SLAM（Simultaneous Localization and Mapping，同步位置与地图构建）技术是本设计的核心内容之一，该部分完成了基于Cartographer的地图构建和基于Cartographer的纯定位算法设计。

机器人模型描述文件

ROS中的系统人工智能定义形式（URDF，Unified Robot DesCription Format）功能中包括有一组URDF的标准C++解释器，URDF文档通过XML格式定义智能机器人模式。

在URDF文件描述中，机器人有link连接杆和joint关节组成。ROS系统在加载解析URDF模型的同时，也会通过joint state publisher将机器人各部分的TF坐标变换关系一并发出。

在此次系统设计当中，首先通过Gazebo仿真平台进行数据仿真模拟测试来验证算法，然后将算法迁移至真实机器系统。无论是仿真测试还是真实机器人均需要通过TF坐标变换来描述机器人各部分组成的位姿关系，本文使用的机器人模型如图所示。

 机器人仿真模型

 Cartographer建图与定位

Cartographer是由google公司推出的实时室内SLAM项目，Cartographer使用了根据google自身研发的ceres线形优化的设计方法，而Cartographer的一大亮点便是代码标准化和工程化，尤其适用于在商务应用领域中的再技术开发。另外，Cartographer还引入了利用submap子图建立全域版图的技术理念，能够相当好的降低建图过程中对周围自然环境和移动物体的干扰。另外，Cartographer还支援用各种传感器参数(Odometry、IMU、LaserScan等)建图，而且同时支持用2D SLAM和3D SLAM建图，而且可以自动的生成协方差矩阵，再加上后端经过调整的输入项。对于成本低的雷达技术数据也能够跑出不错的结果，Cartographer系统框架如图所示。

Cartographer框架描述

Cartographer所需要的输入数据为2D的LaserScan或者3D的PointClouds2、里程估计信息、IMU数据和相对位姿。

前端部分首先对原始点云数据进行体素化处理来降低点云数据数量、提升点云数据精度，体素化点云将参与体素地图的迭代更新工作。另一方面，体素点云再次经过滤波传入前端框架，前端首先进行ceres进行scan-to-scan的帧间点云匹配，通过点云帧差估计来得到一个PoseObservation位姿数据，该数据与里程估计、IMU数据进行融合，从而得到一个较为准确的位姿数据，作为下一帧点云的先验校准数据。

帧间匹配得到位姿的同时，需要将当前体素化点云帧添加并更新到submap当中，至此前端的工作完成。

在得到一定数量的子图之后，将进入后端优化环节。后端优化的需要使用时间、位姿、传感器数据、submap子图等内容，在设定号节点数量和滤波范围之后，进行子图拼接完成全局地图的构建。

在纯定位模式下，子图数据并不会添加全局地图当中，只需要odometry、IMU Data、Fixed Frame Pose和后端优化后输出的一个坐标变换关系即可。

在环境配置的过程中，已经编译安装了ceres-solver求解器、protobuf传输和abseil-cpp库依赖，可以直接运行Cartographer看到建图效果，配置文件如图所示。

 Cartographer建图文件

代码部分通过use_sim_time配置启动了仿真时钟对齐，通过node启动了Cartographer节点程序，并将激光雷达的点云数据和IMU惯导数据传入，Cartographer生成占据栅格地图的部位设置为pure_localization，分辨率为0.05m，最后是启动RVIZ三维数据可视化平台。建图效果如图所示。

SLAM实时地图构建

激光雷达对当前环境进行扫掠实现地图的建立，从外观来看地图的边框还是比较清晰的。图左侧的终端启动机器人命令行控制节点，通过键盘按键操作实现机器人的控制。