无人机自动驾驶软件系列 E03： 在无GPS环境下通过SLAM实现位置估计

本课中我们将会讲解如何通过SLAM（Simultaneous localization and mapping， 即实时定位与建图）实现无GPS环境下无人机的位置估计。

我们建议开发者使用镜像来安装 GAAS，这样可以节省很多的时间和精力：

GAAS v0.7 Release 镜像 - x64

注意，在你没有把握的情况下，我们建议你不要轻易进行实机测试。并且测试的时候，请保持距离，并注意安全。本课的内容虽然室内外都可以使用，但我们建议你先在室外空地测试。

GPS 可以为无人机提供较为准确的位置信息，但是某些时候可能会没有 GPS 信号，或者 GPS 信号不够稳定；比如说桥下，室内以及高楼林立的城市内。那么为了能够允许无人机在这些环境中飞行，我们需要提供其它位置估计手段，比如说SLAM。SLAM使用摄像头作为其主要传感器，传感器可以是单目摄像头，双目摄像头以及RGBD深度摄像头。这几种摄像头有着其对应的优缺点；比如说单目摄像头虽然价格低，体积小，但是它需要其它传感器的辅助，否则无法计算环境深度，也就没有办法为SLAM提供尺度信息；双目摄像头可以通过三角测量提供景深，但是计算量较大，并且需要良好标定；RGBD深度相机可以主动测距，但是对于环境较为敏感，测量距离受限，噪声较大，同时对于阳光以及玻璃等环境下无法正常工作。本讲我们将使用基于双目的SLAM为PX4提供位置估计，实现在无GPS环境下的定点飞行。

本讲内容在实机上通过测试，可以实现较为稳定的定点，但是还有很大的优化空间。大家没有把握的情况下我不建议实机测试，因为当SLAM信号中断时会有潜在危险。本讲中的内容会通过Gazebo展示，但是实机上的设置方法也非常类似。

本讲内容可以分为三个部分：

  1. 环境更新及设置；

  2. SLAM及使用；

  3. Gazebo验证。

1. 环境更新及设置

如果你完成了前两讲内容，到此你已经设置好了ROS，MAVROS，Gazebo，并且编译好了PX4固件。现在通过如下命令克隆GAAS到本地环境：

git clone https://github.com/generalized-intelligence/GAAS

或者通过如下命令更新GAAS：

cd （GAAS_PATH）
git pull origin master

将ROS的launch文件拷贝到PX4相应文件夹内:

cp -r (GAAS_PATH)/simulator/launch/* (PX4_FIRMWARE_PATH)/Firmware/launch

我们最近对Gazebo用到的仿真模型进行了修改，如果你已经完成了前两课，那么你需要将“(PX4_FIRMWARE_PATH)/Firmware/Tools/sitl_gazebo/models" 中的对应模型删除，并重新拷贝：

cp -r (GAAS_PATH)/simulator/models/* ~/catkin_ws/src/Firmware/Tools/sitl_gazebo/models/

a. 编译SLAM

GAAS使用的SLAM是基于如下项目修改的：

https://github.com/gaoxiang12/ygz-stereo-inertial

在编译之前，请按照上述项目中的描述安装依赖：

Mavros msgs: sudo apt install ros-kinetic-mavros-msgs
Pangolin (for visualization): https://github.com/stevenlovegrove/Pangolin
Eigen3: sudo apt-get install libeigen3-dev
g2o: sudo apt-get install libcxsparse-dev libqt4-dev libcholmod3.0.6 libsuitesparse-dev qt4-qmake
glog (for logging): sudo apt-get install libgoogle-glog-dev
ROS Octomap: sudo apt-get install ros-kinetic-octomap-*

可以采用以下命令安装以上依赖（不包括 Pangolin）：

sudo apt-get install libeigen3-dev
sudo apt-get install ros-kinetic-mavros-msgs
sudo apt-get install libgoogle-glog-dev
sudo apt-get install ros-kinetic-octomap-*
sudo apt-get install libglew-dev
sudo apt-get install libxkbcommon-x11-dev
sudo apt-get install libqt4-dev libsuitesparse-dev qt4-qmake
#以下适用于Ubuntu16.04
sudo apt-get install libqglviewer-dev libcholmod3.0.6 
#以下适用于Ubuntu18.04
sudo apt-get install libqglviewer-headers libcholmod3

对于Ubuntu 18.04 LTS 系统，将 ros-kinetic- 替换为 ros-melodic- 即可。

注意，你需要单独编译安装Pangolin。

之后，安装DBoW3，PCL, g2o 以及 opencv，项目链接如下：

# 记得编译完 make install

# PCL
https://github.com/PointCloudLibrary/pcl

# DBoW3
https://github.com/rmsalinas/DBow3

# g2o
https://github.com/RainerKuemmerle/g2o

# opencv，建议使用版本高于3.4.5
https://github.com/opencv/opencv

在编译opencv的过程中，需要确保cmake生成的opencv编译配置中，包括了opencv_cvv组件。为此，你需要首先克隆opencv_contrib：

https://github.com/opencv/opencv_contrib

进入克隆下来的opencv目录，切换版本到一个较高版本——此处使用版本号3.4.5：

git checkout 3.4.5

注意，对于opencv和opencv_contrib都需要切换版本，且必须保证两者版本一致。

然后使用cmake进行配置——此处配置较为复杂，若对cmake不熟悉则可以使用cmake-gui：

sudo apt-get install cmake-qt-gui
cmake-gui

首先指定编译目录，点击Configure并选择Unix Makefiles，先进行第一次配置：

指定OPENCV_EXTRA_MODULES_PATH到opencv_contrib，并勾选WITH_QT和ENABLE_CXX11：

再点击一次Configure，即可看到BUILD_opencv_cvv选项，勾选之后点击Generate即可生成目标makefile，进行编译即可。

注意，点击Generate只是在你指定的目录下生成了Makefile，并没有进行编译。你需要进入目录执行make && sudo make install

由于ROS自带了低版本的opencv，为了防止cmake在生成SLAM的makefile的过程中无法找到正确的opencv版本，需要在SLAM的cmake配置文件中指定：

cd （GAAS_PATH)/software/SLAM/ygz_slam_ros
gedit CMakeLists.txt

配置文件的第53行：

find_package(OpenCV REQUIRED)

在OpenCV后面加上版本号（注意不要省略空格），若你安装了其他版本（必须不低于3.4.5），则将3.4.5改为你安装的版本号：

find_package(OpenCV 3.4.5 REQUIRED)

完成后，通过如下命令编译SLAM：

cd （GAAS_PATH)/software/SLAM/ygz_slam_ros

# 编译过程较长，不建议在虚拟机里进行
sh generate.sh

对于Ubuntu 18.04 LTS ，在编译SLAM时会看到如下警告——这是正常现象，不影响使用：

b. 下载QGroundControl

我们将会使用QGroundControl来设置并查看无人机参数及状态。如果你使用的是UBUNTU 16.04，可以通过如下链接下载：

https://s3-us-west-2.amazonaws.com/qgroundcontrol/latest/QGroundControl.AppImage

下载后，通过如下命令开启：

chmod +x ./QGroundControl.AppImage
./QGroundControl.AppImage （或者双击）

你也可以通过如下链接查看更多信息：

https://docs.qgroundcontrol.com/en/getting_started/download_and_install.html

如果你已经成功编译好了ygz_slam_ros并且下载完QGroundControl，你可以继续到下一部分。

2. SLAM及使用

在 ygz_slam_ros/examples文件夹内，你可以看到一个名为simulationCamera.yaml的配置文件，此文件是SLAM的配置文件，文件包含ROS的左右图像topic名，相机内参以及一些其它参数。其中一部分内容如下：

%YAML:1.0

#--------------------------------------------------------------------------------------------
# Camera Parameters. Adjust them!
#--------------------------------------------------------------------------------------------


# camera and imu topics
Left: /gi/simulation/left/image_raw
Right: /gi/simulation/right/image_raw

# not used for now
Imu: /mavros/imu/data

# Camera calibration and distortion parameters (OpenCV) 
# if running in pure stereo vision mode
PureVisionMode: true

# do we need visualization?
UseViewer: false

# display mappoints?
displayMapPoints: false

Camera.fx: 376.0
Camera.fy: 376.0
Camera.cx: 376.0
Camera.cy: 240.0

Camera.k1: 0.0
Camera.k2: 0.0
Camera.p1: 0.0
Camera.p2: 0.0

如果想测试自己的相机，请更改相机topic，注意此时并没有使用IMU信息，并且此项目还未完成，会有不稳定情况出现。

3. Gazebo验证

现在让我们继续到Gazebo仿真部分。

首先通过如下命令开启仿真环境：

roslaunch px4 slam.launch

一个Gazebo窗口将会打开，一架无人机会出现在一个空旷环境内，如我在前几课反复强调，一定记得查看MAVROS的连接情况：

rostopic echo /mavros/state

确保输出的结果为"connected: True"。

若Gazebo此步没有发布图像，请尝试 sudo apt install ros-kinetic-gazebo-control

继续之前，如果你打开slam.launch文件，你会发现如下参数：

<arg name="vehicle" default="iris_stereo_gray_no_gps"/>

你可以看到我们使用的是"iris_stereo_gray_no_gps" 无人机模型，在此模型中我已经将GPS模块删除了，所以如果你现在通过如下命令打开QGroundControl：

./QGroundControl.AppImage # if you downloaded AppImage
Fig 1, QGroundControl

QGroundControl 在打开后会自动连接到Gazebo仿真，同时在窗口中你可以看到"No GPS Lock for Vehicle"， 这代表无人机中的GPS已被禁用，我们将会使用SLAM作为水平位置估计手段。

运行 Gazebo 时，如果一切正常但出现以上报错信息，该报错信息并不会影响 Gazebo 运行，可以继续进行到下一步。

如果您知道如何解决以上报错，欢迎在 GAAS GitHub 页面提交 PR，帮助我们减少不必要的报错信息。

接下来，开启SLAM：

./bin/EurocStereoVIO_ros ./examples/simulationCamera.yaml

或者也可以运行：

sh run.sh

此时会弹出一个窗口，你可以看到机载摄像头中的实时画面如下图所示，注意图中的彩色特征点，此时SLAM已经初始化，否则请确保你已经更新了无人机模型，否则SLAM将不会正常初始化。

Fig 2, SLAM initialized

在QGroundControl中，点击左上角的齿轮按钮，选择最下方的"Parameters"， 在搜索栏里输入“vision”，将“EKF2_AID_MASK”的参数改为“vision position fusion"，对应值为 “8”。点击“save”保存参数更改。

Fig 3, QGroundContrl, select vision position fusion

我们只会使用SLAM信息来估计水平位置移动，忽略SLAM的YAW信息以及高度信息，并且使用PX4的气压计作为定高手段。

接下来，点击“Clear”，选择“Tools”，选择“reboot vehicle”重启无人机，使参数设置生效。

实际上此时你不需要重启无人机即可使得参数生效，但是为了教程的完整性（尤其是在实机测试的时候），我将重启也作为了这里的一步。

在终端中，输入：

rostopic echo /mavros/vision_pose/pose

你会看到当前的实时SLAM位置估计信息：

---
header: 
  seq: 1489
  stamp: 
    secs: 3453
    nsecs: 368000000
  frame_id: ''
pose: 
  position: 
    x: 0.000944685346145
    y: -0.00012923774903
    z: 0.000286279467091
  orientation: 
    x: 0.0
    y: 0.0
    z: 0.0
    w: 0.0
---

接下来，进入到“(GAAS_PATH)/demo/tutorial_3”文件夹，起飞无人机：

python px4_mavros_run.py

待无人机悬停后，在另外一个终端，通过如下脚本控制无人机飞一个 3x3 米的正方形：

python square.py

你可以看到无人机能够实现较为理想的位置估计，并且无人机可以依赖SLAM信息实现较为复杂的任务。

Fig 4, SLAM position history

完成预定轨迹后，无人机会降落在地面上，你可以通过SLAM窗口实时观察运行轨迹。

以上内容在实机上进行过测试，但是表现不稳定，为了实现较为理想的效果，我们需要花费一定精力进行调参并改善SLAM效果。在实机测试过程中我们发现了如下问题：

  1. SLAM有时会出错并终止运行，此时无人机会跳到“ALTITUDE”模式；

  2. 有时会出现无人机漂移情况，尽管相关参数已经设定并且SLAM处于运行状态；

  3. 快速运动情况下定位精度不理想。

如果你想在实机上测试，典型过程如下：

  1. 进行良好的摄像头标定；

  2. 开启SLAM;

  3. 启动MAVROS，确保连接正常；

  4. 在QGroundControl中设置相关参数；

  5. 确保 /mavros/local_position/pose 发布的位置信息是有“意义”的，此信息是飞控融合SLAM信息后的位置信息，如果xy方向的值处于 10^-20 的范围，那么此时的位置估计是没有意义的，你需要检查MAVROS连接，QGroundControl参数设定以及SLAM状态；

  6. 通过遥控器起飞无人机后切换到定点模式，或者通过提供的python脚本起飞无人机。

在Gazebo验证完成前，以及在有合适场地前，不要盲目实机测试。

总而言之，本讲中我们讲述了如何使用SLAM，如何通过QGroundControl设置参数，如何在Gazebo中进行无GPS环境下的无人机飞行控制并完成了一个简单任务。

凡在本教程出现的信息，均仅供参考。本教程将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性；任何实际机器测试前请尽可能多地进行测试，并对任何自主决定的行为负责。本教程对有关资料所引致的错误、不确或遗漏，概不负任何法律责任（包括侵权责任、合同责任和其它责任）。

PreviousAutonomous Drone Software E03: Using SLAM In GPS Denied Environment For Position EstimationNextAutonomous Drone Software E04: Depth Estimation, Octomap and Path Planning

Last updated

Was this helpful?