引言
大家好，最近新入手了一臺myAGV JN這是elephant robotics在myAGV升級后的版本。最近有對SLAM相關知識感興趣，想深入了解一些關于ROS中SLAM的一些算法和規(guī)劃，跟據(jù)官方提供的gitbook，主要使用到了gmapping算法來建圖導航實現(xiàn)功能的。

本篇得到文章主要探討如何通過調(diào)整gmapping算法和其他軟件層面的優(yōu)化來提升myagv的精度，在不依靠硬件的條件情況下。

產(chǎn)品介紹
myAGV-Jetson Nano
這是第二代的myAGV，第一代的只有raspberry Pi 4B版本，算力方面有所欠缺，在二代的時候推出了一Jetson Nano為主控的版本，能夠滿足ROS 大部分的需求，Jetson Nano 能夠滿足大部分的嵌入式機器人的算力需求。

對比之前還多了很多的配件，可以搭載3D攝像頭做一些視覺的建圖，一塊顯示屏安裝在車身上比較方便操作，還有額外的增加了一塊儲能電池，比之前更耐用了（之前的1h差不多就趴窩了），因為都是看過raspberry 第一版的測評和使用情況，對這個升級版本還是很大的期待的。

搭配了一個雷達，高性能的行星直流無刷電機，保留了競賽級別的萬向輪，在原有的基礎上開放了python 的控制接口，適配了圖形化編程等軟件。最讓我心動的是，主控板為此提供了強大的圖形處理能力，并且還支持3D建圖和導航。

Jetson Nano B01

NVIDIA Jetson Nano B01是一款小型但強大的嵌入式計算開發(fā)板，專為人工智能（AI）和機器學習（ML）應用設計。

主要性能：

NVIDIA Maxwell架構的GPU，包含128個CUDA核心。
四核ARM Cortex-A57 CPU，主頻為1.43 GHz。
4GB LPDDR4內(nèi)存，位寬為64位，頻率為1600MHz。
基于這些性能Jetson Nano BO1 適用于各種AI和嵌入式應用場景，尤其是機器人方面的自動導航，運動控制，路徑規(guī)劃等等。

gmapping
gmapping是一種SLAM（Simultaneous Localization and Mapping）常用的算法，他使用粒子波率方法在機器人移動的過程中同事構建環(huán)境地圖并且估計機器人的位置和姿態(tài)。

過程
使用的過程

進入的界面是Ubuntu系統(tǒng)，方便了使用ROS進行操作，具我所了解，主機里原本就已經(jīng)配置好了一些相關的基礎建圖信息。

對于初次使用類似這種機器人來說非常的友好，提供了一個UI界面哪里不會點哪里。

一頓鼠標點下來，不用幾分鐘，就可以打開雷達運行gmapping來進行環(huán)境建圖了。

這個UI界面非常友好，功能相對來說還是比較完善的，但是只基于最基礎的建圖和導航功能，如果說是要做其他的一些項目開發(fā)，就沒有太大的用處了，只適用于初學者，想要快速上手。

之后就開始可以建圖了。用VNC進行遠程鏈接，通過鍵盤控制myAGV在所要導航的環(huán)境中進行建圖。

目前為止，所有的環(huán)節(jié)都是順利的，如果不想用UI也可以 自行輸入命令行來執(zhí)行環(huán)境建圖的功能，以下內(nèi)容都是大象機器人封裝好的功能，以下命令都要在命令行當中運行。

# 啟動雷達 roslaunch myagv_odometry myagv_active.launch #運行gmapping建圖文件 roslaunch myagv_navigation myagv_slam_laser.launch # 開啟鍵盤控制 roslaunch myagv_teleop myagv_teleop.launch #完成建圖步驟之后需要進行保存map rosrun map_server map_saver

在導航的功能包中，更改剛建圖的路徑。

關閉建圖的終端，運行導航的命令。

roslaunch myagv_navigation navigation_active.launch

這個時候，關鍵點來了，最好吧myagv放置在建圖時候小車出發(fā)的為止，或者在RViz當中進行更改，確保Myagv在地圖中的位置和實際環(huán)境中的位置相同才能夠保證導航的時候能夠正確的前往目的地。

點擊頂部工具欄的“2D Pose Estimate” 進行調(diào)整，使得Rviz界面的小車和實現(xiàn)的小車可對應上，此時終端會返回小車相對于地圖的坐標和航向角。

甚至還可以進行分布導航，記錄下要前往的導航點的參數(shù)，xy坐標與航向角yaw，但是在導航的過程中發(fā)現(xiàn)了一些問題，很關鍵原因就是他不是特別的精準，導航10次，10次都會根據(jù)原來的路徑有一定的偏差。

提出的問題并解決
為什么會出現(xiàn)偏差的問題？是什么原因導致出現(xiàn)偏差？

主要有兩方面的原因，1是硬件方面傳感器的誤差，2是軟件方面算法的局限性。

以下是我解決的方法，都是根據(jù)ROS官方給出的參數(shù)進行調(diào)整。

gmapping - ROS Wiki

通過修改雷達的參數(shù)，主要有一下幾個參數(shù)
maxRange和maxUrange
maxRange：設置激光雷達的最大探測距離。確保此值與激光雷達的實際測量范圍相匹配。

maxUrange：用于構建地圖的最大有效距離。一般比maxRange稍小，設置成實際測量距離的一個合理值。

sigma
表示激光雷達測量的標準差。數(shù)值越小，表示測量越精確。

根據(jù)激光雷達的實際性能調(diào)整該值，以減少測量噪聲的影響。

kernelSize
表示掃描匹配的窗口大小。較大的值可以增加匹配的魯棒性，但也會增加計算量。

調(diào)整該參數(shù)以平衡計算時間和匹配精度。

lstep和astep
lstep：線性步長，表示在掃描匹配過程中，平移步長的大小。

astep：角度步長，表示在掃描匹配過程中，旋轉步長的大小。

減小這些步長可以提高掃描匹配的精度，但也會增加計算負擔。

particles
粒子的數(shù)量。更多的粒子可以提高定位的準確性和穩(wěn)定性，但也會增加計算開銷。

在計算資源允許的情況下，適當增加粒子數(shù)量。

xmin、ymin、xmax、ymax
設置地圖的邊界，確保這些值能夠涵蓋機器人運行的整個區(qū)域。

適當調(diào)整地圖邊界，可以減少無效區(qū)域的計算，提高整體效率。

調(diào)整里程計的參數(shù)
里成計模型：

校準里程計模型參數(shù)，確保其準確反映機器人的運動特性。
檢查并調(diào)整輪子的半徑、軸距等參數(shù)，減少模型誤差。
傳感器結合：

結合IMU數(shù)據(jù)，通過擴展卡爾曼濾波器（EKF）等方法進行傳感器數(shù)據(jù)融合，提高定位精度。
確保里程計和IMU數(shù)據(jù)的時間同步，減少時序誤差。
3gmapping算法調(diào)整：

粒子濾波誤差：Gmapping使用粒子濾波算法，粒子的數(shù)目和分布會影響精度。如果粒子數(shù)量不足或分布不合理，可能導致誤差。
Gmapping算法中的參數(shù)（如粒子數(shù)、步長、噪聲模型等）設置不當，會影響定位和建圖的精度。
調(diào)節(jié)這些參數(shù)來提高SLAM算法的精度，在實踐當中就可以確保myAGV運行的時候誤差不會太大。

需要根據(jù)周圍的環(huán)境，進行大量的調(diào)節(jié)參數(shù)，然后進行測試，才能夠確保建圖的精準只有在建圖精準了，導航也才能夠保證精準。

總結
總的來說，我覺得myAGV表現(xiàn)還是挺不錯的，無論是性能、使用體驗，還是配套資料，都讓人覺得友好，對初學者來說很容易上手。目前，我還在不斷地使用和熟悉這個產(chǎn)品，之后打算做一些有趣的項目，希望能充分利用Jetson Nano BO1的潛力，把AI和大模型結合起來。如果你有任何好的建議，隨時分享！

審核編輯 黃宇