开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 嵌入式 -> 开源！手把手教你搭建Arduino+英伟达Jetson的ROS小车（下） -> 正文阅读

[嵌入式]开源！手把手教你搭建Arduino+英伟达Jetson的ROS小车（下）

1?引言

想起去年元旦收到群里面小伙伴儿的建议，希望我们也能够出一个基于NVIDIA Jetson nano 的ROS小车搭建过程，于是我们就慢慢书写了前面已经发布的推文集：????

《开源！手把手教你搭建Arduino+英伟达Jetson的ROS小车（上）》中，我们介绍了一台Jetson nano小车所需要的硬件部分；
《开源！手把手教你驱动Arduino+ROS小车的电机》中，我们介绍了如何使用Arduino及配套的扩展板实现两个直流减速电机的差速控制；
《开源！手把手教你如何调节编码电机速度PID》中，我们分享了如何通过Arduino自带的串口绘图器完成电机的PID调速。
《开源！手把手教你驱动Arduino+ROS小车大功率直流霍尔编码电机》中，我们分享了如何通过Arduino驱动大功率的直流霍尔编码电机。
《开源！手把手教你搭建Arduino+英伟达Jetson的ROS小车（中）》中，我们分享了如何将Arduino开发板和英伟达等装配有ROS Melodic 的“上位机”中调试相应的ROS包，完成相应的控制和发布数据。
《开源！手把手教你将超声波数据用Rviz可视化》中，介绍了如何使用我们在Arduino 扩展板上预留的超声波接口驱动传感器，将获得的数据在Rviz中用ROS Topic的方式可视化。

在这个过程中，也有小伙伴儿咨询为啥没有基于STM32的底层驱动讲解，这里说明一下我们当时的原由：

我们是有计划在后续分享和发布STM32版本的控制器；
前期使用Arduino的目的是考虑到部分学习ROS的小伙伴儿非电子专业，对操作寄存器编程方式不熟练，所以使用Arduino作为底层控制板，来讲解整个ROS小车的搭建过程，可以大大降低学习和入门难度；
Arduino本身就是一个开源的项目，我们也想借助它，让我们的开源社区可以更加壮大，有更多的人能通过模块化以及低成本的方式接触机器人，熟悉ROS开发；
最后，我们也想在基于 NEOR mini 开源无人车仿真平台的基础上，陆陆续续再开源一款基于Arduino底层控制器的真车NEOR?mini，这个目标现在已经基本实现。已经完成了基本的功能测试。提前给大家放一张夜晚的图：

上述所提到的一切都是基于Arduino mega 2560 及专用的扩展板开发而来的结果，起初，我们的扩展板仅仅是为了简化单片机和其他部件的连线：

后来，在多位小伙伴的支持与鼓励下，我们在这之上添加了板载5V/3A供电，为新增的两路舵机输出提供足够的电流；

再到后来，越来越多的小伙伴想通过我们发布的《2021年度免费开放资源分享——从零开始搭建ROS小车系列》推文，自己动手做一辆树莓派ROS小车，并且咨询我们有关电机驱动部分。于是乎我们便直接将TB6612FNG模块儿以排母结合的方式集成到了扩展板上。

到此，这块Arduino mega 2560 扩展板成功运用在了二自由度云台、两轮差速、阿克曼ROS小车的底盘上。所以通过上述的推文分享和开源代码，我想大家已经可以和我一样自己动手搭建一辆ROS小车底盘了。

在余下的推文中，我们将分享基于最新版本的Jetson nano主机，复现ROS中经典的建图、导航、CSI摄像头驱动示例。

（全套亚克力-37电机版本）

2?软硬件平台

硬件

最新版本 Jetson Nano（工业级 , 2路CSI接口）

? ? ? ?最新版本思岚雷达（A1M8）

? ? ? ?9Dof IMU (带磁力计)

? ? ? ?Arduino 版本的两轮差速底盘

软件

? ? ? ? Arduino IDE + C 语言开发的底层电机驱动；

? ? ? ??适配 Jetson nano 的Ubuntu 操作系统；

? ? ? ? ROS melodic + gcam 摄像头驱动；

3?Gmapping 实车建图????

Gmapping 订阅雷达测距数据、里程计位姿信息、雷达和小车运动学解算中心的相对位置，即可输出2D栅格地图。那么该如何正确使用该功能包呢，这里分享一下我的经验。对待开源的ROS 功能包，一般都可以在 ros wiki上搜索其介绍，这类ROS 包大多已经十分成熟，无需更改源码自行编译，我们在使用的过程中当做一个黑盒即可；谈到黑盒就得清楚其需要的输入是什么？最后对应的输出是什么？在ROS中，节点的输入就是需要订阅（Subscriber）哪些数据；输出就是会发布（Publisher）哪些数据。

Subscribed Topics

scan(sensor_msgs/LaserScan)：激光雷达发布的测距数据；

# sensor_msgs/LaserScan .msg
  Header header            # 数据头，记录 ROS msg 的信息
    uint32 seq
    time stamp            
    string frame_id        # 对应哪一个坐标系 frame 如：base_laser

  float32 angle_min        # 雷达扫描的起始角度[rad]
  float32 angle_max        # 雷达扫描的终止角度 [rad]
  float32 angle_increment  # 激光每次扫描增加的角度 [rad]
  float32 time_increment   # 激光测量的时间间隔
  float32 scan_time        # 激光扫描的时间间隔 [seconds]
  float32 range_min        # 最近测距 距离 [m]
  float32 range_max        # 最远测距 距离 [m]
  float32[] ranges         # 距离数值 集合 [m] (Note: values < range_min or > range_max should be discarded)
  float32[] intensities    # 强度信息

tf(tf/tfMessage)：监听雷达、移动底座解算中心、里程计三个坐标系之间的tf转换；比如：base_laser ——> base_link（静态）、odom——>base_link（动态）。

Published Topics

map_metadata(nav_msgs/MapMetaData)：地图元数据，只包含地图的规格等信息，没有实际的地图信息；

# nav_msgs/MapMetaData .msg
  time map_load_time   # 地图加载的时间
  float32 resolution   # 地图的分辨率 [m/cell]
  uint32 width         # Map 宽度 [cells]
  uint32 height        # Map 高度 [cells]
  geometry_msgs/Pose origin   # 地图的位姿数据

map(nav_msgs/OccupancyGrid)：完整的地图数据，包含规格和实际的地图内容信息。

# nav_msgs/OccupancyGrid .msg
  std_msgs/Header header  # 具体包含的内容同上
  nav_msgs/MapMetaData    # 地图元数据
  int8[] data             # 地图内容数据，数组长度 = width * height

那么接下来看看我们提供的 gmapping_ekf.launch文件：

<launch> 
    <!-- launch the ros_arduino_bridge node and publish odom data for robot_localization node -->
    <include file="$(find ros_arduino_python)/launch/arduino.launch" />

    <!-- launch the imu node and publish the imu data for robot_localization node-->
    <include file="$(find imu_901)/launch/imu_901.launch" />

    <!-- fusion the odom and imu data and publish the odom——> base_link tf for gmapping -->
    <include file="$(find launch_file)/launch/robot_localization.launch" />

    <!-- launch the gmapping launch file .
        Listen tf:
            odom ——>  base_link
            laser_link ——>  base_link
        Subscribe Topisc:
            scan (sensor_msgs/LaserScan)
        Publish Topisc:
            map
     -->
    <!--  launch the lidar node,publish the scan topic and laser_link ——> base_link tf(static)-->
    <include file="$(find launch_file)/launch/rplidar.launch" />
    
    <include file="$(find launch_file)/launch/gmapping.launch" /
</launch>

对以上分别做以下解释：

arduino.launch?文件发布里程计数据（wheel_odom）、订阅速度话题（cmd_vel）控制车移动，不发布 tf ；

imu_901.launch?文件发布机器人姿态数据（imu）；

robot_localization.launch? 文件融合 wheel_odom 和 imu 信息，输出融合之后的里程计及 base_link 和 odom 之间的 tf 变换；

rplidar.launch?文件发布雷达测距信息（scan），雷达和base_link之间的静态tf‘变换。

gmapping.launch? 文件订阅雷达测距信息（scan），位姿信息（tf），发布栅格地图（map）。

另外一篇详细的过程可见以前发布的一篇推文《搭建ROS机器人之——手把手教你用gmapping实现2D建图》

最后，地图建好之后，保存地图：

# 当觉得建图效果可以之后，新打开终端，然后运行如下命令
rosrun map_server map_saver -f your_map_name

?（感谢小伙伴:? “旧人归入梦” 的温馨提示?）

4?move_base 实车定点导航示例

首先来一张 ROS wiki 中关于 navigation 栈的架构解析:??

由上图可知，中间方框部分为实现导航功能的 move_base 核心；其左右分别为需要订阅的数据及类型；下方为实际规划出的实时速度，其将传给底盘控制节点（ros_arduino_python）。结合图和对应 ROS wiki 中的讲解，我们构建了如下所示的navigation_ekf.launch 文件：

<launch>
    <!--  launch the lidar node,publish the scan topic and laser_link ——> base_link tf(static)-->
    <include file="$(find launch_file)/launch/rplidar.launch" />
    <!-- launch the ros_arduino_bridge node and publish odom data for robot_localization node -->
    <include file="$(find ros_arduino_python)/launch/arduino.launch" />
    <!-- launch the imu node and publish the imu data for robot_localization node-->
    <include file="$(find imu_901)/launch/imu_901.launch" />
    <!-- fusion the odom and imu data and publish the odom——> base_link tf for gmapping -->
    <include file="$(find launch_file)/launch/robot_localization.launch" />

    <!-- Run the map server and load the static map -->
    <node name="load_map_to_amcl" pkg="map_server" type="map_server" args="$(find launch_file)/map/map.yaml"/>
    <!--- Run AMCL -->
    <include file="$(find launch_file)/launch/amcl.launch"/>
    <!-- move_base 节点-->
    <node pkg="move_base" type="move_base" respawn="false" name="move_base" output="screen">
        <rosparam file="$(find launch_file)/params/costmap_common_params.yaml" command="load" ns="global_costmap" /> 
        <rosparam file="$(find launch_file)/params/costmap_common_params.yaml" command="load" ns="local_costmap" />
        <rosparam file="$(find launch_file)/params/local_costmap_params.yaml" command="load" />
        <rosparam file="$(find launch_file)/params/move_base_params.yaml" command="load" />
        <rosparam file="$(find launch_file)/params/global_costmap_params.yaml" command="load" /> 
        <rosparam file="$(find launch_file)/params/dwa_local_planner_params.yaml" command="load" />
        <rosparam file="$(find launch_file)/params/global_planner_params.yaml" command="load"/>
    </node>

</launch>

其中：

map_server? 节点既可以保存地图，也可以加载建图所保存的静态地图；

amcl.launch?文件将通过实时的雷达点云信息和加载的先验地图，完成机器人全局位姿估计；

move_base? 节点是导航的核心，其主要的功能是基于先验地图和全局位姿估计，完成全局路径规划；在此基础上再根据机器人的运动学约束模型，执行局部的路径规划，并且发布适配机器人的速度话题数据。

在规划的过程中，为了避免机器人外观碰撞到静态的全局和动态的局部障碍物，引进了膨胀层的概念，继而在规划层面提前留有余地，并通过代价地图体现，可在Rviz中可视化。

在不同的场景下，因为机器人总是向前规划的缘故，有时机器人会陷入“局部困境”中无法逃离，基于此又引入了恢复行为（Recovery behavior）操作，具体的现象就是机器人在无路可走的情况下，会开始原地转圈，转圈的目的就是为了寻找新的路径，以摆脱“局部困境”。

根据传感器的性能（分辨率、帧率、精度），处理器的性能，小车运行速度等因素，又将全局和局部的规划进行了参数提炼，分别为路径规划的频率、代价地图的更新频率。可以联想得到的是，若目标车速要求快，那么一定需要较快的规划速率，这样才能确保安全；一定需要较快的地图更新速率以降低障碍物的漏检率，但与此相矛盾的又是对传感器的性能要求，对处理器计算性能的要求。

综上，我们需要根据不同的情况，实际所具备的不同条件，调节合适的参数，以达到最好的预期效果。