1.cartographer_ros定位功能位姿获取与重定位设置
2.因子图优化 SLAM 研究方向归纳
3.ROS2测试源码编译安装cartographer
4.Cartographer ROS编译安装及相关可执行文件理解
5.PX4 视觉定位设置及多种定位数据获取方法（T265为例）
6.Cartographer源码详解|（2）Cartographer_ros

cartographer_ros定位功能位姿获取与重定位设置

       小白在机器人定位项目中使用cartographer进行定位，源码面临位姿获取频率低的安装问题，测试显示激光频率~hz时，源码获取位姿频率仅为5hz。安装为解决此问题，源码尝试了以下方法：

       首先，安装android 获取root 源码对cartographer进行源码安装。源码

       接着，安装运行cartographer_rosd的源码demo，参考.launch运行文件和.lua配置文件，安装并开启pure localization功能。源码

       尝试通过tf变换获取位姿坐标，安装但发现频率受限于5hz左右。源码为解决此问题，安装建立tf变换节点，源码发布2D位姿topic，实现高频率的位姿获取。

       深入源码修改，添加::ros::Publisher _pose_pub，对 node.cc进行调整，从而获取高频率的位姿topic。

       在rviz中，利用“2D Pose Estimate”功能，发布/initialpose话题，并根据机器人当前位置进行重定位设置。通过点击地图位置，发布包括x,自动抢购源码y和theta的topic进行重定位。

       总结流程，通过源码修改和rviz重定位设置，实现了高频率的位姿获取及重定位功能。若有疑问，欢迎交流，共同学习。

因子图优化 SLAM 研究方向归纳

       因子图优化在SLAM研究中扮演着关键角色，但选择正确的路径至关重要。经过作者近半年的探索，我们看到了他的摸索历程和教训。以下是关键点的归纳：

       错误的学习路径

       作者起初被cartographer论文引入，尝试了平方根SAM和isam2，以及GTSAM框架，但陷入论文、教材与框架的循环，未能深入理解。错误的方法包括直接阅读源代码、依赖可视化教程而非底层原理，以及频繁切换学习材料。

       正确的入门路径

       建议从实际应用GTSAM库开始，通过理解isam1中的因子图构建，尤其是用Matlab实现基础概念。重点在于掌握因子图的基本思想和增量优化，包括QR分解和Givens旋转。之后理解因子图转贝叶斯网的过程，并研究Bayes tree的app源码精灵构建和更新。

       研究方向与挖掘点

       - 算法改进：isam1的优化策略、isam2的树转换简化，以及贝叶斯树的深度调整。

       - 新应用：如LOAM的增量优化应用，可以寻找新的机器人应用场景，比如高精度实时地图需求。

       避开的陷阱

       - 避免陷入代码细节，保持理论核心，注意GTSAM的工程性质。

       - 不要一开始就追求贝叶斯树，关键在于因子图和信息矩阵的增量优化。

       作者的困惑

       - 寻找实时全局优化的平衡，以及技术应用与现实需求的结合。

       总的来说，因子图优化的研究方向包括算法优化和新应用的探索，同时需要明确定位，避免陷入细节，保持理论与实践的结合。希望这些建议能帮助后来者避免作者的弯路，找到自己的研究方向。

ROS2测试源码编译安装cartographer

       Cartographer是一个跨平台、传感器配置提供实时同步定位和绘图(SLAM)的系统，具有回环检测优势，资源占用适中。

       选择源码编译安装方式，以适应后期项目修改和移植需求。发散按钮源码首先，使用Ubuntu虚拟机测试验证。

       若国内访问github受限，可选择Gitee上的备份仓库进行下载。尝试多个版本，确认在Ubuntu humble版本下能够成功下载和安装。

       在安装过程中，需要下载依赖项。在Ubuntu上，首先安装libabsl-dev、libceres-dev以及liblua5.3-dev等包。对于ceres-solver，需确保CUDA、显卡加速和TBB指令集优化选项已配置。

       在开发板上，通过源码编译安装三方依赖。确保所有依赖包均正确安装，包括protobuf版本为v3.4.1分支。

       完成所有依赖安装后，开始编译Cartographer源码。首先下载官方数据集，注意ROS2格式的rosbag转换，使用rosbags工具进行转换。

       介绍ROSbag格式，ROS1的.rosbag文件为二进制存储格式，而ROS2使用SQLite数据库格式，pygame源码分析支持跨平台和扩展性。两种格式转换方法，推荐使用rosbags工具，无需依赖ROS环境。

       测试Cartographer时，使用ros2命令启动示例launch文件，输入特定的bag文件名以加载数据集。测试3D数据集时，使用相应的launch文件和bag文件名。

       资源占用情况分析将后续进行。

Cartographer ROS编译安装及相关可执行文件理解

       一、编译安装Cartographer ROS

       为了安装 Cartographer ROS，首先需要确保ROS版本为kinetic，操作系统为Ubuntu.，并创建一个名为catkin_ws的工作空间。

       安装所需的工具和依赖项，包括wstool、rosdep、ninja。然后，通过catkin_make工具构建并安装cartographer_ros。

       加载数据包进行测试，运行launch和rosbag，最终可以生成slam图。

       二、编译方法

       编译Cartographer ROS时，使用catkin_make命令，这简化了catkin的标准工作流程，依次调用cmake、make和make install。

       编译后的工作空间内将有src、build_isolated、devel_isolated、install_isolated等文件夹，分别用于源代码、孤立编译、开发和安装。

       三、install_isolated内可执行文件

       在install_isolated文件夹内，有多种可执行文件，如cartographer_assets_writer、cartographer_autogenerate_ground_truth、cartographer_compute_relations_metrics、cartographer_dev_rosbag_publisher等。

       cartographer_assets_writer用于保存和使用有效资源；cartographer_autogenerate_ground_truth自动生成期望的真实输出；cartographer_compute_relations_metrics计算相关指标。

       cartographer_dev_rosbag_publisher发布rosbag信息，用于数据收集与分析；cartographer_dev_trajectory_comparison进行轨迹比较；cartographer_migrate_serialization_format迁移序列化格式。

       cartographer_node为ROS中的核心节点，负责实时SLAM；cartographer_occupancy_grid_node构建并发布ROS的occupancy_grid地图；cartographer_offline_node进行离线SLAM。

       cartographer_pbstream_map_publisher创建静态占据栅格；cartographer_pbstream_to_ros_map将pbstream格式转换为标准ROS格式地图；cartographer_rosbag_validate验证rosbag数据。

       cartographer_start_trajectory用于在本地化模式中设置起始位姿。

       通过这些工具和节点，Cartographer ROS提供了一个全面的SLAM解决方案，包括数据收集、处理、验证和应用。

PX4 视觉定位设置及多种定位数据获取方法（T为例）

       本文详细介绍了将视觉定位数据传递给PX4飞控的方法，并以T为例演示了视觉定位的相关设置及效果。主要有三种方法：通过向指定的mavros话题发送定位数据；将定位数据发布为tf变换，使px4订阅该tf变换；以及修改px4_config.yaml文件，将listen设置为true。T是四旋翼视觉定位常用的定位方案，然而关于其原理的讲解较少。本文包括详细的视频讲解，总计时长超过分钟。通过本文，读者可以轻松学习如何将T应用在PX4实机上。

       目前已知的将视觉定位数据传递给PX4飞控的方法包括：通过向“/mavros/odometry/out”话题发送T数据；通过向“/mavros/vision_pose/pose”话题发送数据；以及修改px4_config.yaml文件，将listen设置为true，以实现tf变换的订阅。其中，修改px4_config.yaml文件的方法会导致通过topic发送定位数据的两种方法失效，而frame_id和child_frame_id之间的tf变换即为定位数据。对于cartographer而言，通过修改frame_id就可以将cartgrapher发布的tf定位数据传输给PX4飞控。

       在使用EKF2进行融合定位时，需要设置相关的参数。常用的参数包括EKF2_AID_MASK的数值设置，以及EKF2_EV_DELAY参数的设置，后者对高度估计和转向的影响尤为重要（当前为作者的个人猜测）。参数设置完成后，系统需要重启才能生效。

       在使用Realsense驱动时，可能遇到的疑难杂症包括：AGX Orin配置时的问题，T插着开机需要插拔，电脑无法检测T，以及Dxx相机深度点云频率低等。关于Realsense驱动的安装步骤，以Ubuntu.为例，通常有两种方式：源码安装或二进制包安装。在具体的系统环境下，读者应根据实际情况选择合适的安装方式。

Cartographer源码详解|（2）Cartographer_ros

       上一篇文章深入分析了传感器数据的流向，接下来让我们继续探讨传感器格式的转换与类型变换。这部分内容在sensor_bridge.cc文件中。在处理传感器的坐标变换时，我们需要运用三维空间刚体运动的知识，先进行简要回顾，以助于理解代码。

       三维空间刚体运动涉及向量内积与外积。向量内积的计算公式如下，表示两个向量的点乘。向量外积则是一个向量，其方向垂直于两个向量，大小为两向量张成四边形的有向面积，计算公式如下。

       旋转和平移是欧氏变换的两个关键部分。旋转涉及单位正交基的变换，形成旋转矩阵（Rotation matrix），该矩阵的各分量由两组基之间的内积组成，反映了旋转前后同一向量坐标的变化关系。平移则通过向旋转后的坐标中加入平移向量t实现。通过旋转矩阵R和平移向量t，我们可以完整描述欧氏空间中的坐标变换关系。

       为了简化变换过程，引入齐次坐标和变换矩阵。在三维向量末尾添加1形成四维向量，进行线性变换。变换矩阵T能够将两次变换叠加简化为一个操作，便于后续计算。

       Cartographer的坐标转换程序位于transform文件夹下的rigid_transform中，用于求解变换矩阵的逆。

       在sensor_bridge类中，构造函数将传入配置参数，对里程计数据进行处理。首先将ros时间转换为ICU时间，然后利用tf_bridge_.LookupToTracking函数找到tracking坐标系与里程计child_frame_id之间的坐标变换。在ToOdometryData函数中，将里程计的footprint的pose转换为tracking_frame的pose，并最终将结果转换为carto::sensor::OdometryData的数据类型。

       HandleOdometryMessage函数将传感器数据类型与坐标系转换完成后，调用trajectory_builder_->AddSensorData进行数据处理。对于雷达数据，首先转换为点云格式，然后对点云进行坐标变换，并调用trajectory_builder_->AddSensorData进行数据处理。

       IMU数据处理中，要求平移分量小于1e-5，然后调用trajectory_builder_->AddSensorData对数据进行处理。

       在雷达数据处理部分，首先将点云数据分段，然后传给HandleRangefinder处理，将点云坐标变换到tracking_frame坐标系下，调用trajectory_builder_->AddSensorData函数进行数据处理。

       总结本章内容，我们详细解析了SensorBridge类，对传感器数据进行了转换和传输。通过Node类、MapBuilderBridge类和SensorBridge类，我们对Cartographer_ros部分的代码有了基本了解。接下来，我们将深入学习cartographer。