robot_localization(3)：配置

將傳感器數據合併到robot_localization的任何狀態估計節點的位置估計中時，重要的是要提取儘可能多的信息。本教程詳細介紹了傳感器集成的最佳實踐。

有關更多信息，建議用戶觀看ROSCon 2015的演示文稿。

1 傳感器配置

即使所討論的消息類型在配置向量中不包含某些變量（例如，雖然<<MsgLink(geometry_msgs/TwistWithCovarianceStamped)>>缺少任何位姿數據，但是配置向量仍然具有位姿變量的值），所有傳感器的配置向量格式也相同。未使用的變量將被忽略。

注意：配置矢量在輸入消息的frame_id中給出。例如，考慮一個速度傳感器，該傳感器會生成一個geometry_msgs/TwistWithCovarianceStamped消息，其frame_id爲velocity_sensor_frame。在此示例中，我們假設存在一個從velocity_sensor_frame到機器人的base_link_frame（例如base_link）的轉換，並且該轉換會將Velocity_sensor_frame中的X速度轉換爲base_link_frame中的Z速度。爲了將來自傳感器的X速度數據包括到濾波器中，配置矢量應將X速度值設置爲true，而不是Z˙速度值：

<rosparam param="twist0_config">[false, false, false,
                                 false, false, false,
                                 true,  false, false,
                                 false, false, false,
                                 false, false, false]</rosparam>

注意：布爾值的順序是：
$(X,Y,Z,roll,pitch,yaw,X˙,Y˙,Z˙,roll˙,pitch˙,yaw˙,X¨,Y¨,Z¨)。$

2 以2D運行？

配置傳感器時，首先要做出的決定是機器人是否在平面環境中運行，並且您可以忽略IMU可能報告的接地平面變化的細微影響。如果是這樣，請將two_d_mode參數設置爲true。這樣可以有效地將每次測量中的3D位姿變量歸零，並強制將其融合到狀態估計中。

3 融合不可測變量

讓我們從一個例子開始。假設您有一個在平面環境中工作的輪式非完整機器人。您的機器人有一些車輪編碼器，用於估算瞬時X速度以及絕對姿態信息。此信息在nav_msgs/Odometry消息中報告。此外，您的機器人還有一個IMU，可以測量轉速，車輛姿態和線性加速度。其數據在sensor_msgs/Imu消息中報告。當我們在平面環境中操作時，我們將two_d_mode參數設置爲true。這將自動將所有3D變量清零，例如Z，roll，pitch，它們各自的速度和Z加速度。我們從以下配置開始：

<rosparam param="odom0_config">[true, true, false,
                                false, false, true,
                                true, false, false,
                                false, false, true,
                                false, false, false]</rosparam>

<rosparam param="imu0_config">[false, false, false,
                               false, false, true,
                               false, false, false,
                               false, false, true,
                               true, false, false]</rosparam>

作爲第一步，這是有道理的，因爲平面機器人只需要關注：
$X , Y, X˙, Y˙, X¨, Y¨, yaw, yaw˙。$但是，這裏有一些注意事項。

1.對於odom0，我們包括X和Y（在世界座標系中報告），yaw，X˙（在本體座標系中報告）和yaw˙。但是，除非您的機器人在內部使用IMU，否則很可能僅使用車輪編碼器數據來生成其測量值。因此，它的速度，航向和位置數據都是從同一源生成的。在這種情況下，我們不想使用所有值，因爲您要將重複的信息輸入到過濾器中。相反，最好只使用速度：

<rosparam param="odom0_config">[false, false, false,
                                false, false, false,
                                true, false, false,
                                false, false, true,
                                false, false, false]</rosparam>

<rosparam param="imu0_config">[false, false, false,
                               false, false, true,
                               false, false, false,
                               false, false, true,
                               true, false, false]</rosparam>

2.接下來，我們注意到我們沒有融合Y˙。乍一看，這是正確的選擇，因爲我們的機器人無法瞬時向側面移動。但是，如果nav_msgs/Odometry消息報告Y˙的值爲0（並且Y˙的協方差未誇大爲大值），則最好將該值提供給濾波器。由於在這種情況下，測量值0表示機器人無法朝該方向移動，因此它可以作爲完美的有效測量值：

<rosparam param="odom0_config">[false, false, false,
                                false, false, false,
                                true, true, false,
                                false, false, true,
                                false, false, false]</rosparam>

<rosparam param="imu0_config">[false, false, false,
                               false, false, true,
                               false, false, false,
                               false, false, true,
                               true, false, false]</rosparam>

您可能想知道爲什麼我們出於同樣的原因不融合Z˙速度。答案是我們將two_d_mode設置爲false時所做的。如果沒有的話，實際上我們可以將Z˙速度的0測量值融合到濾波器中。

3.最後，我們來到IMU。您可能會注意到，我們已將Y¨設置爲false。這是由於以下事實：許多系統，包括我們在此討論的假設系統，都不會經歷瞬時Y加速。但是，IMU可能會報告Y加速度的非零，嘈雜值，這可能會導致您的估計快速漂移。

4 微分和相對參數

robot_localization中的狀態估計節點允許用戶融合任意數量的傳感器。這允許用戶使用多個源來測量某些狀態向量變量，尤其是位姿變量。例如，您的機器人可能會從多個IMU獲得絕對方向信息，或者它可能具有多個提供其絕對位置估計值的數據源。在這種情況下，用戶有兩個選擇：

1.照原樣融合所有絕對位置/方向數據，例如：

<rosparam param="imu0_config">[false, false, false,
                               true,  true,  true,
                               false, false, false,
                               false, false, false,
                               false, false, false]</rosparam>

<rosparam param="imu1_config">[false, false, false,
                               true,  true,  true,
                               false, false, false,
                               false, false, false,
                               false, false, false]</rosparam>

在這種情況下，用戶應該非常小心，並確保正確設置每個測量方向變量的協方差。如果每個IMU公佈的偏航方差例如爲：math：0.1，但IMU的偏航測量值之間的差異爲：math：>0.1，則濾波器的輸出將在兩者之間來回振盪。每個傳感器提供的值。用戶應確保每次測量周圍的噪聲分佈重疊。

2.或者，用戶可以使用_differential參數。通過將給定傳感器的此值設置爲true，可以通過計算兩個連續時間步長之間的測量值變化，將所有位姿（位置和方向）數據轉換爲速度。然後將數據融合爲速度。再次提醒您，使用者應注意：合併絕對測量值（尤其是IMU）時，如果測量值對於給定變量具有靜態或不增加的方差，則估計協方差矩陣中的方差將是有界的。如果將該信息轉換爲速度，則在每個時間步長處，估計將獲得少量誤差，並且所討論變量的方差將無限制地增長。對於位置（X，Y，Z）信息，這不是問題，但是對於方向數據，則是一個問題。例如，一段時間後，機器人繞其環境移動並在X方向上累積1.5米的誤差是可以接受的。如果同一個機器人四處走動並在偏航中累積1.5弧度的誤差，那麼當機器人繼續向前行駛時，其位置誤差將爆炸。

_differential參數的一般經驗法則是，如果給定機器人只有一個方向數據源，則應將_differential參數設置爲false。如果有N個源，用戶可以將N-1個參數的_differential參數設置爲true，或者僅確保協方差值足夠大以消除振盪。