下午好，亲爱的读者们！ 在ROS机器人平台上的先前文章中，我谈到了本地化和映射的主题，尤其是，我们研究了SLAM方法：本文中的gmapping和本文中的hector_slam。 在本文中，我将继续熟悉ROS中的定位算法，并概述在ROS平台上实现的几种可视测距算法。 视觉测距法在机器人技术中很重要，因为它使您可以根据来自摄像机的视频流来评估机器人的运动，机器人的当前位置和加速度。 您可以使用常规的RGB相机（在这种情况下，是指单眼测距），也可以使用立体相机（立体测距），甚至是RGBD相机。
当使用诸如Microsoft Kinect之类的RGBD相机时，与立体相机相比，可以获得更准确的视觉测距，因为在这种情况下，我们使用3D数据。 在本文中，我们将考虑这种算法。 对这个主题感兴趣的人请关注。
rtabmap
rtabmap本质上是ROS SLAM算法。 在此软件包中，除了用于SLAM的工具外，还有一个
odometryViewer应用程序，用于测试各种视觉测距方法。 在rtabmap中，视觉里程表的工作方式如下：为了计算里程表，该算法使用从RGB图像获得的视觉属性和深度图的深度数据。 使用两个图像之间匹配的视觉属性（匹配），RANSAC算法计算连续帧之间的变换。
通过apt-get在ROS Indigo和Kinetic上安装rtabmap非常简单：
sudo apt-get install ros-<version>-rtabmap ros-<version>-rtabmap-ros
您还可以从源代码中设置rtabmap和rtabmap_ros：
source /opt/ros/<version>/setup.bash cd ~ git clone https://github.com/introlab/rtabmap.git rtabmap cd rtabmap/build cmake .. make cd ~/catkin_ws git clone https://github.com/introlab/rtabmap_ros.git src/rtabmap_ros catkin_make -j1
运行odometryViewer：
rtabmap-odometryViewer
这样的窗口打开：
稍微移动一下相机：
让我们尝试使用参数运行。 例如，使用单词袋方法（默认为SURF）：
rtabmap-odometryViewer -bow
将词袋方法与SIFT描述符结合使用（0 = SURF，1 = SIFT）
rtabmap-odometryViewer -bow 1
使用FAST + Brief方法：
rtabmap-odometryViewer -bin
您也可以使用-icp选项尝试基于ICP方法（迭代最近点）的里程计。
您可以使用hz参数（每秒整数帧）调整处理频率：
rtabmap-odometryViewer -hz 2
您还可以配置算法的内部参数，例如，内层之间的最大距离，用于查找匹配项的可视符号的最大数量，RANSAC / ICP方法中的迭代次数。
通常，使用rtabmap的视觉测距法进行的实验表明，该算法可以快速运行而没有延迟，并且可以准确确定摄影机相对于场景的位置。 rtabmap软件包中算法的唯一缺点是，使用该算法时，不可能在rviz中显示里程表数据。 在这里，您需要了解有关与ROS集成的更多信息。
Fovis_ros软件包
fovis_ros软件包仅在ROS Hydro版本下可用。 存储库中有一个Indigo分支，但是在catkin工作区中编译时fovis_ros崩溃并显示错误。
要安装fovis_ros，我们将需要libfovis库和fovis_ros软件包本身。 从github存储库下载它们：
cd ~/catkin_ws/src git clone https://github.com/srv/libfovis.git cd libfovis git checkout hydro cd .. git clone https://github.com/srv/fovis.git cd fovis git checkout hydro cd ~/catkin_ws catkin_make source devel/setup.bash
在这里，我们需要确保Hydro选中了当前分支，否则可能会发生编译问题（存储库中的当前分支是Indigo）。
现在创建一个启动器以启动fovis_ros：
cd ~/catkin_ws/src git clone https://github.com/vovaekb/fovis_demo.git d ~/catkin_ws catkin_make source devel/setup.bash
运行fovis_demo.launch：
roslaunch fovis_demo fovis_demo.launch
rviz窗口将打开：
稍微移动相机并获取更新的位置：
fovis_ros在两个主题中发布数据：/ kinect_odometer /里程表（odometry）和/ kinect_odometer /姿势（position）。
现在，在我的示例中，我们将处理启动文件的内容。 有关信息，请参考第5章“计算机视觉”中的“为机器人编程学习ROS-第二版”一书中的文件。
让我们从主文件fovis_demo.launch开始。
排队
<arg name="mode" default="no_registered"/>
我们将mode参数设置为no_registered。 这意味着我们使用no_registered深度信息，即 深度图未注册，也不会从RGB相机转换为图片。 这样做是为了加快处理速度，因为如果记录了深度，该算法将运行缓慢。
检查里程表刷新率：
rostopic hz /kinect_odometer/odometry
我们得出类似的结论：
average rate: 8.759 min: 0.084s max: 0.156s std dev: 0.02417s window: 9 average rate: 7.938 min: 0.084s max: 0.180s std dev: 0.02724s window: 16 average rate: 7.493 min: 0.084s max: 0.217s std dev: 0.03286s window: 23 average rate: 8.111 min: 0.068s max: 0.217s std dev: 0.03645s window: 33
使用以下模式通过程序注册运行fovis_demo：= sw_registered参数：
roslaunch fovis_demo fovis_demo.launch mode:=sw_registered
我们将收到有关里程表更新率的以下信息：
average rate: 0.963 min: 1.022s max: 1.056s std dev: 0.01676s window: 3 average rate: 0.968 min: 1.020s max: 1.056s std dev: 0.01635s window: 4 average rate: 1.212 min: 0.509s max: 1.056s std dev: 0.25435s window: 6
接下来，我们为rviz定义显示配置文件：
<arg name="rviz_config" default="$(find fovis_demo)/config/rviz_$(arg mode).rviz"/>
我将不在这里考虑其内容。 我只说它决定了rviz窗口的外观：主题的活动显示，诸如“固定框架”之类的全局设置等。
以下是rviz参数的定义以及Kinect传感器的驱动程序的启动，具体取决于mode参数：
<include file="$(find fovis_demo)/launch/openni_kinect_$(arg mode).launch"/>
根据模式参数，从我们的程序包中启动fovis的启动器：
<include file="$(find fovis_demo)/launch/fovis_$(arg mode).launch"/>
由于我们基于摄像机的运动来估计机器人的运动，因此我们需要知道从摄像机坐标系到机器人坐标系的偏移或变换。 为此，我们使用tf包中的static_transform_publisher在坐标系base_link→camera_link之间发布静态转换：
<node pkg="tf" type="static_transform_publisher" name="base_to_camera_tf" args="0 0 -0.05 0 0 0 base_link camera_link 100"/>
最后，运行rviz：
<group if="$(arg rviz)"> <node name="rviz" pkg="rviz" type="rviz" args="-d $(arg rviz_config)"/> </group>
在本文中，我不会考虑其余的启动器文件。 如果需要，这可以独立完成。 我只是说，当使用参数mode = sw_registered启动fovis_ros时，我们会对RGB摄像机的帧进行调节，即 以较低的更新频率（2.5 Hz）将消息从一个主题重新发布到另一个主题（有关更多详细信息，请参见）。
对于那些有兴趣深入研究fovis算法的人，有
一篇文章详细介绍了该算法。
视觉测距法fovis_ros的实验表明，该算法的运行速度不如rtabmap快，在移动相机时会有很小的延迟，但是仍然可以非常准确地确定相机相对于场景的位置。
希望本文对视觉里程计算法的回顾对您的工作有所帮助，并帮助您解决一些问题。 祝您在项目中取得成功，并很快见到您！
PS：我还请您参加调查并选择您在工作中使用的ROS版本。