Skip to content

Sspacegray/voxel_ws

BranchesTags

Repository files navigation

Voxel Robot Navigation System

ROS2 Humble ROS2 Jazzy

这是一个基于 ROS 2 (Jazzy) 的移动机器人自主导航与定位系统（项目早期在 Humble 上开发）。本项目集成了 Livox Mid360 激光雷达、Fast-LIO 里程计、Nav2 导航栈以及相关的硬件驱动和感知算法，提供了一套完整的建图、定位和导航解决方案。

目录

项目简介

  • 传感器侧：Livox Mid360 激光雷达 + 外置高精度 IMU，支持雷达内置 IMU 兜底。
  • 定位侧：Fast-LIO 作为主里程计与定位方案，可切换 Point-LIO/LIO-SAM 等实现。
  • 导航侧：Nav2 + MPPI 控制器 + 行为树导航（行为树文件随导航配置发布）。
  • 控制侧：基于 ros2_control 的底盘接口，输出 /cmd_vel 至差速/全向底盘驱动。
  • 应用侧：留有 robot_app 框架用于任务调度或上层业务逻辑接入。

整体技术架构

数据流/分层

┌─────────────────────────────────────────────────────────────────────────────┐
│                           应用层 (robot_app)                                 │
│                     任务调度 / 业务逻辑 / 状态机                              │
└─────────────────────────────────────────────────────────────────────────────┘
                                     ↓ 目标点
┌─────────────────────────────────────────────────────────────────────────────┐
│                        导航与决策层 (Nav2)                                   │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────┐                    │
│  │Planner   │  │Controller│  │Behavior  │  │Costmap   │                    │
│  │(Theta*)  │  │(MPPI)    │  │(BT Nav)  │  │(2D Grid) │                    │
│  └──────────┘  └──────────┘  └──────────┘  └──────────┘                    │
└─────────────────────────────────────────────────────────────────────────────┘
                    ↑ /scan, /map, /tf                ↓ /cmd_vel
┌─────────────────────────────────────────────────────────────────────────────┐
│                        感知与预处理层                                        │
│  ┌──────────────────┐  ┌──────────────────┐  ┌──────────────────┐          │
│  │pointcloud_to_    │  │linefit_ground_   │  │imu_complementary │          │
│  │laserscan         │  │segmentation      │  │_filter           │          │
│  │(3D→2D投影)       │  │(地面/障碍物分离) │  │(IMU姿态融合)     │          │
│  └──────────────────┘  └──────────────────┘  └──────────────────┘          │
└─────────────────────────────────────────────────────────────────────────────┘
                    ↑ /livox/lidar, /imu/data
┌─────────────────────────────────────────────────────────────────────────────┐
│                           定位层                                             │
│  ┌──────────────────┐  ┌──────────────────┐  ┌──────────────────┐          │
│  │Fast-LIO          │  │Point-LIO         │  │LIO-SAM           │          │
│  │(主方案)          │  │(备选)            │  │(备选)            │          │
│  └──────────────────┘  └──────────────────┘  └──────────────────┘          │
│                    输出: /Odometry, /tf (map→odom→base_link)               │
└─────────────────────────────────────────────────────────────────────────────┘
                    ↑ /livox/lidar, /imu/data
┌─────────────────────────────────────────────────────────────────────────────┐
│                      传感器与驱动层                                          │
│  ┌──────────────────┐  ┌──────────────────┐  ┌──────────────────┐          │
│  │livox_ros_driver2 │  │hipnuc_imu        │  │robot_base        │          │
│  │(雷达驱动)        │  │(IMU驱动)         │  │(底盘ros2_control)│          │
│  └──────────────────┘  └──────────────────┘  └──────────────────┘          │
└─────────────────────────────────────────────────────────────────────────────┘

关键接口速览

  • 话题：/livox/lidar(点云)、/imu/data、/Odometry、/scan、/cmd_vel、/tf。
  • 核心配置：导航参数 src/robot_navigation/src/params/nav2_params.yaml；LIO 外参与话题 src/robot_localization/fast_lio/config/mid360.yaml。

项目架构

本项目采用模块化设计，代码组织在 src 目录下，主要模块功能如下：

模块名称 功能描述 关键技术栈
robot_base 机器人底盘控制、URDF 模型定义、硬件接口 ros2_control, xacro, serial
robot_hardware_driver 传感器驱动（激光雷达、IMU 等） livox_ros_driver2, hipnuc_imu
robot_localization 激光雷达里程计与定位算法 fast_lio, point_lio, lio-sam
robot_perception 感知处理模块 imu_complementary_filter, linefit_ground_segmentation, pointcloud_to_laserscan
robot_navigation Nav2 导航配置、Launch 启动文件 nav2, behavior_trees, mppi_controller
robot_app 上层应用逻辑（如任务调度） Python/C++
robot_calibration 传感器标定工具 自动标定脚本
tools 辅助工具 pcd2pgm, pcd2elevation

感知与预处理模块

IMU 互补滤波器 (imu_complementary_filter)

位置: src/robot_perception/imu_complementary_filter/

功能: 使用互补滤波算法融合 IMU 的加速度计和陀螺仪数据，输出稳定的姿态估计（Roll, Pitch, Yaw）。互补滤波是一种轻量级的姿态估计方法，适用于低漂移场景。

原理:

  • 陀螺仪积分提供短期精确角速度，但长期存在漂移。
  • 加速度计提供绝对重力方向参考，但受到高频噪声和运动加速度干扰。
  • 互补滤波通过高通滤波陀螺仪数据 + 低通滤波加速度计数据，融合两者优点。

关键参数:

  • gain_acc: 加速度计增益 (默认 0.01)，越大越信任加速度计。
  • do_bias_estimation: 是否估计陀螺仪偏置。
  • do_adaptive_gain: 是否使用自适应增益（运动时降低加速度计权重）。

启动方式:

ros2 launch imu_complementary_filter complementary_filter.launch.py

替代方案对比:

方案 优点 缺点 适用场景
互补滤波 (本项目) 计算量小、实时性好、易调参 无法处理磁力计、精度一般 移动机器人、无人机姿态估计
Madgwick Filter 支持磁力计、无需调参、精度高 计算量稍大 需要航向校正的应用
Mahony Filter 实现简单、支持磁力计 参数敏感 资源受限平台
EKF (robot_localization) 融合多源传感器、最优估计 计算复杂、需协方差调参 高精度定位、多传感器融合

地面分割 (linefit_ground_segmentation)

位置: src/robot_perception/linefit_ground_segementation_ros2/

功能: 将 3D 点云分割为「地面点」和「障碍物点」。地面点可用于构建可通行区域，障碍物点用于避障。

原理:

  • 将点云按极坐标划分为若干扇区 (n_segments) 和距离区间 (n_bins)。
  • 在每个扇区内拟合地面直线 (Line Fitting)。
  • 根据点到地面线的距离判断是否为地面点。

关键参数 (见 ground_segmentation.h):

  • sensor_height: 传感器离地高度 (m)
  • max_slope: 最大地面坡度 (tan值)
  • max_dist_to_line: 判定为地面点的最大距离阈值 (m)
  • n_segments: 角度分区数量 (默认 180)
  • n_bins: 距离分区数量 (默认 30)

输出话题:

  • /segmentation/ground: 地面点云
  • /segmentation/obstacle: 障碍物点云

替代方案对比:

方案 优点 缺点 适用场景
Linefit (本项目) 速度快、适合平坦地面 复杂地形表现一般 室内/结构化室外环境
RANSAC 简单、鲁棒性好 速度慢、无法处理坡度 简单场景验证
Patchwork/Patchwork++ 支持复杂地形、精度高 参数多、计算量大 野外自动驾驶
Ground Plane Fitting (GPF) 实时性好 假设单一地面 结构化环境
深度学习 (PointNet++) 语义分割能力强 需要训练、GPU依赖 复杂城市场景

点云转激光扫描 (pointcloud_to_laserscan)

位置: src/robot_perception/pointcloud_to_laserscan/

功能: 将 3D 点云 (sensor_msgs/PointCloud2) 投影为 2D 激光扫描 (sensor_msgs/LaserScan)。主要用于为 Nav2 代价地图提供 2D 障碍物数据。

原理:

  • 定义一个高度范围 [min_height, max_height]，筛选该范围内的点。
  • 将筛选后的点投影到 XY 平面。
  • 按角度分 bin，取每个角度 bin 内的最近距离作为激光测量值。

关键参数 (在 launch/pointcloud_to_laserscan_launch.py 中配置):

  • min_height: 最小高度 (m)，过滤地面
  • max_height: 最大高度 (m)，过滤高处障碍
  • angle_min, angle_max: 激光扫描角度范围 (rad)
  • range_min, range_max: 有效距离范围 (m)
  • target_frame: 输出激光扫描的坐标系

替代方案对比:

方案 优点 缺点 适用场景
pointcloud_to_laserscan (本项目) 简单、通用、与 Nav2 兼容 丢失 3D 信息 2D 导航、成本敏感
octomap_server 保留 3D 信息、支持多层 内存占用大、更新慢 3D 避障、无人机
3D Costmap (voxel_layer) 原生 3D 障碍检测 配置复杂、计算量大 高精度 3D 导航
深度图投影 保留遮挡信息 需要深度相机 RGB-D 导航

激光滤波器 (laser_filter)

位置: src/robot_base/src/laser_filter.cpp

功能: 过滤 /scan 中的离群点(杂点),减少代价地图中的噪声影响,提高导航路径稳定性。

原理:

  • 使用邻域比较法判定离群点
  • 对每个激光点,检查其与前后邻居的距离差
  • 如果距离差超过阈值 (outlier_threshold),判定为离群点并标记为无效 (infinity)

关键参数 (在 bringup.launch.py 中配置):

  • source_topic: 输入激光扫描话题 (默认 /scan)
  • pub_topic: 输出过滤后的话题 (默认 /scan_filtered)
  • outlier_threshold: 离群点判定阈值 (默认 0.1m)
    • 降低 (如 0.05) → 更激进过滤,可能过滤真实障碍
    • 提高 (如 0.15) → 更保守过滤,可能遗漏杂点

数据流:

pointcloud_to_laserscan → /scan → laser_filter → /scan_filtered → Nav2 costmap

参数调优建议:

  • 室内结构化环境: 0.08 - 0.12m
  • 室外复杂环境: 0.05 - 0.10m
  • 高动态场景: 0.15 - 0.20m (减少过度过滤)

启动状态: ✅ 已集成到 robot_navigation/bringup.launch.py

代价地图清除工具 (clear_costmap_caller)

位置: src/robot_perception/clear_costmap_caller/

功能: 定时清除全局和局部代价地图中的残留杂点,作为 laser_filter 的补充方案。

原理:

  • 每隔固定时间间隔(默认1秒)调用Nav2的 ClearEntireCostmap 服务
  • 清除 global_costmap 和 local_costmap 中的所有障碍物标记

使用建议:

  • 推荐策略: 优先使用 laser_filter,仅在杂点仍严重时启用 clear_costmap_caller
  • 注意: 频繁清除会短暂中断导航,影响路径连贯性

启动方式 (可选):

# 仅在 laser_filter 后仍有杂点问题时使用
ros2 run clear_costmap_caller clear_costmap_caller

同时使用 laser_filter 和 clear_costmap_caller: 可以同时使用,它们是互补的:

  • laser_filter: 预防性方案,从源头过滤(推荐)
  • clear_costmap_caller: 补救性方案,定期清除残留

两者对比:

工具 作用时机 优点 缺点 适用场景
laser_filter 数据输入时 预防、不影响导航 无法处理已有杂点 通用,推荐优先使用
clear_costmap_caller 定期清除 清除已有杂点 短暂中断导航 严重杂点环境辅助

定位方案

本项目支持多种激光雷达惯性里程计 (LIO) 方案：

方案 路径 特点 适用场景
Fast-LIO (默认) robot_localization/fast_lio 高效 ikd-tree、紧耦合 通用、实时性好
Point-LIO robot_localization/point_lio 点级别紧耦合、精度极高 高精度建图
LIO-SAM robot_localization/LIO-SAM 因子图优化、回环检测 大范围建图
Faster-LIO robot_localization/faster-lio 增量式体素更新、更快 资源受限平台

其他可选方案:

  • KISS-ICP: 纯激光里程计，无需 IMU
  • CT-ICP: 连续时间 ICP，处理运动畸变
  • hdl_localization: 基于 NDT/GICP 的定位

导航方案

路径规划器 (Planner)

方案 配置关键字 特点
Theta (本项目)* ThetaStarPlanner 任意角度路径、平滑
NavFn (A/Dijkstra)* NavfnPlanner 经典、可靠
Smac 2D SmacPlanner2D 成本感知 A*
Smac Hybrid-A* SmacPlannerHybrid 支持非完整约束

路径控制器 (Controller)

方案 配置关键字 特点
MPPI (本项目) MPPIController 采样优化、动态避障强
DWB DWBLocalPlanner 动态窗口法、经典
Regulated Pure Pursuit RegulatedPurePursuitController 简单、稳定
TEB TEBLocalPlanner (需额外安装) 时间弹性带、支持倒车

路径平滑器 (Smoother)

方案 配置关键字 特点
Constrained Smoother (本项目) ConstrainedSmoother 优化平滑、支持约束
Simple Smoother SimpleSmoother 简单迭代平滑
Savitzky-Golay SavitzkyGolaySmoother 滤波平滑

工具模块

工具 路径 功能
pcd2pgm src/tools/pcd2pgm 将 PCD 点云地图转换为 2D 栅格地图 (PGM)
pcd2elevation src/tools/pcd2elevation 将 PCD 转换为高程图
performance_analysis src/tools/performance_analysis 性能分析工具集

性能分析指南

本项目提供了一套完整的性能分析工具，位于 src/tools/performance_analysis/。以下是各类性能分析的详细使用方法。

1. 系统资源监控 (CPU/内存)

使用 ana_cost.py 脚本分析各节点的 CPU 和内存占用。

步骤 1: 收集系统数据

# 在运行导航时，开启另一个终端执行：
top -d 5 -n 60 -i -b > ~/top.txt
# -d 5: 每5秒采样一次
# -n 60: 采样60次 (共5分钟)
# -i: 忽略空闲进程
# -b: 批处理模式，输出到文件

步骤 2: 分析数据

cd ~/voxel_ws/src/tools/performance_analysis
# 修改 ana_cost.py 中的 file_path 和 proccess_name
python3 ana_cost.py

输出: 生成 CPU 和内存使用率的时序图，可识别哪个节点占用资源过高。

典型问题诊断:

现象 可能原因 解决方案
controller_server CPU 过高 MPPI batch_size 过大 降低 batch_size 到 1000
pointlio 内存持续增长 地图累积过大 增加降采样或限制地图大小
planner_server 峰值高 路径规划频繁 降低 expected_planner_frequency

2. SLAM 轨迹精度评估 (EVO)

使用 EVO 工具评估定位算法的轨迹精度。

安装 EVO:

pip3 install evo --upgrade

步骤 1: 录制里程计数据

ros2 bag record /Odometry -o slam_test

步骤 2: 转换为 TUM 格式

evo_traj bag2 ./slam_test/ /Odometry --save_as_tum
# 生成 Odometry.tum 文件

步骤 3: 轨迹可视化

# 单轨迹可视化
evo_traj tum Odometry.tum -p --plot_mode=xy

# 多算法轨迹对比 (Fast-LIO vs Point-LIO)
evo_traj tum fast-lio.tum point-lio.tum -p --plot_mode=xy

步骤 4: 相对位姿误差 (RPE) 分析

# 需要真值轨迹 (ground_truth.tum)
evo_rpe tum ground_truth.tum Odometry.tum -v -p --plot_mode=xy

步骤 5: 绝对轨迹误差 (ATE) 分析

evo_ape tum ground_truth.tum Odometry.tum -v -p --align --correct_scale

已有对比数据 (位于 SLAM/ 目录):

  • fast-lio.tum: Fast-LIO 轨迹
  • point-lio.tum: Point-LIO 轨迹
  • fast-lio-sam.tum: LIO-SAM 轨迹
  • relocalization.tum: 重定位轨迹

3. 规划器性能对比

使用 plansave.py 脚本记录不同规划器的路径输出。

步骤 1: 启动路径记录节点

cd ~/voxel_ws/src/tools/performance_analysis/planning
python3 plansave.py

步骤 2: 在 RViz 中发送目标点

脚本会订阅 /plan_smoothed 话题并保存路径点到 TXT 文件。

步骤 3: 切换规划器并重复测试

修改 nav2_params.yaml 中的 GridBased.plugin：

# 测试不同规划器
GridBased:
  plugin: "nav2_navfn_planner/NavfnPlanner"  # A*/Dijkstra
  # plugin: "nav2_smac_planner/SmacPlanner2D"  # Smac 2D
  # plugin: "nav2_theta_star_planner/ThetaStarPlanner"  # Theta*

已有对比数据 (位于 planning/ 目录):

文件 规划器 说明
AStar.txt NavFn (A*) 经典 A* 路径
Dijkstra.txt NavFn (Dijkstra) Dijkstra 路径
Smac.txt SmacPlanner2D 成本感知 A*
ThetaStar.txt ThetaStarPlanner 任意角度路径

分析指标:

  • 路径长度 (总点数)
  • 路径平滑度 (角度变化)
  • 规划时间 (通过 ros2 topic echo /plan --qos-durability transient_local 查看时间戳)

4. 路径平滑器对比

评估不同 Smoother 的平滑效果。

已有对比数据 (位于 smoother/ 目录):

文件 Smoother 说明
raw.txt 无平滑 原始规划路径
SimpleSmoother.txt SimpleSmoother 简单迭代平滑
SavitzkyGolaySmoother.txt SavitzkyGolaySmoother 滤波平滑
cons.txt ConstrainedSmoother 约束优化平滑

可视化对比:

import matplotlib.pyplot as plt
import numpy as np

def load_tum(file):
    data = np.loadtxt(file)
    return data[:, 1], data[:, 2]  # x, y

files = ['raw.txt', 'SimpleSmoother.txt', 'cons.txt']
for f in files:
    x, y = load_tum(f)
    plt.plot(x, y, label=f)
plt.legend()
plt.axis('equal')
plt.show()

5. 底盘标定

底盘标定用于校准里程计的线速度和角速度精度。标定脚本位于 src/robot_base/scripts/。

5.1 线速度标定 (linear_calibration.py)

功能: 控制机器人直线行驶指定距离，比较里程计报告距离与实际测量距离。

使用方法:

# 默认前进 1 米
ros2 run robot_base linear_calibration.py

# 指定前进距离 (例如 2 米)
ros2 run robot_base linear_calibration.py 2.0

标定流程:

  1. 在地面标记起点。
  2. 运行脚本，机器人会自动前进到目标距离。
  3. 使用卷尺测量实际行驶距离。
  4. 计算校正系数：correction = 实际距离 / 里程计报告距离
  5. 将校正系数更新到 controllers.yaml 或硬件接口中。

关键参数 (可在脚本中修改):

  • self.speed: 测试速度 (默认 0.4 m/s)
  • self.tolerance: 停止容差 (默认 0.01 m)

5.2 角速度标定 (angular_calibration.py)

功能: 控制机器人原地旋转指定角度 (默认 π 弧度 = 180°)，比较里程计和 IMU 的角度测量。

使用方法:

ros2 run robot_base angular_calibration.py

标定流程:

  1. 在机器人上标记一个方向参考点。
  2. 运行脚本，机器人会原地旋转 180°。
  3. 使用量角器或视觉参考检查实际旋转角度。
  4. 脚本会同时显示里程计 (self.yaw) 和 IMU (self.imu_data) 的角度读数。
  5. 如果两者有偏差，调整轮距参数或 IMU 外参。

关键参数 (可在脚本中修改):

  • self.target_yaw: 目标旋转角度 (默认 π)
  • self.r_speed: 旋转速度 (默认 1.0 rad/s)
  • self.r_tolerance: 停止容差 (默认 0.1 rad)

常见问题:

现象 可能原因 解决方案
实际距离 > 里程计 轮径参数偏小 增大 wheel_radius
实际距离 < 里程计 轮径参数偏大 减小 wheel_radius
旋转角度偏差大 轮距参数不准 调整 wheel_separation
里程计与 IMU 角度不一致 IMU 外参错误 校准 IMU 安装角度

6. 实时性能监控 (ROS 2)

话题频率检查:

ros2 topic hz /scan
ros2 topic hz /Odometry
ros2 topic hz /cmd_vel

节点延迟分析:

ros2 topic delay /cmd_vel

TF 树检查:

ros2 run tf2_tools view_frames
# 生成 frames.pdf

计算图可视化:

ros2 run rqt_graph rqt_graph

7. 性能优化建议

问题 诊断方法 解决方案
导航卡顿 top 查看 CPU 降低 MPPI batch_size/time_steps
定位漂移 EVO RPE 分析 调整 IMU 外参、增加特征点
路径不平滑 可视化 /plan 切换 ConstrainedSmoother
TF 延迟 ros2 topic delay 检查传感器时间同步
内存泄漏 top 监控内存 检查地图累积、降采样

硬件依赖

  • 移动底盘: 四轮差速或全向底盘 (支持串口通信)
  • 激光雷达: Livox Mid360 (360度混合固态激光雷达)
  • IMU: 外部高精度 IMU (如 Hipnuc) 或雷达内置 IMU
  • 计算平台: x86 PC (推荐) 或 Nvidia Jetson (Orin/Xavier)

软件依赖

  • OS: Ubuntu 24.04 LTS
  • ROS Distribution: ROS 2 Jazzy Jalisco
  • 核心库:
    • pcl_ros
    • nav2-bringup
    • nav2-mppi-controller
    • xacro
    • robot_localization (ROS 2 standard pkg)

安装与编译

  1. 克隆代码库

    cd ~/voxel_ws/src
# clone your repo here

  2. 安装依赖 使用 rosdep 安装所有依赖项：

    cd ~/voxel_ws
rosdep install --from-paths src --ignore-src -r -y

  3. 编译项目

    colcon build --symlink-install --cmake-args -DCMAKE_BUILD_TYPE=Release
#其中cmake参数Release 配置编译，通常会启用 -O3/-DNDEBUG 等优化并关闭断言，生成体积更小、运行更快的可执行文件

  4. 配置环境变量

    source install/setup.bash
# 使用 zsh 时可改为：source install/setup.zsh 并写入 ~/.zshrc
echo "source ~/voxel_ws/install/setup.bash" >> ~/.bashrc

核心功能与使用

1. 硬件驱动启动

如果不进行导航，仅需启动底层硬件（底盘、雷达、IMU）：

ros2 launch robot_base bringup.launch.py

这将启动底盘通信、加载 URDF 模型、发布 /tf 和 /tf_static。

2. 建图模式 (Mapping)

使用 Fast-LIO 进行 3D 点云建图：

ros2 launch fast_lio mapping.launch.py

操作流程:

  1. 启动命令后，RViz 会自动打开。
  2. 遥控机器人移动，覆盖所有区域。
  3. 建图完成后，地图会保存为 PCD 文件或通过服务调用保存。

3. 导航与定位 (Navigation & Localization)

启动完整的导航栈（包含定位、路径规划、避障）：

ros2 launch robot_navigation bringup.launch.py

包含模块:

  • livox_ros_driver2: 启动雷达
  • pointcloud_to_laserscan: 将 3D 点云压平为 2D 扫描数据
  • fast_lio (Localization Mode): 运行定位模式
  • nav2_bringup: 启动规划器、控制器 (MPPI)、代价地图等

使用方法:

  1. 在 RViz 中使用 "2D Pose Estimate" 给定初始位姿（如果未自动初始化）。
  2. 使用 "2D Goal Pose" 发布目标点。
  3. 机器人将自动规划路径并避障行驶。

参数配置说明

导航参数 (nav2_params.yaml)

路径：src/robot_navigation/src/params/nav2_params.yaml

关键参数：

  • Controller: 使用 MPPIController 进行路径跟踪。
    • vx_max: 最大线速度 (目前设为 0.6 m/s)
    • batch_size: 采样批次大小 (影响计算负载与平滑度)
    • time_steps: 预测时间步长
  • Costmap: 本地和全局代价地图配置
    • inflation_radius: 膨胀半径
    • resolution: 地图分辨率 (0.05m)

Fast-LIO 参数 (mid360.yaml)

路径：src/robot_localization/fast_lio/config/mid360.yaml

关键参数：

  • common/lid_topic: 雷达话题 (/livox/lidar)
  • common/imu_topic: IMU 话题
  • mapping/extrinsic_T: 雷达外参平移
  • mapping/extrinsic_R: 雷达外参旋转

常见问题与故障排除

Q: 机器人移动卡顿，一会快一会慢？ A: 这通常是 MPPI 控制器计算负载过高导致的。

  • 解决: 检查 nav2_params.yaml，尝试降低 batch_size (如 1000) 和 time_steps (如 50)。

Q: 无法提交代码 (Git commit 失败)？ A: 检查是否误添加了 .cache 等大量临时文件。

  • 解决: 使用 git restore --staged .cache 撤销暂存，并确保 .gitignore 包含 .cache/。

Q: 雷达数据在 RViz 中是歪的？ A: 检查 URDF 中的雷达安装角度以及 mid360.yaml 中的外参配置 (extrinsic_R)。如果是倾斜安装，必须正确补偿安装角。

Q: 地面分割效果不好？ A: 调整 linefit_ground_segmentation 参数：

  • 增大 max_dist_to_line 可放宽地面判定
  • 调整 sensor_height 确保与实际安装高度一致

Q: IMU 姿态漂移？ A: 检查 imu_complementary_filter 的 gain_acc 参数，过小会导致漂移，过大会导致噪声。

License

MIT License

About

3d slam and navigation system whole freamwork

Resources

Readme

License

Apache-2.0 license
Activity

Stars

1 star

Watchers

0 watching

Forks

0 forks
Report repository

Releases 1

0.1.0 Latest
Dec 8, 2025

Packages

No packages published

Languages