第四讲 【cartographer】纯定位模式实战：从launch文件到参数调优的完整流程解析

1. 理解cartographer纯定位模式的核心价值

纯定位模式（pure_localization）是cartographer框架中一个极其重要的功能模块，它解决了移动机器人在已有地图环境中的实时定位问题。想象一下，当你带着手机进入一个大型商场时，手机上的室内导航功能能够准确显示你所在的位置——这背后很可能就使用了类似cartographer纯定位这样的技术。

与完整的SLAM（同步定位与建图）不同，纯定位模式假设环境地图已经构建完成，系统只需要持续将当前传感器观测与已有地图进行匹配，计算出机器人在地图中的精确位置。这种模式在以下场景特别有用：

• 仓储物流机器人每天在固定仓库中执行任务
• 服务机器人在已知家庭环境中长期工作
• 自动驾驶车辆在预先绘制高精地图的道路上行驶

我曾在机器人项目中多次使用这个模式，最大的感受是：纯定位模式对计算资源的消耗显著低于完整SLAM，因为它不需要维护复杂的地图构建过程。这使得它能够在性能有限的嵌入式设备上流畅运行，同时保持很高的定位精度。

2. 准备纯定位模式的工作环境

2.1 硬件与软件基础配置

在开始配置纯定位模式前，确保你的系统满足以下基本要求：

• Ubuntu 16.04/18.04（推荐18.04）
• ROS Kinetic/Melodic（与Ubuntu版本对应）
• 已正确安装cartographer和cartographer_ros
• 至少一个激光雷达（如Hokuyo UTM-30LX）
• 可选但推荐：IMU和轮式里程计

我强烈建议使用docker来管理开发环境，这样可以避免各种依赖冲突问题。这是我常用的docker启动命令：

docker run -it --net=host --privileged \ -v /dev:/dev -v /tmp/.X11-unix:/tmp/.X11-unix \ -e DISPLAY=$DISPLAY ros:melodic-cartographer

2.2 地图数据的准备

纯定位模式需要预先加载地图数据，通常是一个.pbstream文件。这个文件可以通过cartographer的建图模式生成。在生成地图时，有几点经验分享：

1. 建图时要确保覆盖所有可能的工作区域
2. 建议在不同时段采集多组数据融合建图
3. 关键参数TRAJECTORY_BUILDER_2D.submaps.num_range_data建议设为45-60

获取到地图文件后，将其放在项目目录中，例如：

~/catkin_ws/src/your_project/maps/warehouse.pbstream

3. 配置launch启动文件详解

3.1 基础launch文件结构

纯定位模式的launch文件与建图模式类似，但有几点关键区别。下面是一个完整的示例：

<launch> <param name="/use_sim_time" value="false" /> <node name="cartographer_node" pkg="cartographer_ros" type="cartographer_node" args=" -configuration_directory $(find cartographer_ros)/configuration_files -configuration_basename backpack_2d_localization.lua -load_state_filename $(find your_pkg)/maps/warehouse.pbstream -start_trajectory_with_default_topics=false" output="screen"> <remap from="scan" to="/laser/scan" /> <remap from="odom" to="/wheel_odom" /> <remap from="imu" to="/imu/data" /> </node> <node name="cartographer_occupancy_grid_node" pkg="cartographer_ros" type="cartographer_occupancy_grid_node" args="-resolution 0.05" /> </launch>

关键参数说明：

• load_state_filename：指定预先建好的地图文件路径
• start_trajectory_with_default_topics=false：禁用自动开始轨迹
• remap部分：根据实际传感器话题名称进行映射

3.2 实际部署中的常见问题

在真实机器人上部署时，我遇到过几个典型问题：

1. 时间同步问题：如果使用多传感器，务必确保时间同步。可以在launch文件中添加：

   <param name="use_sim_time" value="true" /> <node pkg="tf2_ros" type="static_transform_publisher" name="link1_broadcaster" args="0 0 0 0 0 0 base_link laser" />

2. 坐标系配置错误：检查所有传感器的TF树是否正确。建议使用以下命令验证：

   rosrun tf view_frames evince frames.pdf

3. 地图加载失败：确保.pbstream文件路径正确，并且有读取权限。可以先用命令行测试：

   cartographer_assets_writer -configuration_directory=$(rospack find cartographer_ros)/configuration_files -configuration_basename=backpack_2d.lua -urdf_filename=$(rospack find cartographer_ros)/urdf/backpack_2d.urdf -bag_filenames=${HOME}/Downloads/b2-2016-04-27-12-31-41.bag -pose_graph_filename=${HOME}/Downloads/b2-2016-04-27-12-31-41.bag.pbstream

4. 深度解析lua参数配置

4.1 纯定位专用参数

在纯定位模式中，有几个关键参数需要特别关注。以下是backpack_2d_localization.lua的典型配置：

include "revo_lds_2d_localization.lua" -- 纯定位特有参数 TRAJECTORY_BUILDER.pure_localization_trimmer = { max_submaps_to_keep = 3, -- 保留的子图数量 } POSE_GRAPH.optimize_every_n_nodes = 20 -- 优化频率 POSE_GRAPH.global_constraint_search_after_n_seconds = 30 return options

参数调优经验：

1. max_submaps_to_keep：这个值决定了系统保留多少最新的子图用于定位。值越小计算量越小，但可能影响在动态环境中的鲁棒性。我通常在3-5之间调整。

2. optimize_every_n_nodes：控制位姿图优化的频率。较高的值可以减少计算负担，但可能降低定位精度。对于10Hz的激光雷达，20表示每2秒优化一次。

4.2 传感器参数优化

不同传感器需要不同的参数配置。以下是我在多个项目中总结的推荐值：

对于IMU数据，这些参数特别重要：

TRAJECTORY_BUILDER_2D.use_imu_data = true TRAJECTORY_BUILDER_2D.imu_gravity_time_constant = 9.7883

5. 高级调试与性能优化

5.1 实时监控与诊断

在定位过程中，实时监控系统状态非常重要。我常用的工具组合包括：

1. rviz：可视化激光扫描、地图和机器人位姿

   roslaunch cartographer_ros demo_2d.rviz

2. rqt_graph：检查节点和话题连接

   rosrun rqt_graph rqt_graph

3. rosbag record：记录问题场景数据用于离线分析

   rosbag record -O debug.bag /scan /tf /odom /imu

5.2 常见问题解决方案

问题1：定位漂移

• 检查IMU数据是否正常
• 增加TRAJECTORY_BUILDER_2D.ceres_scan_matcher.translation_weight
• 降低POSE_GRAPH.optimize_every_n_nodes

问题2：计算资源不足

• 减少max_submaps_to_keep
• 增加POSE_GRAPH.global_sampling_ratio
• 关闭不必要的可视化工具

问题3：动态环境适应性差

• 增加max_submaps_to_keep
• 降低TRAJECTORY_BUILDER_2D.submaps.num_range_data
• 启用TRAJECTORY_BUILDER_2D.use_online_correlative_scan_matching

5.3 性能优化技巧

经过多个项目的实践，我总结了这些优化经验：

1. 多分辨率地图：对于大型环境，使用不同分辨率的子图

   TRAJECTORY_BUILDER_2D.submaps.resolution = 0.05 -- 高分辨率区域 TRAJECTORY_BUILDER_2D.submaps.resolution = 0.1 -- 低分辨率区域

2. 自适应参数调整：根据运动状态动态调整参数

   if velocity > 1.0 then POSE_GRAPH.optimize_every_n_nodes = 30 else POSE_GRAPH.optimize_every_n_nodes = 10 end

3. 选择性优化：只优化关键区域

   POSE_GRAPH.optimization_problem.acceleration_weight = 1e3 POSE_GRAPH.optimization_problem.rotation_weight = 1e5

在实际部署中，我发现最耗时的部分通常是闭环检测。可以通过以下方式优化：

POSE_GRAPH.constraint_builder.sampling_ratio = 0.1 POSE_GRAPH.constraint_builder.max_constraint_distance = 15.0 POSE_GRAPH.constraint_builder.min_score = 0.85