search

Wangben1019 / KDRobot_RM2023Sentry_Navigation

66 stars 4 forks source link

readme

声明：此套框架并不完善，经过测试并不适合RM比赛，建议使用Navigation + 3d激光惯导的导航方案

声明：但是对于导航初学者来说，本仓库README部分内容仍然值得一看

SLAM以及路径规划部分

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

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

零、写在前面

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

一、框架的使用

1.1 框架的使用注意事项

​ 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。

1.2 安装livoxSDK

按照官方给的文档编译安装即可

1.3 编译

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。。。。

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！

1.4 编译过程中意料之内的小错误

1.4.1 报错1：编译缺少livox_ros_driver/CustomMsg.h，一般由fast-lio报错

​ 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"

1.4.2 报错2：缺少fast_lio/Pose6D.h

​ 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

1.4.3 BUG1：解决1.4.1中问题后，如果直接运行catkin_make，仍会只编译livox_ros_driver

​ 解决方法：catkin_make -DCATKIN_WHITELIST_PACKAGES=""

二、Livox雷达的使用。以mid360为例

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

  1. 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

  1. 在Livox的上位机中进行测试

    1. 下载链接（左键蓝字部分即可下载）

    2. 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

    3. 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

    4. 尽量这一步测试没有问题之后在进行下一步

  2. 通过livox_ros_driver2驱动mid360发布点云

    1. 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
     }
   }
 ]
}
    1. 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

三、框架的组成

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

1.感知层

2.规划层

3.控制层

四、架构中的部分pkg的作用

感知层

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）

规划层

任务规划

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

行为规划一般是自己写的决策

运动规划

local_planner pathFollower

运动规划放在一起说

在开源代码autonomous_exploration_development_environment中，有以下pkg

  1. joystick_drivers

  2. loam_interface

  3. local_planner

  4. sensor_scan_generation

  5. terrain_analysis

  6. terrain_analysis_ext

  7. vehicle_simulator

  8. velodyne_simulator

  9. visualization_tools

  10. waypoint_example

  11. 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

五、关于调参

调参建议先去autonomous_exploration_development_environmentCV一份原始参数

感知层

如果是室内使用fast_lio，可以参考一下https://github.com/hku-mars/FAST_LIO/issues/169

规划层

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）

在terrain_analysis.launch中

六、关于一些话题

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)

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。

七、整体运行流程

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