- 程序实现了室内自主导航机器人。基本功能有激光SLAM建图、AMCL定位、机器人运动规划、车辆监控和任务规划。
- 底盘采用Autolabor公司的autolabor pro1,激光雷达选用rplidar A1,Nvidia TX2 作为主控,操作系统Ubuntu 16.04,基于ROS kinetic实现。
[TOC]
$ sudo apt-get install ros-kinetic-joy ros-kinetic-teleop-twist-joy ros-kinetic-teleop-twist-keyboard
$ sudo apt-get install ros-kinetic-gmapping ros-kinetic-move-base ros-kinetic-amcl \
ros-kinetic-map-server ros-kinetic-dwa-local-planner ros-kinetic-global-planner
$ mkdir -p ~/auto_ws/src
$ cd ~/auto_ws/src
$ git clone https://github.com/kinglintianxia/autolabor_pro1.git
$ cd ~/auto_ws
$ catkin_make
.
├── autolabor_pro1
├── autolabor_pro1_description
├── autolabor_pro1_driver
├── autolabor_pro1_nav
└── README.md
$ wget http://autolabor.cn/file/AutolaborPro1_ROS_Driver_Package20180115.zip
$ unzip -d ./ AutolaborPro1_ROS_Driver_Package20180115.zip
autolabor_pro1_driver节点通过串口和底盘进行通讯,实现控制。具体通讯协议见AutolaborPro1产品使用手册.pdf
- 发布的topic:
轮式⾥程计:/wheel_odom (nav_msgs/Odometry),
剩余电池电量:/remaining_battery (std_msgs::Int32)
- 发布的tf:
odom->base_link
- 订阅的topic:
/cmd_vel (geometry_msgs/Twist)
机器人中可能会使用多个串口,比如本例中底盘和rplidar都是串口通讯,所以在ubuntu /dev
目录下会出现 /dev/ttyUSB0 和 /dev/ttyUSB1,为了使程序识别正确对应的器件,使用udev rules对串口进行重映射并赋权限。格式如下:
KERNEL=="ttyUSB*", ATTRS{idVendor}=="0403", ATTRS{idProduct}=="6001", MODE:="0666", SYMLINK+="autolabor_pro1"
获取Vendor id和Product id,有两种方法:
- 在能分辩串口器件的情况下,使用
$ lsusb
> ID `0403:6001` => (idVendor:idProduct)
- 不能分辩串口器件的情况下,使用ttyUSB序号获取
$ udevadm info -q all -n /dev/ttyUSB0 | grep ID_VENDOR_ID
> ID_VENDOR_ID=0403 => (idVendor)
$ udevadm info -q all -n /dev/ttyUSB0 | grep ID_MODEL_ID
> ID_MODEL_ID=6001 => (idProduct)
编写好的autolabor.rules
文件位于autolabor_pro1_driver/rules
目录下,使用命令将其拷贝到/etc/udev/rules.d/
目录下,并重启服务
$ sudo cp autolabor.rules /etc/udev/rules.d/
$ sudo service udev restart
重新插拔串口后,可以在/dev
目录下看到
autolabor_pro1->/dev/ttyUSB*
最后在autolabor_pro1_driver/launch/driver.launch中将/dev/ttyUSB0
改为/dev/autolabor_pro1
,这样就不用担心器件插入顺序和权限问题了。
将底盘串口线插入笔记本USB中,并打开上位机控制按钮,启动launch文件
$ roslaunch autolabor_pro1_nav auto_driver.launch
即可实现使用游戏手柄或键盘控制底盘移动。
- 游戏手柄控制
一直按着
1
键使能遥控; 左手摇杆控制行进方向; 右手上按键使能加速;
- 键盘控制
u i o
j k l
m , .
q/z : increase/decrease max speeds by 10%
w/x : increase/decrease only linear speed by 10%
e/c : increase/decrease only angular speed by 10%
标定详情参考ros_by_example_indigo_volume_1
-7.4节。在地板上测量标记出1m的长度,用于标定Linear。
- Linear Calibration
$ roslaunch autolabor_pro1_nav auto_driver.launch
$ rosrun autolabor_pro1_nav calibrate_linear.py
$ rosrun rqt_reconfigure rqt_reconfigure
1.将小车移动到1m标识的起点,选择rqt_reconfigure窗口的`start\_test`,按钮,小车启动往前移动,测量实际前进距离记为`real_dis`
2.ratio = real_dis/1m
3.修改rqt_reconfigure GUI 窗口`odom_linear_scale_correction`为`ratio`
4.重复以上步骤,直到精度达到满意。
将autolabor_pro1_driver/launch/driver.launch文件中reduction_ratio
改为1/ratio
- Angular Calibration
$ roslaunch autolabor_pro1_nav auto_driver.launch
$ rosrun autolabor_pro1_nav calibrate_angular.py
$ rosrun rqt_reconfigure rqt_reconfigure
1.将小车移动到相对空旷的地方,在地面上贴好0°和360°标识,选择rqt_reconfigure窗口的`start\_test`,按钮,小车旋转360°,测量实际旋转角度`real_ang`。
2.ratio = real_ang/360°
3.修改rqt_reconfigure GUI 窗口`odom\_angular\_scale\_correction`为`ratio`
4. 重复以上步骤,直到精度达到满意。
将autolabor_pro1_driver/launch/driver.launch文件中model_param
改为model_param/ratio
$ cd ~/auto_ws/src
$ git clone https://github.com/robopeak/rplidar_ros.git
$ cd ~/auto_ws && catkin_make
最近几天rplidar_ros代码更新加入rplidar A3的支持,但是发现对rplidar A1驱动失败,不能读取雷达数据,可以从我的仓库下载
机器人中可能会使用多个串口,比如本例中底盘和rplidar都是串口通讯,所以在ubuntu /dev
目录下会出现 /dev/ttyUSB0 和 /dev/ttyUSB1,为了使程序识别正确对应的器件,使用udev rules对串口进行重映射并赋权限。
$ cd rplidar_ros/scripts/
$ sudo cp rplidar.rules /etc/udev/rules.d/
$ sudo service udev restart
重新插拔rplidar后,可以在/dev
目录下看到
rplidar->/dev/ttyUSB*
最后在rplidar_ros/launch/rplidar.launch中将/dev/ttyUSB0
改为/dev/rplidar
,这样就不用担心器件插入顺序和权限问题了。
$ roslaunch rplidar_ros view_rplidar.launch
为了在激光SLAM建图、move_base运动规划和amcl定位中更直观的观测机器人的footprint,建立URDF模型,模型按照真实尺寸建立。
URDF模型package位于autolabor_pro1/autolabor_pro1_description下,详细教程见ros_by_example_indigo_volume_2
-4章。模型链接关系如下:
root Link: base_footprint has 1 child(ren)
child(1): base_link
child(1): base_l1_wheel_link
child(2): base_l2_wheel_link
child(3): base_laser_bottom
child(1): base_laser_middle
child(1): base_laser
child(4): base_r1_wheel_link
child(5): base_r2_wheel_link
启动rviz 观察机器人URDF模型:
$ roslaunch autolabor_pro1_description auto_pro1_laser_view.launch
- 最后,要将rplidar_ros/launch/rplidar.launch中的
frame_id
改为base_laser
以和URDF模型保持一致。
运动规划库使用ROS move_base, 关于move_base的详细教程见move_base ros wiki和ros_by_example_indigo_volume_2
-7、8章和ROSBot Tutorials
- move_base 配置文件位于autolabor_pro1_nav/config下。config下几个配置文件选用Dynamic Window Approach(dwa)算法,修改自autolabor2.5的配置文件。config/0文件下为turtlebot和ROSBot的配置文件,最终经过调试发现autolabor2.5的配置文件性能较好。
- 测试move_base基本功能。注意避免机器人碰撞。
$ roslaunch autolabor_pro1_nav auto_move_base_blank_map.launch
使用Rviz工具栏中的2D Nav Goal按钮选择Goal,测试move_base是否正常工作。
- 测试move_base避障功能。注意避免机器人碰撞。
$ roslaunch autolabor_pro1_nav auto_move_base_blank_map_with_obstacle.launch
使用Rviz工具栏中的2D Nav Goal按钮选择Goal,测试move_base避障功能是否正常工作。
激光SLAM建图部分使用gmapping和Google cartographer开源方案。
- gmapping开源方案已经整合到ROS库中,详细参数说明见gmapping ros wiki。我们比较关心的参数有:
"base_frame",这里为"base_footprint" "odom_frame",这里为 "odom" 建图分辨率"delta",这里选为"0.05",单位为m。
- 建图
$ roslaunch autolabor_pro1_nav auto_gmapping.launch
使用键盘、手柄或者在使用Rviz工具栏中的2D Nav Goal按钮选择Goal,进行环境建图。
建图完成后保存地图,并将地图文件map_name.pgm
和map_name.yaml
放入autolabor_pro1_nav/maps文件夹下备用。
$ rosrun map_server map_saver -f map_name
cartographer方案为Google公司开源,详细教程见Cartographer。
- 首先下载源码编译安装。由于cartographer要求环境比较特殊,需要新建ROS工作空间。
$ mkdir -p ~/carto_ws/src && cd ~/carto_ws/src
$ cd ~/carto_ws
$ wstool init src
# Install wstool and rosdep.
$ sudo apt-get update
$ sudo apt-get install -y python-wstool python-rosdep ninja-build
# Merge the cartographer_ros.rosinstall file and fetch code for dependencies.
$ wstool merge -t src https://raw.githubusercontent.com/googlecartographer/cartographer_ros/master/cartographer_ros.rosinstall
$ wstool update -t src
# Install proto3.
$ ./src/cartographer/scripts/install_proto3.sh
# Install deb dependencies.
# The command 'sudo rosdep init' will print an error if you have already
# executed it since installing ROS. This error can be ignored.
$ sudo rosdep init
$ rosdep update
$ rosdep install --from-paths src --ignore-src --rosdistro=${ROS_DISTRO} -y
# Build and install.
$ catkin_make_isolated --install --use-ninja
$ source install_isolated/setup.bash
- 测试cartographer,如果测试OK,说明cartographer已经编译完成。
# Download the 2D backpack example bag.
wget -P ~/Downloads https://storage.googleapis.com/cartographer-public-data/bags/backpack_2d/cartographer_paper_deutsches_museum.bag
# Launch the 2D backpack demo.
roslaunch cartographer_ros demo_backpack_2d.launch bag_filename:=${HOME}/Downloads/cartographer_paper_deutsches_museum.bag
- 配置cartographer+rplidar雷达
为了适配rplidar,需要更改.lua配置文件。下载rplidar_2d.lua放到
cartographer_ros/cartographer_ros/configuration_files
目录下。下载rplidar_2d.launch放到cartographer_ros/cartographer_ros/launch
目录下。重新编译程序:
$ cd ~/carto_ws
$ catkin_make_isolated --install --use-ninja
$ source install_isolated/setup.bash
- cartographer+rplidar雷达建图
$ roslaunch autolabor_pro1_nav auto_cartographer.launch
注意将launch文件中<include file = "/home/king/auto_ws/src/cartographer_ros/cartographer_ros/launch/rplidar_2d.launch" />
改为自己的路径。
使用键盘、手柄或者在使用Rviz工具栏中的2D Nav Goal按钮选择Goal,进行环境建图。
建图完成后保存地图,并将地图放入autolabor_pro1_nav/maps文件夹下备用。
$ rosrun map_server map_saver -f map_name
建好地图之后, ROS 提供amcl包 (adaptive
Monte Carlo localization) 根据当前laser输入和/odom自动定位机器人在地图中位置。配合move_base包可以使机器人实现在地图中自主导航。
amcl配置文件为autolabor_pro1_nav/launch/auto_amcl.launch
。
- 启动amcl:
$ roslaunch autolabor_pro1_nav auto_pro_amcl.launch
启动程序后一般需要在Rviz中通过2D Pose Estimate按钮设定amcl定位初值,大致标示机器人在地图中的位置,加快粒子群收敛。
使用行为树(Behavior Trees)进行机器人任务规划。详细教程见ros_by_example_indigo_volume_2
-3.9和3.10节。由于现在ROS中没有现成的行为树库,使用第三方库pi_trees
实现。
$ sudo apt-get install graphviz-dev libgraphviz-dev \
python-pygraph python-pygraphviz gv
$ cd ~/auto_ws/src
$ git clone -b indigo-devel https://github.com/pirobot/pi_trees.git
$ cd ~/auto_ws && catkin_make
在地图中使用Publish Point按钮选择几个点作为巡逻点,同时监控底盘电池电量,任务规划图:
添加启动任务规划:
$ roslaunch autolabor_pro1_nav auto_pro_amcl.launch
$ rosrun autolabor_pro1_nav patrol_tree.py
最终,机器人实现自主导航视频:
Jetson TX2采用 NVIDIA Maxwell™ 架构、256 颗 NVIDIA CUDA® 核心 和 64 位 CPU,并且其设计非常节能高效(7.5W)。此外,它还采用了深度学习、 计算机视觉、GPU 计算和图形方面的新技术,非常适合嵌入式 AI 计算。适合机器人、无人机、智能摄像机和便携医疗设备等智能终端设备。 将程序部署到TX2上,会遇到rplidar插入USB不能识别串口的问题,需要重新编译内核,加入CP210x串口驱动支持,解决的方法见博客。 TX2部署视频: