robot_localization(3)：配置

将传感器数据合并到robot_localization的任何状态估计节点的位置估计中时，重要的是要提取尽可能多的信息。本教程详细介绍了传感器集成的最佳实践。

有关更多信息，建议用户观看ROSCon 2015的演示文稿。

1 传感器配置

即使所讨论的消息类型在配置向量中不包含某些变量（例如，虽然<<MsgLink(geometry_msgs/TwistWithCovarianceStamped)>>缺少任何位姿数据，但是配置向量仍然具有位姿变量的值），所有传感器的配置向量格式也相同。未使用的变量将被忽略。

注意：配置矢量在输入消息的frame_id中给出。例如，考虑一个速度传感器，该传感器会生成一个geometry_msgs/TwistWithCovarianceStamped消息，其frame_id为velocity_sensor_frame。在此示例中，我们假设存在一个从velocity_sensor_frame到机器人的base_link_frame（例如base_link）的转换，并且该转换会将Velocity_sensor_frame中的X速度转换为base_link_frame中的Z速度。为了将来自传感器的X速度数据包括到滤波器中，配置矢量应将X速度值设置为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：布尔值的顺序是：
$(X,Y,Z,roll,pitch,yaw,X˙,Y˙,Z˙,roll˙,pitch˙,yaw˙,X¨,Y¨,Z¨)。$

2 以2D运行？

配置传感器时，首先要做出的决定是机器人是否在平面环境中运行，并且您可以忽略IMU可能报告的接地平面变化的细微影响。如果是这样，请将two_d_mode参数设置为true。这样可以有效地将每次测量中的3D位姿变量归零，并强制将其融合到状态估计中。

3 融合不可测变量

让我们从一个例子开始。假设您有一个在平面环境中工作的轮式非完整机器人。您的机器人有一些车轮编码器，用于估算瞬时X速度以及绝对姿态信息。此信息在nav_msgs/Odometry消息中报告。此外，您的机器人还有一个IMU，可以测量转速，车辆姿态和线性加速度。其数据在sensor_msgs/Imu消息中报告。当我们在平面环境中操作时，我们将two_d_mode参数设置为true。这将自动将所有3D变量清零，例如Z，roll，pitch，它们各自的速度和Z加速度。我们从以下配置开始：

<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>

作为第一步，这是有道理的，因为平面机器人只需要关注：
$X , Y, X˙, Y˙, X¨, Y¨, yaw, yaw˙。$但是，这里有一些注意事项。

1.对于odom0，我们包括X和Y（在世界座标系中报告），yaw，X˙（在本体座标系中报告）和yaw˙。但是，除非您的机器人在内部使用IMU，否则很可能仅使用车轮编码器数据来生成其测量值。因此，它的速度，航向和位置数据都是从同一源生成的。在这种情况下，我们不想使用所有值，因为您要将重复的信息输入到过滤器中。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.接下来，我们注意到我们没有融合Y˙。乍一看，这是正确的选择，因为我们的机器人无法瞬时向侧面移动。但是，如果nav_msgs/Odometry消息报告Y˙的值为0（并且Y˙的协方差未夸大为大值），则最好将该值提供给滤波器。由于在这种情况下，测量值0表示机器人无法朝该方向移动，因此它可以作为完美的有效测量值：

<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>

您可能想知道为什么我们出于同样的原因不融合Z˙速度。答案是我们将two_d_mode设置为false时所做的。如果没有的话，实际上我们可以将Z˙速度的0测量值融合到滤波器中。

3.最后，我们来到IMU。您可能会注意到，我们已将Y¨设置为false。这是由于以下事实：许多系统，包括我们在此讨论的假设系统，都不会经历瞬时Y加速。但是，IMU可能会报告Y加速度的非零，嘈杂值，这可能会导致您的估计快速漂移。

4 微分和相对参数

robot_localization中的状态估计节点允许用户融合任意数量的传感器。这允许用户使用多个源来测量某些状态向量变量，尤其是位姿变量。例如，您的机器人可能会从多个IMU获得绝对方向信息，或者它可能具有多个提供其绝对位置估计值的数据源。在这种情况下，用户有两个选择：

1.照原样融合所有绝对位置/方向数据，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>

在这种情况下，用户应该非常小心，并确保正确设置每个测量方向变量的协方差。如果每个IMU公布的偏航方差例如为：math：0.1，但IMU的偏航测量值之间的差异为：math：>0.1，则滤波器的输出将在两者之间来回振荡。每个传感器提供的值。用户应确保每次测量周围的噪声分布重叠。

2.或者，用户可以使用_differential参数。通过将给定传感器的此值设置为true，可以通过计算两个连续时间步长之间的测量值变化，将所有位姿（位置和方向）数据转换为速度。然后将数据融合为速度。再次提醒您，使用者应注意：合并绝对测量值（尤其是IMU）时，如果测量值对于给定变量具有静态或不增加的方差，则估计协方差矩阵中的方差将是有界的。如果将该信息转换为速度，则在每个时间步长处，估计将获得少量误差，并且所讨论变量的方差将无限制地增长。对于位置（X，Y，Z）信息，这不是问题，但是对于方向数据，则是一个问题。例如，一段时间后，机器人绕其环境移动并在X方向上累积1.5米的误差是可以接受的。如果同一个机器人四处走动并在偏航中累积1.5弧度的误差，那么当机器人继续向前行驶时，其位置误差将爆炸。

_differential参数的一般经验法则是，如果给定机器人只有一个方向数据源，则应将_differential参数设置为false。如果有N个源，用户可以将N-1个参数的_differential参数设置为true，或者仅确保协方差值足够大以消除振荡。