFIX_PATH}}
# 刷新环境变量git clone https://github.com/Wangben1019/KDRobot_RM2023Sentry_Navigation.git
cd KDRobot_RM2023Sentry_Navigation
catkin_make
# 注意！！！到这里可能会有报错，别慌，看1.4！总之，我由于电控转行算法，对各种各样的操作不是很懂，所以说使用这个框架会造成很多很多麻烦，所以说不建议，主要是有些错误不会解决，嗯，我是废物。。。。
- 不使用开源中的通信lib（强烈推荐）
sudo apt update
sudo apt install libusb-dev
git clone https://github.com/Wangben1019/KDRobot_RM2023Sentry_Navigation.git
cd KDRobot_RM2023Sentry_Navigation
rm -r src/user_package/ # 不用就删掉咯，但是user_package中仍存在启动整个框架的launch文件，可以借鉴。
catkin_make
# 注意！！！到这里可能会有报错，别慌，看1.4！ 这是因为CustomMsg.h是livox_ros_driver编译后生成的.h文件，需要首先编译livox_ros_driver
解决方法：catkin_make -DCATKIN_WHITELIST_PACKAGES="livox_ros_driver"
这是很抽象的编译顺序造成的（我才是多核编译造成的，本人才疏学浅，不懂）
解决方法：报错之后重复编译（即：再次运行catkin_make）即可
解决方法：catkin_make -DCATKIN_WHITELIST_PACKAGES=""
从解决其他学校好兄弟问题的经验来讲，不能用虚拟机，不能用虚拟机，不能用虚拟机。一般涉及物理接口的虚拟机都会出很多奇奇怪怪的问题
- 首先修改网络设置
修改有线配置为手动，设置IP，雷达如果没有设置更改过IP一般默认为192.168.1.50，同时子网掩码也要设置好
-
在Livox的上位机中进行测试
-
解压压缩包并运行上位机
unzip LivoxViewer2\ for\ Ubuntu\ v2.3.0.zip cd cd LivoxViewer2\ for\ Ubuntu\ v2.3.0/ ./LivoxViewer2.sh # 如果没有可执行权限记得加权限，或者右键属性/权限也可以勾选
-
如果不出意外的话是可以运行的，如果没有效果，查看一下右上角的IP看看是不是设置好的IP
-
尽量这一步测试没有问题之后在进行下一步
-
通过livox_ros_driver2驱动mid360发布点云
- 修改
livox_ros_driver2/config/MID360_config.json文件
修改部分为host_net_info（下文已经修改好）以及lidar_configs中的ip为：198.168.1.1xx，其中xx为雷达二维码SN码后两位（具体可以看手册）
{ "lidar_summary_info" : { "lidar_type": 8 }, "MID360": { "lidar_net_info" : { "cmd_data_port": 56100, "push_msg_port": 56200, "point_data_port": 56300, "imu_data_port": 56400, "log_data_port": 56500 }, "host_net_info" : { "cmd_data_ip" : "192.168.1.50", "cmd_data_port": 56101, "push_msg_ip": "192.168.1.50", "push_msg_port": 56201, "point_data_ip": "192.168.1.50", "point_data_port": 56301, "imu_data_ip" : "192.168.1.50", "imu_data_port": 56401, "log_data_ip" : "", "log_data_port": 56501 } }, "lidar_configs" : [ { "ip" : "192.168.1.182", "pcl_data_type" : 1, "pattern_mode" : 0, "extrinsic_parameter" : { "roll": 0.0, "pitch": 0.0, "yaw": 0.0, "x": 0, "y": 0, "z": 0 } } ] }- 尝试运行livox_ros_driver2
# 运行以下语句查看rivz中是否存在点云 roslaunch livox_ros_driver2 rviz_MID360.launch - 修改
首先拿出无人驾驶系统架构
需要重点强调一下的就是规划层的任务规划和运动规划。其中任务规划属于是一个大范围低分辨率的路径规划，它能够规划从车体到goal-point的整体路径，他的主要作用是纵观全局的去做规划，当无人车走到死角的时候能够及时的重新规划一条路径，并将整体路径分成小部分距离无人车近的路径，发布话题给运动规划。运动规划属于是一个小范围高分辨率的路径规划，他的主要作用是小范围的导航，但是他包含了避障等功能
- 规划层的部分非常建议搭配论文食用，论文是同名的，我翻译了一下，看不惯英文的各位佬移步我的另一个仓库
- PS：仓库里也有论文原文的跳转。这是一个类似文档的论文，没有复杂的理论以及数学公式，小白也能看懂
- 感知层使用的算法是fast-lio2
- 任务规划使用的算法是far_planner
- 运动规划使用的算法是autonomous_exploration_development_environment
- 注意：运动规划算法实车部署的时候，起作用的是里面的内置算法ground_based_autonomy_basic，autonomous_exploration_development_environment实际上是一个仿真平台。用起来更方便
- 发送x y yaw指令到单片机执行。
感知层只用了fastlio，地图话题为/cloud_registered，里程计话题为/Odometry（23.9.14：前几天从群里看到大佬说fastlio没有建图，挖个坑以后补一补）
任务规划为far_planner，只部署的话，far_planner.cpp中有一个话题/goal_point为目标点，拥有目标点之后，他会计算整体路径并且拆分整体路径发送航路点到行为规划。
如果行为规划和运动规划所运用的都是cmu官方的开源代码，则不需要修改话题。否则需要修改far_planner.launch中的话题
行为规划一般是自己写的决策
local_planner pathFollower
在开源代码autonomous_exploration_development_environment中，有以下pkg
-
joystick_drivers
-
loam_interface
-
local_planner
-
sensor_scan_generation
-
terrain_analysis
-
terrain_analysis_ext
-
vehicle_simulator
-
velodyne_simulator
-
visualization_tools
-
waypoint_example
-
waypoint_rviz_plugin
其中，
1为ros的手柄pkg，用于订阅手柄的消息，手柄可控制小车移动，用作调试用。比如1. 避障效果：前方有障碍物的时候，及时手柄操控一直向前，也是可以自动避障的。2. 底层嵌入式的坐标系方向与ros坐标系方向是否一致：检查运动方向是否一致，往左推向右走就是有问题。3. 底层嵌入式相对于pc的反应速度：反应速度太慢会导致使用时车身抖动。
2为slam接口pkg直接修改loam_interface的launch文件，可以修改点云图和里程计的话题以及是否需要坐标变换，并且cmu官方给出了部分常用slam开源代码与规划层代码对接的实例
3.为运动规划的主要代码，其中，local_planner作为局部路径规划器，通过MATLAB生成了小车的所有可行驶路径：在rviz中可视为车身（雷达）坐标系周围的一圈或者一部分圆弧的黄色路径，路径和matlab源码存储在该pkg下的paths目录中，可通过更改变量scale来改变实际车体的半径（不是很确定）。local_planner中订阅了一个名为/way_point的话题，此话题为航路点，也就是小车局部规划的目标点。他的来源为上层规划算法far_planner发送，自己发送，或者使用rviz+官方的way_point插件，它适用于短距离的避障等行为，far_planner的goal_point更适用于远距离的整体规划。然后通过航路点，地形分析等各种条件local会计算出最优路径通过发布话题/path的行为将最优路径发送到path_follower上，path_follower会使用类似pid控制算法的形式计算出跟随该路径需要的x y yaw的速度，并且通过话题/cmd_vel发布，想要根据雷达，路径规划控制小车移动，可以订阅该消息。
4为传感器等消息的坐标变换
5为地面可通过点云分析，该开源算法，适用于地面四轮机器人，所以在雷达点云中，会有一部分点云是地面，有一部分是障碍物，并且一般情况下地面和障碍物还是相接的，该pkg可以通过几何方式去分析点云是地面还是障碍物还是坡，用于上层规划器（far_planner）和行为规划和运动规划的计算。
6为拓展地面可通过点云分析，和5效果一样，但是6属于是大范围低分辨率，5属于小范围高分辨率，6更多的用于上层规划器的全局的规划，似乎行为规划和运动规划并没有用上。该开源代码就是让大范围低分辨率和小范围高分辨率结合，提高了任务规划的效率，加强了行为规划的稳定性
7为该开源算法的仿真平台的仿真相关的东西，他包含了仿真所需的机器人模型，地图的.ply，地图的.world，在mesh目录下运行download_environment.sh以下载仿真所需环境。他提供了代码去实时的更新gazebo中的模型位置，通过仿真获取雷达点云图，计算里程计等。另外部署真实机器人时，也需要用到该pkg下的launch启动文件system_real_robot.launch
8，9，10，11等均为仿真所用的pkg，能用就行
调参建议先去autonomous_exploration_development_environmentCV一份原始参数
如果是室内使用fast_lio，可以参考一下hku-mars/FAST_LIO#169
规划层调参时主要集中在local_planner的launch文件和terrain_analysis的launch文件中
在local_planner.launch中（不一定对）
- 很重要，去ground_based_autonomy_basic的README中查看Changing robot size，以适配自己的无人车！！！！
- sensorOffsetX、sensorOffsetY：为传感器在X、Y轴上相对于车体中心点的偏移
- twoWayDrive：双向驱动：就是车体能不能反向走（倒车）
- maxSpeed：X、Y轴的最大速度
- autonomyMode：自主模式：跟手柄有关
- vehicleLength：车长
- vehicleWidth：车宽
- obstacleHeightThre：障碍物阈值，高于这个值就会被认定成障碍物，否则坡度合适的情况下会认定为斜坡
- groundHeightThre：地面高度阈值，设置太小会导致原地旋转
- minRelZ、maxRelZ：需要调参，但是并不是很清楚具体意义，应该是点云处理的范围
- maxYawRate：最大角速度（单位：°）
在terrain_analysis.launch中
- vehicleHeight：雷达安装高度
- /stop：在pathFollower.cpp中有以下源码
void stopHandler(const std_msgs::Int8::ConstPtr& stop)
{
safetyStop = stop->data;
}
ros::Subscriber subStop = nh.subscribe<std_msgs::Int8> ("/stop", 5, stopHandler);
if (safetyStop >= 1) vehicleSpeed = 0;
if (safetyStop >= 2) vehicleYawRate = 0;由此可知，当设置stop >= 2时，就可以让车停止(X Y Yaw期望速度都为0)
- /speed：在pathFollower.cpp中有以下源码
void speedHandler(const std_msgs::Float32::ConstPtr& speed)
{
double speedTime = ros::Time::now().toSec();
if (autonomyMode && speedTime - joyTime > joyToSpeedDelay && joySpeedRaw == 0) {
joySpeed = speed->data / maxSpeed;
if (joySpeed < 0) joySpeed = 0;
else if (joySpeed > 1.0) joySpeed = 1.0;
}
}
ros::Subscriber subSpeed = nh.subscribe<std_msgs::Float32> ("/speed", 5, speedHandler);此话题用于设置移动速度，但是不会超过在launch文件中的maxspeed，超过则等于maxspeed，可以用于某些情况下加速行驶。
- /cmd_vel：控制话题，包含了X Y Yaw三轴期望速度，订阅后直接做用于底盘期望速度
- /way_point & /goal_point：/way_point用于local_planner的航路点（目标点），localplanner中的目标点其实还有方向，所以不是很建议用这个目标点，应该用/goal_point，但是有一点可圈可点的是：/way_point航路点寻迹的时候如果路径被阻塞，不会全局改变路径。这个可以简单利用一下
首先使用pkg livox_ros_driver2驱动MID360发布点云数据（"/livox/lidar"）和imu数据（"/livox/imu"），这些数据由感知层（fast_lio）订阅并处理。
然后经过fast_lio处理后，fast_lio会发布两个话题，分别是环境感知（点云地图"/cloud_registered"）和高精定位（里程计"/Odometry"），这两个话题会被loam_interface订阅并进行旋转变换(也可能不变，看具体用哪个算法)和话题名称，坐标系名称变换，用于整个规划层。
然后terrain_analysis 和 terrain_analysis_ext进行地面点云分析，分析出来可通行的路面，分别作用于后续的上层规划和下层规划。上层规划far_planner利用他们和goal_point计算出整体路径中的分开的航路点作用于local_planner。下层规划利用他和way_point以及已经生成好的路径计算出可行驶路径中最优的一条，发布话题。由pathfollower订阅，进行路径循迹