在上一单元中，我们了解了如何合并不同传感器的数据以生成机器人的姿势估计。因此，基本上，我们介绍了图表的以下部分，其中向 robot_localization 节点提供了不同的传感器，以便通过卡尔曼滤波器进行合并。
但是...图表的其他部分怎么样？如果除了传感器数据之外，我们还有另一个外部定位系统作为输入，会发生什么？
好吧，这就是我们将在接下来的章节中发现的！不过，在本章中，我们将重点介绍如何处理外部 SLAM 系统。所以，让我们开始吧！
AMCL
在 ROS 中有多种定位系统存在，但最为知名和广泛使用的无疑是 AMCL。AMCL 是一个用于 2D 环境中移动机器人的概率定位系统。它实现了自适应蒙特卡洛定位（AMCL）方法，使用粒子滤波器来跟踪机器人相对于已知地图的位置。
在本章节中，我们将专注于运行一个 AMCL 节点，以便稍后我们可以将其与 robot_localization 节点结合使用。那么，让我们开始吧！
创建一个地图
要使用 AMCL，您需要做的第一件事就是创建机器人所在环境的地图。为此，您将需要导航堆栈提供的 slam_gmapping 节点。要了解如何执行此操作，请按照下一个练习进行操作：
Exercise 2.1
a) 首先，让我们创建一个新包，将所有与导航相关的文件放在里面。
bashroscd; cd src;
bashcatkin_create_pkg my_sumit_xl_toolsb) 在这个新包中，让我们创建 2 个新目录：一个名为 launch，另一个名为 param。
c) 现在，让我们创建一个 launch 文件以启动我们的 slam_gmapping 节点！
start_mapping.launch
XML<launch> <node pkg="gmapping" type="slam_gmapping" name="slam_gmapping" output="screen"> <remap from="scan" to ="/hokuyo_base/scan"/> <!-- 重映射激光扫描数据源到 /hokuyo_base/scan --> <param name="base_frame" value="summit_xl_a_base_footprint"/> <!-- 机器人底盘坐标系名称 --> <param name="odom_frame" value="summit_xl_a_odom"/> <!-- 里程计坐标系名称 --> <!-- 处理每多少个扫描数据中的 1 个（设置为更高的数字以跳过更多扫描） --> <param name="throttle_scans" value="1"/> <param name="map_update_interval" value="5.0"/> <!-- 地图更新间隔时间（秒），默认值：5.0 --> <!-- 激光的最大有效范围。一个光束被裁剪到这个值。 --> <param name="maxUrange" value="5.0"/> <!-- 传感器的最大范围。如果没有障碍物的区域在传感器范围内应被视为地图中的自由空间，请设置 maxUrange < 真实传感器的最大范围 <= maxRange --> <param name="maxRange" value="10.0"/> <param name="sigma" value="0.05"/> <!-- 高斯滤波器的标准差 --> <param name="kernelSize" value="1"/> <!-- 高斯滤波器的内核大小 --> <param name="lstep" value="0.05"/> <!-- 激光扫描数据的步长 --> <param name="astep" value="0.05"/> <!-- 角度步长 --> <param name="iterations" value="5"/> <!-- 最大迭代次数 --> <param name="lsigma" value="0.075"/> <!-- 线性分布的标准差 --> <param name="ogain" value="3.0"/> <!-- 增益系数 --> <param name="lskip" value="0"/> <!-- 跳过的激光扫描数量 --> <param name="srr" value="0.1"/> <!-- 运动模型的旋转误差 --> <param name="srt" value="0.2"/> <!-- 运动模型的旋转误差 --> <param name="str" value="0.1"/> <!-- 运动模型的平移误差 --> <param name="stt" value="0.2"/> <!-- 运动模型的平移误差 --> <param name="linearUpdate" value="0.2"/> <!-- 线性更新阈值 --> <param name="angularUpdate" value="0.1"/> <!-- 角度更新阈值 --> <param name="temporalUpdate" value="3.0"/> <!-- 时间更新阈值 --> <param name="resampleThreshold" value="0.5"/> <!-- 重采样阈值 --> <param name="particles" value="100"/> <!-- 粒子数量 --> <param name="xmin" value="-50.0"/> <!-- 地图的最小 x 坐标 --> <param name="ymin" value="-50.0"/> <!-- 地图的最小 y 坐标 --> <param name="xmax" value="50.0"/> <!-- 地图的最大 x 坐标 --> <param name="ymax" value="50.0"/> <!-- 地图的最大 y 坐标 --> <param name="delta" value="0.05"/> <!-- 网格分辨率 --> <param name="llsamplerange" value="0.01"/> <!-- 线性样本范围 --> <param name="llsamplestep" value="0.01"/> <!-- 线性样本步长 --> <param name="lasamplerange" value="0.005"/> <!-- 角度样本范围 --> <param name="lasamplestep" value="0.005"/> <!-- 角度样本步长 --> </node> </launch>这些文件中最重要的参数是：
maxUrange ：此参数设置您的激光将被视为创建地图的距离。更大的范围将更快地创建地图，并且机器人迷路的可能性更小。缺点是它会消耗更多资源。
throttle_scans：对于降低资源消耗非常有用。d) 现在，您可以继续启动此启动文件。
bashroslaunch my_sumit_xl_tools start_mapping.launche) 现在让我们启动 RViz，以便能够可视化映射过程。执行以下操作：
将以下显示添加到 RViz：RobotModel、LaserScan 和 Map。
将 LaserScan 主题设置为 /hokuyo/base/scan
- 将 Map 主题设置为 /map。
最后，您应该会看到类似以下内容：
f) 现在，您可以开始在环境中移动机器人，以生成环境的完整地图。
您可以使用以下命令移动机器人：
bashroslaunch summit_xl_gazebo keyboard_teleop.launch太棒了！所以，您已经创建了环境的完整地图。现在该做什么呢？现在是时候保存这张地图了，这样您就可以使用它来定位您的机器人！
保存地图
ROS 导航堆栈中的另一个可用包是 map_server 包。此包提供 map_saver 节点，允许我们从 ROS 服务访问地图数据并将其保存到文件中。
您可以随时使用以下命令保存构建的地图：
bashrosrun map_server map_saver -f name_of_map该命令将从地图主题中获取地图数据，并将其写入2个文件，name_of_map.pgm和name_of_map.yaml。
Exercise 2.2
a) 将上一个练习中创建的地图保存到文件中。
bashroscd my_summit_xl_tools; mkdir maps; cd maps; rosrun map_server map_saver -f my_map;End of Exercise 2.2
您最终应该会得到 2 个新文件：my_map.yaml 和 my_map.pgm。
PGM 文件包含地图的占用数据（真正重要的数据），而 YAML 文件包含有关地图的一些元数据，例如地图尺寸和分辨率，或 PGM 文件的路径。
my_map.yaml
TypeScriptimage: my_map.pgm resolution: 0.050000 origin: [-10.000000, -10.000000, 0.000000] negate: 0 occupied_thresh: 0.65 free_thresh: 0.196my_map.pgm
定位机器人
生成地图后，我们需要做的下一件事就是将机器人定位到该地图中。
为此，我们将使用导航堆栈中的 amcl 节点。因此，正如您在映射过程中所做的那样，让我们创建一个启动文件以启动此节点。
Exercise 2.3
a) 在您的包中，创建一个新的启动文件以启动定位节点。
start_amcl_localization.launch
XML<launch> <!-- 运行地图服务器 --> <arg name="map_file" default="$(find my_sumit_xl_tools)/maps/my_map.yaml"/> <!-- 指定地图文件路径 --> <node name="map_server" pkg="map_server" type="map_server" args="$(arg map_file)" /> <!-- 启动地图服务器节点 --> <node pkg="amcl" type="amcl" name="amcl" output="screen"> <remap from="scan" to="/hokuyo_base/scan" /> <!-- 将扫描数据重映射到 /hokuyo_base/scan --> <remap from="cmd_vel" to="/summit_xl_control/cmd_vel"/> <!-- 将速度命令重映射到 /summit_xl_control/cmd_vel --> <!-- 从最佳姿态发布扫描，最大频率为 10 Hz --> <param name="odom_model_type" value="diff"/> <!-- 里程计模型类型为差分 --> <param name="odom_alpha5" value="0.1"/> <!-- 里程计模型的 alpha5 参数 --> <param name="transform_tolerance" value="0.2" /> <!-- 变换容忍度 --> <param name="gui_publish_rate" value="10.0"/> <!-- GUI 发布速率 --> <param name="laser_max_beams" value="30"/> <!-- 激光最大光束数 --> <param name="min_particles" value="500"/> <!-- 最小粒子数 --> <param name="max_particles" value="5000"/> <!-- 最大粒子数 --> <param name="kld_err" value="0.05"/> <!-- KLD 错误阈值 --> <param name="kld_z" value="0.99"/> <!-- KLD Z 值 --> <param name="odom_alpha1" value="0.2"/> <!-- 里程计模型的 alpha1 参数 --> <param name="odom_alpha2" value="0.2"/> <!-- 里程计模型的 alpha2 参数 --> <param name="odom_alpha3" value="0.8"/> <!-- 里程计模型的 alpha3 参数 --> <param name="odom_alpha4" value="0.2"/> <!-- 里程计模型的 alpha4 参数 --> <param name="laser_z_hit" value="0.5"/> <!-- 激光测量的命中概率 --> <param name="laser_z_short" value="0.05"/> <!-- 激光短距离测量概率 --> <param name="laser_z_max" value="0.05"/> <!-- 激光最大距离测量概率 --> <param name="laser_z_rand" value="0.5"/> <!-- 激光随机测量概率 --> <param name="laser_sigma_hit" value="0.2"/> <!-- 激光命中模型的标准差 --> <param name="laser_lambda_short" value="0.1"/> <!-- 激光短距离模型的参数 --> <param name="laser_model_type" value="likelihood_field"/> <!-- 激光模型类型为 likelihood field --> <param name="laser_likelihood_max_dist" value="2.0"/> <!-- 激光最大可能距离 --> <param name="update_min_d" value="0.2"/> <!-- 最小距离更新阈值 --> <param name="update_min_a" value="0.5"/> <!-- 最小角度更新阈值 --> <param name="odom_frame_id" value="summit_xl_a_odom"/> <!-- 里程计坐标系ID --> <param name="base_frame_id" value="summit_xl_a_base_link"/> <!-- 机器人底盘坐标系ID --> <param name="global_frame_id" value="map"/> <!-- 全局坐标系ID --> <!-- <param name="odom_frame_id" value="odom"/> <param name="base_frame_id" value="base_footprint"/> <param name="global_frame_id" value="map"/> --> <param name="resample_interval" value="1"/> <!-- 重采样间隔 --> <param name="transform_tolerance" value="0.1"/> <!-- 变换容忍度 --> <param name="recovery_alpha_slow" value="0.0"/> <!-- 慢速恢复的 alpha 参数 --> <param name="recovery_alpha_fast" value="0.0"/> <!-- 快速恢复的 alpha 参数 --> <param name="initial_pose_x" value ="0.0"/> <!-- 初始位置 x 坐标 --> <param name="initial_pose_y" value ="0.0"/> <!-- 初始位置 y 坐标 --> <param name="initial_pose_a" value ="0.0"/> <!-- 初始姿态角度 --> </node> </launch>这些文件中最重要的参数是：
min_particles、max_particles：此参数设置过滤器将使用的粒子数量，以便定位机器人。使用的粒子越多，定位就越精确，但消耗的资源也越多。
laser_max_range：激光束的最大范围。
d) 现在，您可以继续启动此启动文件。
bashroslaunch my_sumit_xl_tools start_amcl_localization.launche) 现在让我们启动 RViz，以便能够可视化定位过程。您可以使用与映射过程相同的设置，再添加 1 个显示：位姿数组。
您应该看到类似以下内容：
f) 您可以开始在环境中移动机器人，以便定位机器人。随着机器人的移动，您将在 RViz 中看到粒子如何不断靠近，这意味着机器人的估计姿势越来越接近真实位置。这是对您的定位系统运行情况的测试。
您可以使用以下命令移动机器人：
bashroslaunch summit_xl_gazebo keyboard_teleop.launchEnd of Exercise 2.3
太棒了！现在，您已经构建了环境地图，并且能够在地图上定位 Summit XL 机器人
合并amcl与robot_localization
所以，既然我们的 AMCL 系统已经运行，让我们将它与 robot_localization 包合并！
Exercise 2.4
在您的包中，创建一个新的启动文件以启动 robot_localization 包。
start_ekf_localization.launch
XML<launch> <!-- Run the EKF Localization node --> <node pkg="robot_localization" type="ekf_localization_node" name="ekf_localization"> <rosparam command="load" file="$(find my_sumit_xl_tools)/config/ekf_localization.yaml"/> </node> </launch>现在，让我们创建配置文件，就像您在上一单元中所做的那样。
ekf_localization.yaml
TypeScript#Configuation for robot odometry EKF # frequency: 50 two_d_mode: true publish_tf: false odom_frame: summit_xl_a_odom base_link_frame: summit_xl_a_base_link world_frame: map map_frame: map odom0: /robotnik_base_control/odom odom0_config: [false, false, false, false, false, true, true, true, false, false, false, true, false, false, false] odom0_differential: false imu0: /imu/data imu0_config: [false, false, false, false, false, true, false, false, false, false, false, true, true, false, false] imu0_differential: false process_noise_covariance": [0.05, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.05, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.06, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.03, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.03, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.06, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.025, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.025, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.04, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.01, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.01, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.02, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.01, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.01, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.015] initial_estimate_covariance: [1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1e-9]如您所见，主要的区别在于，现在我们使用 map_frame 变量。
TypeScriptworld_frame: map map_frame: map正如我们在上一章中已经告诉过您的，此 map_frame 变量用于报告来自知道机器人所在位置的系统的全局位置，在本例中，该系统是我们在上一个练习中创建的 AMCL 系统。
那么这个地图坐标系来自哪里？这个坐标系由 AMCL 节点提供。您可以通过可视化坐标系树来看到这一点，就像您在上一单元中所做的那样。请注意，您需要运行 AMCL 系统才能可视化此地图坐标系。
让我们启动 EKF 定位节点，并验证它是否生成一个名为 odometry/filtered 的新主题。
bashroslaunch my_sumit_xl_tools start_ekf_localization.launch
bashrostopic list | grep odom你应该得到如下结果：
bash/robotnik_base_control/odom /odometry/filtered太棒了！现在我们知道我们的 EKF 定位节点正在工作......什么？好吧，现在我们使用它！
默认情况下，我们在上一个练习中创建的 AMCL 系统使用 /odom 主题来获取里程表数据。但是现在，多亏了我们的 EKF 定位节点，我们拥有了更可靠的里程表数据，这些数据发布在 /odometry/filtered 主题上。那么......如何使用这个新的里程表代替旧的里程表呢？
为此，我们需要做的就是重新映射 start_amcl_localization.launch 文件中的主题。在文件的开头，您将看到一些主题正在重新映射，因此让我们也重新映射里程表主题：
XML<node pkg="amcl" type="amcl" name="amcl" output="screen"> <remap from="scan" to="/hokuyo_base/scan" /> <remap from="cmd_vel" to="/summit_xl_control/cmd_vel"/> <remap from="odom" to="/odometry/filtered" />太棒了！现在让我们创建一个结合两种定位的新启动文件。我们将其命名为 global_localization.launch。
XML<launch> <!--- Start AMCL Localization --> <include file="$(find my_sumit_xl_tools)/launch/start_amcl_localization.launch" /> <!-- Start EKF Localization --> <include file="$(find my_sumit_xl_tools)/launch/start_ekf_localization.launch" /> </launch>启动这个新文件，并使用 PoseArray 显示器在 RViz 中检查现在的定位效果。您应该得到如下结果：
你看到有什么不同吗？如果我们比较添加 EKF 定位节点之前和之后的同一张图像，我们可以看到我们的定位有了很大的改善。
如您所见，在第二张图片中，箭头更加集中，分散性更低，这意味着定位效果更好。
太棒了！现在，为了完成本章，让我们添加一个路径规划系统，以便我们能够使用我们新改进的定位来导航我们的机器人！
让我们导航我们的机器人！
为了进行路径规划，我们将使用导航堆栈中的 move_base 节点，它将为您管理整个路径规划系统。因此，正如您在前面的练习中所做的那样，让我们创建启动文件以启动路径规划系统。不过，这一次，您将需要做一些额外的工作，因为您需要设置很多参数。但别担心，您可以按照下一个练习来指导您完成整个过程！
Exercise 2.5
a) 首先，让我们创建一个新的启动文件来启动move_base节点。
move_base_map.launch
XML<?xml version="1.0"?> <!-- NEW SUMIT XL NAVIGATION --> <launch> <arg name="base_global_planner" default="navfn/NavfnROS"/> <!-- 全局规划器，默认使用 NavfnROS --> <arg name="base_local_planner" default="dwa_local_planner/DWAPlannerROS"/> <!-- 局部规划器，默认使用 DWAPlannerROS --> <!-- <arg name="base_local_planner" default="base_local_planner/TrajectoryPlannerROS"/> --> <!-- 可选的局部规划器，TrajectoryPlannerROS --> <node pkg="move_base" type="move_base" respawn="false" name="move_base" output="screen"> <remap from="scan" to="/hokuyo_base/scan" /> <!-- 将扫描数据重映射到 /hokuyo_base/scan --> <remap from="cmd_vel" to="/summit_xl_control/cmd_vel"/> <!-- 将速度命令重映射到 /summit_xl_control/cmd_vel --> <remap from="odom" to="/odometry/filtered" /> <!-- 将里程计数据重映射到 /odometry/filtered --> <param name="base_global_planner" value="$(arg base_global_planner)"/> <!-- 设置全局规划器 --> <param name="base_local_planner" value="$(arg base_local_planner)"/> <!-- 设置局部规划器 --> <!-- 加载全局和局部代价地图的通用配置 --> <rosparam file="$(find my_sumit_xl_tools)/config/planner.yaml" command="load"/> <!-- 加载规划器相关的参数配置 --> <!-- 代价地图源配置，位于 costmap_common.yaml --> <rosparam file="$(find my_sumit_xl_tools)/config/costmap_common.yaml" command="load" ns="global_costmap" /> <!-- 加载全局代价地图的通用配置 --> <rosparam file="$(find my_sumit_xl_tools)/config/costmap_common.yaml" command="load" ns="local_costmap" /> <!-- 加载局部代价地图的通用配置 --> <!-- 局部代价地图，需要设置尺寸 --> <rosparam file="$(find my_sumit_xl_tools)/config/costmap_local.yaml" command="load" ns="local_costmap" /> <!-- 加载局部代价地图的特定配置 --> <param name="local_costmap/width" value="5.0"/> <!-- 局部代价地图的宽度 --> <param name="local_costmap/height" value="5.0"/> <!-- 局部代价地图的高度 --> <!-- 静态全局代价地图，静态地图提供尺寸 --> <rosparam file="$(find my_sumit_xl_tools)/config/costmap_global_static.yaml" command="load" ns="global_costmap" /> <!-- 加载静态全局代价地图的配置 --> </node> </launch>如您所见，有许多参数文件正在加载，所以让我们创建它们！您必须将所有这些参数文件放在 my_sumit_xl_tools 包内名为 config 的文件夹中。
costmap_common.yaml
TypeScript# 机器人足迹定义，定义了机器人的占用空间 footprint: [[0.35, -0.3], [0.35, 0.3], [-0.35, 0.3], [-0.35, -0.3]] footprint_padding: 0.01 # 足迹的额外填充，用于增加安全边距 # 机器人基础坐标系 robot_base_frame: summit_xl_a_base_link update_frequency: 4.0 # 代价地图的更新频率（Hz） publish_frequency: 3.0 # 代价地图的发布频率（Hz） transform_tolerance: 0.5 # 变换容忍度，用于处理坐标变换的延迟 resolution: 0.05 # 地图分辨率，每个栅格的大小为 0.05 米 obstacle_range: 5.5 # 检测障碍物的最大范围（米） raytrace_range: 6.0 # 激光射线追踪的最大范围（米） # 图层定义 static: map_topic: /map # 静态地图的话题 subscribe_to_updates: true # 是否订阅地图更新 obstacles_laser: observation_sources: hokuyo_laser # 观测源的名称 hokuyo_laser: sensor_frame: summit_xl_a_front_laser_link # 激光传感器坐标系 data_type: LaserScan # 数据类型 clearing: true # 是否用于清除障碍物 marking: true # 是否用于标记障碍物 topic: hokuyo_base/scan # 激光扫描数据的话题 inf_is_valid: true # 是否将无限距离视为有效数据 inflation: inflation_radius: 1.0 # 膨胀半径，用于在代价地图中创建障碍物周围的安全区域评论一下涉及到 Summit XL 的一些元素：
footprint 和 footprint_padding：这些参数定义了机器人的简化模型，即一个包围机器人的简单框。如果你希望机器人能够非常接近物体，可以将填充值（padding）设得更小。在这种情况下，值为 0.1，因为这个型号的 Summit 配备普通轮子，在转向时容易产生某些误差，因此其机动性不如其兄弟型号 Summit XL（配备全向轮）。
obstacles_laser ：这里定义了用于导航的激光数据传感器。在这个例子中，话题是
/hokuyo_base/scan。另外，提到这个文件
costmap_common.yaml被加载到两个命名空间中：global_costmap和local_costmap。这意味着它将在全局和局部规划以及两个代价地图的生成中被使用。这只是一种代码重用的方法。costmap_local.yaml
TypeScriptglobal_frame: summit_xl_a_odom # 全局坐标系的名称，这里设置为 summit_xl_a_odom rolling_window: true # 是否使用滚动窗口模式 plugins: - {name: obstacles_laser, type: "costmap_2d::ObstacleLayer"} - {name: inflation, type: "costmap_2d::InflationLayer"}在此处注释：
- global_frame：对于 Local Costmaps，通常将其设置为 odom。
- plugins：此处加载并执行障碍物检测和膨胀的插件。
costmap_global_static.yaml
TypeScriptglobal_frame: map # 全局坐标系的名称，这里设置为 'map' rolling_window: false # 是否使用滚动窗口模式，这里设置为 false，表示不使用滚动窗口模式 track_unknown_space: true # 是否跟踪未知空间，将未知空间标记为代价地图中的障碍物 plugins: - {name: static, type: "costmap_2d::StaticLayer"} - {name: inflation, type: "costmap_2d::InflationLayer"}因此，如您所见，它与前一个非常相似。
- global_frame：对于 Global Costmaps，通常将其设置为 map（使用地图导航时）。
- plugins：此处加载并执行静态地图和 Inflation 的插件。
planner.yaml
bashcontroller_frequency: 5.0 # 控制器的频率（Hz），表示控制器每秒更新的次数 recovery_behaviour_enabled: true # 是否启用恢复行为，用于处理机器人遇到的障碍物或困境 NavfnROS: allow_unknown: true # 是否允许导航规划器生成穿越未知空间的路径 default_tolerance: 0.1 # 规划器目标点的容忍度 TrajectoryPlannerROS: # 机器人配置参数 acc_lim_x: 2.5 # 机器人在 X 轴方向的加速度限制 acc_lim_theta: 3.2 # 机器人在旋转方向的加速度限制 max_vel_x: 1.0 # 机器人在 X 轴方向的最大速度 min_vel_x: 0.0 # 机器人在 X 轴方向的最小速度 max_vel_theta: 1.0 # 机器人在旋转方向的最大速度 min_vel_theta: -1.0 # 机器人在旋转方向的最小速度 min_in_place_vel_theta: 0.2 # 机器人在原地旋转时的最小速度 holonomic_robot: false # 机器人是否为全向的，这里设置为 false 表示不是全向机器人 escape_vel: -0.1 # 逃逸速度，机器人在遇到障碍物时的反向速度 # 目标容忍度参数 yaw_goal_tolerance: 0.1 # 目标方向的容忍度（弧度） xy_goal_tolerance: 0.2 # 目标位置的容忍度（米） latch_xy_goal_tolerance: false # 是否锁定目标位置的容忍度，设置为 false 表示不锁定 # 前向模拟参数 sim_time: 2.0 # 模拟时间（秒） sim_granularity: 0.02 # 模拟粒度，时间步长（秒） angular_sim_granularity: 0.02 # 角度模拟粒度（弧度） vx_samples: 6 # 前向速度样本数量 vtheta_samples: 20 # 旋转速度样本数量 controller_frequency: 20.0 # 控制器的频率（Hz） # 轨迹评分参数 meter_scoring: true # 是否将距离单位假设为米，而不是默认的栅格单元 occdist_scale: 0.1 # 避免障碍物的权重 pdist_scale: 0.75 # 保持靠近路径的权重 gdist_scale: 1.0 # 尝试达到局部目标的权重，同时控制速度 heading_lookahead: 0.325 # 在评分不同的旋转轨迹时，前瞻的距离（米） heading_scoring: false # 是否基于机器人朝向路径还是距离路径进行评分 heading_scoring_timestep: 0.8 # 使用朝向评分时，模拟轨迹的前瞻时间（秒） dwa: true # 是否使用动态窗口方法（DWA），否则使用轨迹展开 simple_attractor: false # 是否使用简单的吸引子模型 publish_cost_grid_pc: true # 是否发布代价网格点云 # 振荡防止参数 oscillation_reset_dist: 0.25 # 机器人必须移动的距离（米），以便重置振荡标志 escape_reset_dist: 0.1 # 逃逸模式重置距离 escape_reset_theta: 0.1 # 逃逸模式重置角度（弧度） DWAPlannerROS: # 机器人配置参数 acc_lim_x: 2.5 # 机器人在 X 轴方向的加速度限制 acc_lim_y: 0 # 机器人在 Y 轴方向的加速度限制 acc_lim_th: 3.2 # 机器人在旋转方向的加速度限制 max_vel_x: 0.5 # 机器人在 X 轴方向的最大速度 min_vel_x: 0.0 # 机器人在 X 轴方向的最小速度 max_vel_y: 0 # 机器人在 Y 轴方向的最大速度 min_vel_y: 0 # 机器人在 Y 轴方向的最小速度 max_trans_vel: 0.5 # 最大线速度 min_trans_vel: 0.1 # 最小线速度 max_rot_vel: 1.0 # 最大旋转速度 min_rot_vel: 0.2 # 最小旋转速度 # 目标容忍度参数 yaw_goal_tolerance: 0.1 # 目标方向的容忍度（弧度） xy_goal_tolerance: 0.2 # 目标位置的容忍度（米） latch_xy_goal_tolerance: false # 是否锁定目标位置的容忍度 # 轨迹评分参数（已注释掉） # path_distance_bias: 32.0 # 保持靠近路径的权重 # goal_distance_bias: 24.0 # 尝试达到局部目标的权重 # occdist_scale: 0.01 # 避免障碍物的权重 # forward_point_distance: 0.325 # 额外评分点的距离（米） # stop_time_buffer: 0.2 # 碰撞前必须停止的时间（秒） # scaling_speed: 0.25 # 机器人轮廓缩放的速度（m/s） # max_scaling_factor: 0.2 # 机器人轮廓的最大缩放因子 # 振荡防止参数（已注释掉） # oscillation_reset_dist: 0.25 # 机器人必须移动的距离（米），以便重置振荡标志在这里我们可以注释很多参数。只是指出几个真正重要的：
yaw_goal_tolerance：这个参数表示你希望机器人在给定姿态下的精度。在这种情况下，指的是 XY 平面上的方向精度。
xy_goal_tolerance：这个参数与前一个类似，但指的是 XY 平面上的位置精度。
holonomic_robot：这个参数很重要，因为 Summit XL 配备全向轮时可以被视为全向机器人。而你当前使用的 Summit 型号则不是全向的。
DWAPlannerROS 是用于局部规划器的规划器。您也可以使用 TrajectoryPlannerROS。主要区别在于速度的采样方式。但它们在一般情况下的表现或多或少处于同一水平。
b) 现在，让我们创建一个启动文件，它将我们迄今为止所做的一切结合起来：
start_navigation.launch
XML<launch> <!--- Start AMCL Localization --> <include file="$(find my_sumit_xl_tools)/launch/start_amcl_localization.launch" /> <!-- Start EKF Localization --> <include file="$(find my_sumit_xl_tools)/launch/start_ekf_localization.launch" /> <!-- Start Move Base --> <include file="$(find my_sumit_xl_tools)/launch/move_base_map.launch" /> </launch>c) 执行您的启动文件以启动导航系统。
bashroslaunch my_sumit_xl_tools start_navigation.launchd) 现在让我们启动 RViz，以便能够可视化路径规划过程。您需要添加以下内容：
- 固定坐标必须是地图。
- 请注意两个路径显示：一个用于局部，另一个用于全局规划。
- 还请注意两个地图：一个用于 LocalCostmap，另一个用于 GlobalCostmap。
最后，你应该看到类似这样的内容：
e) 使用 Rviz 中的 2D 位姿估计工具在地图中定位机器人。
f) 使用 Rviz 中的 2D 导航目标工具向机器人发送目标（所需位姿）。
现在您应该看到 Summit XL 机器人在模拟中到达该位置。在 Rviz 中，您还可以可视化它所遵循的规划路径。
End of Exercise 2.5
