移动机器人运动规划及运动仿真
2023/5/15 11:22:08
本文主要是介绍移动机器人运动规划及运动仿真,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
博客地址:https://www.cnblogs.com/zylyehuo/
基于[基于SLAM系统建图仿真,完成定位仿真],详见之前的博客
基于SLAM系统建图仿真,完成定位仿真 - zylyehuo - 博客园
参考链接
Autolabor-ROS机器人入门课程《ROS理论与实践》
环境配置
ubuntu 18.04
成果图
结构树请参考下图
STEP1: move_base节点的调用
新建 mycar_ws/src/nav_demo/launch/nav05_path.launch
<launch> <node pkg="move_base" type="move_base" respawn="false" name="move_base" output="screen" clear_params="true"> <rosparam file="$(find nav_demo)/param/costmap_common_params.yaml" command="load" ns="global_costmap" /> <rosparam file="$(find nav_demo)/param/costmap_common_params.yaml" command="load" ns="local_costmap" /> <rosparam file="$(find nav_demo)/param/local_costmap_params.yaml" command="load" /> <rosparam file="$(find nav_demo)/param/global_costmap_params.yaml" command="load" /> <rosparam file="$(find nav_demo)/param/base_local_planner_params.yaml" command="load" /> </node> </launch>
STEP2: 配置文件
新建 param 文件夹
新建 mycar_ws/src/nav_demo/param/costmap_common_params.yaml
#机器人几何参,如果机器人是圆形,设置 robot_radius,如果是其他形状设置 footprint robot_radius: 0.12 #圆形 # footprint: [[-0.12, -0.12], [-0.12, 0.12], [0.12, 0.12], [0.12, -0.12]] #其他形状 obstacle_range: 3.0 # 用于障碍物探测,比如: 值为 3.0,意味着检测到距离小于 3 米的障碍物时,就会引入代价地图 raytrace_range: 3.5 # 用于清除障碍物,比如:值为 3.5,意味着清除代价地图中 3.5 米以外的障碍物 #膨胀半径,扩展在碰撞区域以外的代价区域,使得机器人规划路径避开障碍物 inflation_radius: 0.2 #代价比例系数,越大则代价值越小 cost_scaling_factor: 3.0 #地图类型 map_type: costmap #导航包所需要的传感器 observation_sources: scan #对传感器的坐标系和数据进行配置。这个也会用于代价地图添加和清除障碍物。例如,你可以用激光雷达传感器用于在代价地图添加障碍物,再添加kinect用于导航和清除障碍物。 scan: {sensor_frame: my_laser, data_type: LaserScan, topic: scan, marking: true, clearing: true}
新建 mycar_ws/src/nav_demo/param/local_costmap_params.yaml
local_costmap: global_frame: odom #里程计坐标系 robot_base_frame: base_link #机器人坐标系 update_frequency: 10.0 #代价地图更新频率 publish_frequency: 10.0 #代价地图的发布频率 transform_tolerance: 0.5 #等待坐标变换发布信息的超时时间 static_map: false #不需要静态地图,可以提升导航效果 rolling_window: true #是否使用动态窗口,默认为false,在静态的全局地图中,地图不会变化 width: 3 # 局部地图宽度 单位是 m height: 3 # 局部地图高度 单位是 m resolution: 0.05 # 局部地图分辨率 单位是 m,一般与静态地图分辨率保持一致
新建 mycar_ws/src/nav_demo/param/global_costmap_params.yaml
global_costmap: global_frame: map #地图坐标系 robot_base_frame: base_link #机器人坐标系 # 以此实现坐标变换 update_frequency: 1.0 #代价地图更新频率 publish_frequency: 1.0 #代价地图的发布频率 transform_tolerance: 0.5 #等待坐标变换发布信息的超时时间 static_map: true # 是否使用一个地图或者地图服务器来初始化全局代价地图,如果不使用静态地图,这个参数为false.
新建 mycar_ws/src/nav_demo/param/base_local_planner_params.yaml
TrajectoryPlannerROS: # Robot Configuration Parameters max_vel_x: 0.5 # X 方向最大速度 min_vel_x: 0.1 # X 方向最小速速 max_vel_theta: 1.0 # min_vel_theta: -1.0 min_in_place_vel_theta: 1.0 acc_lim_x: 1.0 # X 加速限制 acc_lim_y: 0.0 # Y 加速限制 acc_lim_theta: 0.6 # 角速度加速限制 # Goal Tolerance Parameters,目标公差 xy_goal_tolerance: 0.10 yaw_goal_tolerance: 0.05 # Differential-drive robot configuration # 是否是全向移动机器人 holonomic_robot: false # Forward Simulation Parameters,前进模拟参数 sim_time: 0.8 vx_samples: 18 vtheta_samples: 20 sim_granularity: 0.05
STEP3: launch 文件集成
新建 mycar_ws/src/nav_demo/launch/nav06_test.launch
<!-- 集成导航相关的 launch 文件 --> <launch> <!-- 地图服务 --> <include file="$(find nav_demo)/launch/nav03_map_server.launch" /> <!-- 启动AMCL节点 --> <include file="$(find nav_demo)/launch/nav04_amcl.launch" /> <!-- 运行move_base节点 --> <include file="$(find nav_demo)/launch/nav05_path.launch" /> <!-- 运行rviz --> <node pkg="joint_state_publisher" name="joint_state_publisher" type="joint_state_publisher" /> <node pkg="robot_state_publisher" name="robot_state_publisher" type="robot_state_publisher" /> <node pkg="rviz" type="rviz" name="rviz" /> </launch>
STEP4: 测试运行(准备工作)
编译+启动 gazebo 仿真环境
source ./devel/setup.bash roslaunch mycar environment.launch
启动导航相关的 launch 文件
source ./devel/setup.bash roslaunch nav_demo nav06_test.launch
配置并保存 rviz 设置
RobotModel
Map
PoseArray
LaserScan
Odometry
保存配置
STEP5: 测试运行
这篇关于移动机器人运动规划及运动仿真的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-10-28机器学习资料入门指南
- 2024-10-25机器学习开发的几大威胁及解决之道
- 2024-10-24以下是五个必备的MLOps (机器学习运维)工具,帮助提升你的生产效率 ??
- 2024-10-15如何选择最佳的机器学习部署策略:云 vs. 边缘
- 2024-10-12从软件工程师转行成为机器学习工程师
- 2024-09-262024年机器学习路线图:精通之路步步为营指南
- 2024-09-13机器学习教程:初学者指南
- 2024-08-07从入门到精通:全面解析机器学习基础与实践
- 2024-01-24手把手教你使用MDK仿真调试
- 2024-01-10基于“小数据”的机器学习