Skip to content

Latest commit

 

History

History
89 lines (56 loc) · 3.49 KB

Homework.md

File metadata and controls

89 lines (56 loc) · 3.49 KB

Sensor Fusion: Lidar Odometry -- 多传感器融合定位与建图: 基于滤波的融合方法I

深蓝学院, 多传感器融合定位与建图, 第7章Filtering Basic代码框架.

Overview

本作业旨在加深对基于滤波的融合方法的理解.

Getting Started

及格要求: 补全代码，且滤波功能正常

启动Docker后, 打开浏览器, 进入Web Workspace. 启动Terminator, 将Shell的工作目录切换如下:

Terminator

在上侧的Shell中, 输入如下命令, 编译lidar_localization. 如遇到错误, 且非首次编译, 请尝试执行catkin clean, 清理catkin cache.

# build:
catkin config --install && catkin build lidar_localization
# set up session:
source install/setup.bash
# launch:
roslaunch lidar_localization kitti_localization.launch

在下侧的Shell中, 输入如下命令, Play KITTI ROS Bag. 如果机器的配置较低, 可以降低播放速率.

注意: 两个数据集均可用于完成课程, 对代码功能的运行没有任何影响, 区别在于第一个有Camera信息

# play ROS bag, full KITTI:
rosbag play kitti_2011_10_03_drive_0027_synced.bag
# play ROS bag, lidar-only KITTI:
rosbag play kitti_lidar_only_2011_10_03_drive_0027_synced.bag

成功后, 可以看到如下的RViz Visualization. 其中:

  • 黄色轨迹为GNSS Localization, 此处用作Ground Truth

  • 蓝色轨迹为ESKF Fused Estimation

Demo

此Demo为参考答案的演示效果. 在你完成作业之前, 你将不会看到如此稳定的蓝色轨迹, 若未实现ESKF, 蓝色轨迹会快速发散. 你的任务是自行实现精度尽可能高的解算方法. 期待你的精彩发挥!

请搜索TODO, 开始你的编码 :P. 此处将完成作业相关的配置汇总如下:

  • Hyper Params here

    • 地图以及Scan Context Data输入路径

    • ESKF / IEKF参数配置

  • ESKF Interface here

    • ESKF接口定义

  • ESKF Implementation here

    • ESKF实现

良好要求: 补全代码，功能正常，且经过调试参数，滤波后性能比滤波前好 (请将详细的误差对比结果提供在作业中，供助教有足够依据评阅)

相比及格要求, 变化不大, 编码完成后, 保存结果, 进行evo评估即可.

为了获取可用于evo评估的轨迹输出, 可通过如下ROS Service Call, 比较融合前后的Odometry:

# set up session:
source install/setup.bash
# save odometry:
rosservice call /save_odometry "{}"
# run evo evaluation:
# a. laser:
evo_ape kitti ground_truth.txt laser.txt -r full --plot --plot_mode xy
# b. fused:
evo_ape kitti ground_truth.txt fused.txt -r full --plot --plot_mode xy

优秀要求: 在前面的模型推导中, 考虑了器件误差中的随机游走, 请给出不考虑随机游走模型时的推导过程，并在工程框架中实现。对比这两种方法的性能差异(最好给出原因分析)。另外，kalman滤波的性能对噪声的设置较为敏感，请在提供结果的同时，给出不同噪声设置情况下的结果对比(至少5组参数)

此处留白, 把舞台全部交给勇敢挑战优秀的你. 期待你的精彩发挥!