據制圖員_ros文檔翻譯
制圖員是壹個復雜的系統，調整它需要很好地了解其內部工作。本頁試圖直觀地總結制圖師使用的不同子系統及其配置值。如果妳不僅僅是對制圖員的介紹感興趣，妳也應該參考壹下制圖員論文。它只描述了2D SLAM，但是它嚴格定義了這裏描述的大多數概念。這些概念通常適用於3D。
W.Hess，D. Kohler，H. Rapp和D. Andor，2D激光雷達SLAM中的實時環路閉合，機器人與自動化(ICRA)，2016 IEEE國際會議。IEEE，2016。第1271–1278頁。
制圖員可視為兩個獨立但相關的子系統。第壹個是LocalSLAM(有時稱為前端或局部軌跡生成器)。它的工作是構建壹系列子圖。每個子圖都是局部壹致的，但是我們接受LocalSLAM隨時間漂移。可以找到install _ isolated/share/cartoon/configuration _ files/trajectory _ builder _ 2D。Lua是2d和install _ isolated/share/cartoon/configuration _ files/trajectory _ builder _ 3D。Lua是3d的。(在本頁的其余部分，我們將把trait _ builder _ nd稱為壹個公共選項。)
另壹個子系統是全局SLAM(有時稱為後端)。它運行在後臺線程中，主要工作是尋找循環約束。它是通過掃描匹配子圖來實現的。它還結合其他傳感器數據來獲得更高層次的視圖，並確定最壹致的全局解決方案。在3D中，它還試圖找到重力的方向。它的大部分選項都可以在install _ isolated/share/carto grapher/configuration _ files/pose _ graph . Lua中找到。
在更高的抽象層次上，LocalSLAM的工作是生成好的子圖，而global SLAM的工作是最壹致地組合它們。
測距傳感器(如激光雷達)提供多個方向的深度信息。但是，有些測量與SLAM無關。如果傳感器部分被灰塵覆蓋或者如果它被引導到機器人的壹部分，壹些測量的距離可以被認為是SLAM的噪聲。另壹方面，壹些最遠的測量也可能來自不需要的源(反射、傳感器噪聲)，並且與SLAM無關。為了解決這些問題，制圖師首先應用帶通濾波器，並且僅將範圍值保持在某個最小和最大範圍之間。應根據機器人和傳感器的規格選擇最小值和最大值。
註意
在2D，制圖師將改變軌跡_構建器_ 2d的範圍。Missing _ data _ ray _ length超過最大範圍。它還提供了將3D點雲過濾為2D切割的max_z和min_z值。
註意
在制圖員配置文件中，每個距離都以米為單位定義。
距離是在壹段時間內測量的，機器人實際上是在移動的。然而，距離是由大ROS消息中的“批次”傳感器提供的。制圖員可以獨立考慮每條消息的時間戳，以考慮機器人運動造成的失真。制圖員的測量頻率越高，就越能更好地將測量結果組合成可立即捕捉的單壹相幹掃描。因此，強烈建議通過掃描提供盡可能多的範圍數據(ROS消息)。
範圍數據通常從機器人上的單個點測量，但是從多個角度測量。這意味著封閉的表面(如道路)經常被擊中，並提供許多點。相反，遠處的物體不經常被擊中，提供的點數更少。為了降低點雲處理的計算量，我們通常需要對點雲進行降采樣。但是，簡單的隨機采樣會從已經有低密度測量值的區域中移除點，而高密度區域仍然會有比所需更多的點。為了解決這個密度問題，我們可以使用體素過濾器將原始點下采樣到壹個大小不變的立方體中，並且只保留每個立方體的質心。
較小的立方體大小將導致更密集的數據表示，這將導致更多的計算。較大的多維數據集會導致數據丟失，但速度會更快。
在應用固定大小的體素過濾器後，制圖員還應用了自適應體素過濾器。該過濾器試圖確定最佳體素尺寸(在最大長度)以實現目標點數。在3D中，兩個自適應體素過濾器用於生成高分辨率和低分辨率的點雲，它們的使用將在LocalSLAM中闡明。
慣性測量單元可以是SLAM的有用信息源，因為它提供了重力(因此是地面)的精確方向以及機器人旋轉的嘈雜但良好的總體指示。為了過濾IMU噪聲，對重力進行了壹定時間的觀測。如果您使用2D SLAM，您可以實時處理範圍數據，而無需額外的信息源，因此您可以選擇是否讓制圖員使用IMU。使用3D SLAM，需要提供IMU，因為它作為掃描方向的初始猜測，大大降低了掃描匹配的復雜度。
註意
在制圖儀配置文件中，該值每次都以秒為單位定義。
壹旦從多個範圍的數據中掃描、組合和過濾，您就可以為LocalSLAM算法做準備了。LocalSLAM使用來自姿態估計器的初始估計，通過掃描匹配將新掃描插入到其當前子圖構造中。姿態估計器背後的思想是使用除測距儀之外的其他傳感器的傳感器數據來預測子圖在下壹次掃描中應該插入的位置。
有兩種掃描匹配策略:
無論哪種方式，CeresScanMatcher都可以配置為給每個輸入壹個特定的權重。權重是對數據信任度的度量，可以看作是靜態協方差。重量參數的單位是無量綱量，不能相互比較。數據源的權重越大，制圖師在掃描和匹配時就越重視這個數據源。數據來源包括占用空間(掃描點)、姿態外推器(或RealTimeCorrelativeScanMatcher)的平移和旋轉。
註意
在3D中，占位_空間_重量_0和占位_空間_重量_1的參數分別與高分辨率和低分辨率的過濾點雲相關。
CeresScanMatcher得名於Ceres Solver，以Google為庫求解非線性最小二乘問題。掃描匹配問題被建模為問題的最小化，其中兩次掃描之間的運動(變換矩陣)是待確定的參數。Ceres使用下降算法來優化給定叠代次數的運動。Ceres可以根據自己的需求進行配置調整收斂速度。
RealTimeCorrelativeScanMatcher可以根據妳對傳感器的信任程度進行切換。其工作原理是在搜索窗口中搜索相似掃描，搜索窗口由最大距離半徑和最大角度半徑定義。在此窗口中使用掃描執行掃描匹配時，可以為平移和旋轉分量選擇不同的權重。例如，如果妳知道機器人不會旋轉太多，妳可以使用這些重量。
為了避免在每個子圖像中插入太多的掃描，壹旦掃描匹配器發現兩次掃描之間的運動，它將通過運動過濾器。如果引起它的運動不夠重要，掃描將被刪除。只有當掃描的運動高於某個距離、角度或時間閾值時，才會將掃描插入到當前子圖中。
當本地SLAM已經接收到給定數量的範圍數據時，認為子圖構建完成。LocalSLAM會隨時間漂移，GlobalSLAM就是用來解決這個漂移問題的。子圖必須足夠小，使得子圖內部的漂移低於分辨率，這樣子圖才是局部正確的。另壹方面，子圖應該足夠大，以便循環閉包能夠正常工作。
子圖可以在幾種不同的數據結構中存儲它們的範圍數據:最廣泛使用的表示方法稱為概率網格。然而，在2D，妳也可以選擇使用截斷的有符號距離場(TSDF)。
概率格網將空間劃分為2D表或3D表，其中每個像元都有固定的大小，包含被障礙物占據的概率。根據“命中”(測量範圍數據)和“未命中”(傳感器和測量點之間的自由空間)更新賠率。命中和未命中可以計算占用概率中不同的權重，給予或多或少的信任。
在2D，每個子圖中只存儲壹個概率網格。在3D中，兩個混合概率網格用於掃描匹配性能。(術語“混合”僅指內部樹數據表示，對用戶來說是抽象的)
掃描匹配首先將低分辨率點雲的遠點與低分辨率混合網格對齊，然後通過將高分辨率點與高分辨率混合網格對齊來細化姿態。
註意
CartographerROS提供了壹個用於可視化子圖的RViz插件。您可以從編號中選擇要查看的子圖。在3D中，RViz只顯示3D混合概率網格的2D投影(灰度)。RViz的左側窗格提供了在低分辨率和高分辨率混合網格可視化之間切換的選項。
TODO:記錄TSDF配置
當LocalSLAM生成其連續子圖時，全局優化(通常稱為“優化問題”或“稀疏姿態調整”)任務在後臺運行。它的功能是重新排列子圖，使它們形成壹個連貫的全局圖。例如，優化負責改變當前構建的軌跡，以正確對齊關於循環閉合的子圖。
壹旦插入了壹定數量的軌跡節點，優化將分批運行。根據運行它的頻率，您可以調整這些批處理的大小。
註意
設置pose _ graph。optimize _ every _ n _ nodes為0是禁用全局SLAM並專註於局部SLAM行為的便捷方式。這通常是調整制圖員的第壹件事。
全局SLAM是“GraphSLAM”的壹種，本質上是壹種姿態圖優化。它的工作原理是在節點和子圖之間構建約束，然後優化約束圖。約束可以直觀地看作是將所有節點捆綁在壹起的小繩子。稀疏的姿態調整完全固定了這些繩索。生成的網絡稱為“姿勢圖”。
註意
約束可以在RViz中可視化，調整全局SLAM非常方便。您還可以切換pose _ graph . constraint _ builder . log _ matches，以獲得直方圖格式的約束生成器的常規報告。
註意
事實上，全局約束不僅可以在單個軌跡上找到循環閉包。它們還可以對齊多個機器人記錄的不同軌跡，但我們將保留這種用法以及與全局定位相關的參數，這超出了本文的範圍。
為了限制約束(和計算)的數量，制圖師只考慮構建約束的所有閉合節點的子采樣集。這由采樣速率常數控制。采樣太少的節點可能會導致錯過約束和無效的循環閉包。對太多節點進行采樣會降低全局SLAM的速度，並阻止實時環路關閉。
當考慮節點和子圖建立約束時，它們將通過名為FastCorrelativeScanMatcher的第壹個掃描匹配器。掃描匹配器是專門為制圖員設計的，可以實現實時閉合掃描匹配。在FastCorrelativeScanMatcher中，我們依靠“分支定界”機制在不同的網格分辨率下工作，有效地消除了不正確的匹配數字。在本文前面介紹的制圖文章中廣泛介紹了這種機制。適用於深度可控的勘探樹。
壹旦FastCorrelativeScanMatcher有了足夠好的建議(高於最低匹配分數)，那麽就輸入到Ceres掃描匹配器來改進姿勢。
Ceres用於在制圖員運行優化問題時根據多個殘差重新排列子圖。使用加權損失函數計算殘差。全局優化有壹個代價函數來考慮大量數據源:全局(循環閉合)約束、非全局(匹配器)約束、IMU加速度和旋轉測量、局部SLAM粗略姿態估計、測距源或固定框架(如GPS系統)。您可以配置權重和Ceres選項，如LocalSLAM部分所述。
註意
通過切換，可以找到優化問題中使用的殘差的有用信息:pose _ graph。最大數量最終叠代次數。
作為其IMU殘差的壹部分，優化問題為IMU姿態提供了壹定的靈活性。默認情況下，Ceres可以自由優化IMU和跟蹤框架之間的外部校準。如果妳不相信妳的IMU姿態，妳可以記錄Ceres全局優化的結果，並用它來改善妳的外部校準。如果Ceres沒有正確優化您的IMU姿態，並且您完全信任您的外部校準，您可以保持這個姿態不變。
在殘差中，異常值的影響通過具有Huber標度的Huber損失函數來處理。Huber標度越大,(潛在)異常值的影響就越大。
壹旦軌跡完成，制圖師將運行壹個新的全局優化，通常比以前的全局優化多得多。這樣做是為了提高制圖師的最終結果，通常不需要實時，因此大量叠代通常是正確的選擇。