[slam]docker-slam下的建图与定位-Toy模板网

这篇具有很好参考价值的文章主要介绍了[slam]docker-slam下的建图与定位。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1.实验目的：

2.实验设备：

3.各个传感器驱动使用步骤

4.实验原理

5.实验详细步骤、遇到的问题及解决方法

1.首先下载docker

2.下载.bag数据集和.tar数据压缩包

3.将.tar文件导入docker中（此步骤可能会较慢）

4.将镜像生成容器

5.进入容器

6.建图部分

1.下载gtsam库和geographiclib库

2.将liorf与liorf_localization两个文件夹放入workspace中src里面

3.生成PCD来定位

4.运行slam可视化

7.定位部分

1.设置话题名字

2.运行slam可视化

6.实验总结

1.实验目的：

1.实现slam视觉下的建图与定位

2.使我们了解如何熟练运用ros订阅与发布

2.实验设备：

智能车辆建图教学小车 [slam]docker-slam下的建图与定位,计算机视觉,c语言

[slam]docker-slam下的建图与定位,计算机视觉,c语言

3.各个传感器驱动使用步骤

1.雷达：

1）先启动容器，进入容器中

docker start slam(启动容器) docker exec -it slam /bin/bash(进入容器)

2）打开两个终端，一个启动数据集，另一个启动slam视觉可视化

启动数据集：

cd /root/bag

rosbag play all_2023-12-25-02-59-36.bag

若出现错误需要新开一个终端roscore一下，启动ros

启动slam视觉可视化：

cd /root/drive
source devel/setup.bash
roslaunch rslidar_sdk start.launch

若出现[rviz-3] process has died在新建终端输入（宿主机即可，不需要进去容器）

xhost +

若在弹出rviz中显示点云说明雷达驱动正常

2.组合导航

同理

cd /root/drive
source devel/setup.bash
roslaunch chcnav_driver chanav_node.launch

4.实验原理

基于Docker容器技术和多传感器融合技术，实现机器人的同时定位与地图构建。

首先，Docker容器技术为SLAM提供了运行环境，使得各种算法和程序能够在同一台计算机上以容器化的方式运行，方便管理和部署。其次，多传感器融合技术利用不同传感器的信息，通过数据融合算法处理，提高定位和地图构建的精度和鲁棒性。

在实验中，通常会使用激光雷达和IMU（Inertial Measurement Unit）等传感器，获取机器人周围的环境信息和自身姿态信息。然后，通过数据融合算法处理这些信息，得到机器人的位置和姿态估计。同时，利用机器人携带的相机等传感器拍摄图像，提取特征点并进行匹配，进一步验证和调整定位结果。最后，利用定位信息和传感器数据，通过地图构建算法生成环境地图。

5.实验详细步骤、遇到的问题及解决方法

1.首先下载docker

这里分享鱼香ros一键安装的docker代码

wget http://fishros.com/install -O fishros && . fishros

2.下载.bag数据集和.tar数据压缩包

链接: https://pan.baidu.com/s/1149Ytm3p-TDYh6bdTGfLzw?pwd=54sb 提取码: 54sb
--来自百度网盘超级会员v5的分享

数据压缩包目的是将.tar文件导入docker中，让激活容器的功能。

3.将.tar文件导入docker中（此步骤可能会较慢）

docker load < ~/slam.tar

“~"（此处输入自己电脑存放slam.tar的位置）

[slam]docker-slam下的建图与定位,计算机视觉,c语言

4.将镜像生成容器

sudo docker run -dit --name=slam --privileged --network=host -v /home/lsy/meterials/shiyanzhou:/home -v /tmp/.X11-unix:/tmp/.X11-unix --device=/dev/dri/renderD128 -v /dev:/dev -v /usr/share/fonts:/usr/share/fonts --device /dev/snd -e DISPLAY=unix$DISPLAY slam:1.0

加粗部分改为你自己.tar文件的本地路径

5.进入容器

docker exec -it slam /bin/bash

如出现错误需要在前面加上sudo，因为权限不够

6.建图部分

这是最重要的一步

1.下载gtsam库和geographiclib库

下载gtsam：

进入Releases · borglab/gtsam · GitHubhttps://github.com/borglab/gtsam/releases/中下载zip版本

解压后建立工作空间并编译

#!bash
$ cd gtsam-1.X.X #替换成自己的目录
$ mkdir build
$ cd build
$ cmake ..
$ make check
$ sudo make install

下载geographiclib：

git clone https://gitee.com/masonqin/geographiclib.git
cd geographiclib
mkdir build && cd build
cmake .. #无报错
make #无报错
sudo make install #无报错

2.将liorf与liorf_localization两个文件夹放入workspace中src里面

链接: https://pan.baidu.com/s/1e80XNL2GEkNRZRsvWGyt0g 提取码: 542b
--来自百度网盘超级会员v5的分享

编译：catkin_make

3.生成PCD来定位

打开liorf里的src，找到config里的beidoujigang.yaml

修改

savePCD: false

savePCDDirectory: "/Downloads/LOAM/"

把savePCD:false 的false改为true

[slam]docker-slam下的建图与定位,计算机视觉,c语言

4.运行slam可视化

打开工作空间

cd location

catkin_make

source devel/set.up/bash

roslaunch liorf run_beidou_six.launch

若出现错误

[slam]docker-slam下的建图与定位,计算机视觉,c语言

实际问题是库文件libmetis.so的位置。它是一个运行时库，但是当应用程序查找它时，它的位置不在预期的目录中。我们需要把电脑里的libmetis.gtsam.so复制到ros文件中

输入

cd /usr/local/lib/

sudo cp libmetis.gtsam.so /opt/ros/noetic/lib/

此时再运行一遍roslaunch就没问题了

打开另一个终端运行.bag数据集，此时出现感知路线，如图

[slam]docker-slam下的建图与定位,计算机视觉,c语言

运行完后会自动生成PCD文件，如图

7.定位部分

1.设置话题名字

在启动之前，需要设置话题的名字

打开终端，输入rostopic list可以找到

在liorf_localization/src/liorf_localization/config/localization.yaml里的topics改为/IMU_data即可

[slam]docker-slam下的建图与定位,计算机视觉,c语言

2.运行slam可视化

同理

catkin_ws
source devel/set.up/bash
roslaunch liorf_localization run_localization.launch

出现定位的界面，自动加载好保存的PCD文件，此时选择2D estimate在地图上设置原点。

设置成功后，打开.bag文件运行数据集，如图所示

终端会显示原点的坐标

[slam]docker-slam下的建图与定位,计算机视觉,c语言

若输入rqt_graph可以看到脉络图

[slam]docker-slam下的建图与定位,计算机视觉,c语言

6.实验总结

实验开始时，看着老师的操作我总是一头雾水，完全不知道从哪里开始下手。先下载了gtsam，编译时出错。又发现gtsam的版本太旧了，又重新下载了gtsam4.2a9。编译时又出错，问了同学老师后发现还少一个库没有下载。下载好终于编译成功，这时一上午已经过去了，下午仔细想了一下上午老师讲的步骤，最终成功运行出来。文章来源地址https://www.toymoban.com/news/detail-792375.html

到了这里，关于[slam]docker-slam下的建图与定位的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！