登录1秒注册

奕推

搜索
站长论坛»主页首页探索>ROS机器人导航调参手册
查看:9
回复:1
打印上一主题下一主题

[奕推]ROS机器人导航调参手册

[复制链接]
跳转到指定楼层
楼主

摘要。器人

ROS。导航调参导航仓库关于移动。手册机器人。器人从一个当地移动到另一个当地是导航调参强壮的牢靠。

导航仓库的手册作业是经过处理来自测距、。器人传感器。导航调参和环境图的手册数据来发生让机器人履行的安全途径。

最大极限地进步此导航仓库的器人功能需求对。参数。导航调参进行一些精密的手册调整,这项作业并不像看起来那么简略。器人

假如对概念和推理了解不清楚,导航调参或许会随意测验,手册这将糟蹋许多的时刻。

本文旨在引导读者正确微调导航参数。当在设置一些要害参数的时分,需求知道“怎么”和“为什么”。

本攻略假定读者有现已设置了导航仓库并预备优化。这也是我总结在 ROS 导航仓库的一个进程。

正文。

1 速度和加速度。

本节触及同步驱动机器人。动力性(即速度和机器人的加速度)关于包括动态窗口办法(DWA)和守时弹性带(。TE。B)在内的本地规划器来说是必不行少的。

在 ROS 导航仓库,本地规划器接纳测距音讯(“odom”主题)并输出速度指令(“cmd_vel”主题)来操控机器人的运动。

最大/最小速度和加速度是移动基站的两个基本参数正确设置它们关于最佳的本地方案行为十分有协助。

在 ROS 中导航,咱们需求知道平移和旋转的速度和加速度。

1.1取得最大速度。

一般能够参阅你的移动基站的手册。例如,SCITOS G5 的最大速度是 1.4m/s。

在 ROS 中,你能够订阅 odom 主题来获取当时的测距。信息。

假如你能够手动操控你的机器人(如经过。操纵杆。),你能够测验向前运转,直到抵达稳定速度,然后输出里程计数据。

平移速度(m/s)是机器人在直线移动时的速度。它的最大值便是上边咱们取得的最大值。

旋转速度(rad/s)等效于角速度,它的最大值是机器人旋转到位时的速度。

为了取得最大角速度,咱们能够经过操控操纵杆来让机器人旋转 360°,直到它的角速度抵达稳定值。

为了安全起见,咱们倾向于设定最大平移速度和旋转速度低于它们的实践值。

1.2取得最大加速度。

假如手册没有阐明,有许多种办法能够取得移动基站的最大加速度。

在 ROS 中,咱们能够输出带有时刻戳的里程计数据,然后看机器人抵达稳定的最大平移速度(。ti。)需求多长时刻,然后运用来自里程计数据(nav_msgs/Odometry message)来核算这个进程的加速度。多做几回试验求平均值。

运用 tt、tr 别离来表征从静态抵达最大平移速度和最大旋转速度的时刻。

最大平移加速度约等于最大平移速度除以时刻 tt,相同的,最大旋转加速度约等于最大旋转速度除以旋转时刻 tr。

1.3设置最小值。

设置最小速度的办法与上述不同。关于最小平移速度,咱们将它设置为一个大的负值,因为这将能够使机器人陷入困境中时能够撤退,即便大多数状况下它都是行进的。

关于最小的旋转速度,假如参数答应,咱们将其设置为负值,以便机器人能够在恣意方向旋转。要留意,DWA 本地规划器选用的是机器人最小旋转速度的绝对值。

1.4x、y 方向速度。

x 方向的速度是指平行于机器人直线运动方向的速度,这与移动速度相同。

y 方向的速度笔直于直线运动,它被称之为“冲击速度”。关于非全体机器人(如差速轮机器人),y 速度应该设置为零。

2 大局途径规划。

2.1大局途径规划办法挑选。

为了运用导航包中的 move_base 节点,咱们需求有大局规划器和部分规划器。在导航包中有三种大局规划器:carrot 规划器、navfn 规划器和 global 规划器。

2.1.1 carrot 规划器。

这是最简略的一种规划器。它检查给定的方针点是否是妨碍物,假如是,则经过沿机器人和方针点的向量来挑选挨近原始方针的代替方针。

终究他将给部分规划器或内部。操控器。一个有用的方针点。因而,这种规划器没有任何大局途径规划。

假如你需求机器人挨近给定的方针,即便方针不行抵达的状况下,这种办法是有用的。但在杂乱的室内环境中,这种办法不是很有用。

2.1.2 navfn 和 global 规划器。

navfn 运用 dijkstra。 算法。来在起点和结尾之间寻觅最小价值道路。global 规划器建立了更灵敏的代替 navfn 的挑选,这些挑选包括:

(1)支撑 A*算法(2)切换二次近似(3)切换网格途径。navfn 和 global 规划器都是依据这篇论文:

https://cs.stanf。or。d.edu/group/manips/publ。ic。ations/pdfs/Brock_1999_ICRA.pdf。

2.2大局途径规划参数。

因为 global 规划器是一种更常运用的办法,咱们来看它的一些要害参数。

留意:不是一切的参数都能在 ROS 网页上找到,可是你能够经过运转 rosrun rqt_reconfigure rqt_reconfigure 来检查。

咱们能够设置这些默许值:allow unknown(true), use dijkstra(true), use quadrati c(true), use grid path(false), old navfn behavior(false) 。

假如咱们想在 RVIZ 中检查势力求能够将 visualize_potential 值由 FALSE 设为 TRUE。

ec3a266e-7a25-11ee-939d-92fbcf53809c.jpg

ec479844-7a25-11ee-939d-92fbcf53809c.jpg

除了这些参数外, 还有三个没有列出来的参数会决议大局途径规划的功能。别离cost_factor, neutral_cost, lethal_cost。

事实上,这些参数在 navfn 算法中也提到了。这个开源代码具体的解说了 navfn 怎么核算这些价值值。

https://github.com/rosplanning/navigation/blob/indigo-devel/navfn/include/navfn/navfn.h。

ec567288-7a25-11ee-939d-92fbcf53809c.jpg

ec5e4526-7a25-11ee-939d-92fbcf53809c.jpg

navfn 价值值的核算办法如下:

cost = COST_NEUTRAL + COST_FACTOR * costmap_cost_value。

传入的价值值设置在 0 到 252 的规模,进一步剖析:

COST_NEUTRAL 为 50 时,COST_FACTOR 需求约为 0.8,然后保证输入值的散布能使输出值在 50 到 253 间改变。

假如 COST_FACTOR 较高,cost 值将会在妨碍物邻近有一个峰值,然后规划器将视狭隘走廊的整个宽度为较差,将不会沿着。中心。规划途径。

试验调查:试验也证明晰这些解说。将 cost_factor 设置过高或过低都会下降途径质量。这些途径没有穿过每侧妨碍物的中心,也没有相对润滑的曲率。

极点的 COST _NEUTRAL 值也有相似的作用。关于要害的 cost 值,假如设置的过低或许会无法发生任何途径,即便可行途径是显着的。

图 5-10 显现了 COST_FACTOR 和 COS T_NEUTRAL 对大局途径规划的影响。绿色的线是大局规划器发生的大局途径。经过几回试验.。

咱们发现当 COST_FACTOR=0.55,COST_NEUTRAL=66,cost=253 时,大局途径是很好的。

3 部分途径规划。

部分规划器包括 dwa 部分规划器、eband 部分规划器和 teb 部分规划器。

它们运用不同的算法来发生速度指令。一般 dwa 规划器运用的较多,咱们将具体评论这种算法。其它规划器的信息稍后将会供给。

3.1DWA 本地规划器。

3.1.1 DWA 算法。

dwa 部分规划器选用动态窗口办法,ROS 维基上供给了这种算法履行进程的介绍:

1.将机器人的操控空间离散化(dx,dy,dtheta)。

2. 关于每一个采样速度,从机器人的当时状况履行正向。模仿。,以猜测假如在短时刻段内选用采样速度将会发生什么。

3. 评价从正向模仿发生的每个轨道运用包括比如:妨碍物挨近度、方针挨近度、大局途径挨近度和速度等特征的衡量,丢掉不合法轨道(与妨碍物相撞的轨道)。

4. 挑选得分最高的轨道,将相相关的速度发送给移动基站。

5. 清零然后重复以上进程DWA 算法是由 Dieter Fox 的论文:

https://www.ri.cmu.edu/pub_files/pub1/fox_diet er_1997_1/fox_dieter_1997_1.pdf提出的。

依据这篇论文的介绍,DWA 算法的目的是生成一个动刁难(v,w),它代表了机器人最佳的圆形轨道。

DWA 经过鄙人一个时刻间隔内查找速度空间来抵达此目的。

这个空间的速度被约束为能够承受的,这意味着机器人有必要能够在抵达这些可承受速度所规则的圆形轨道上的最挨近的妨碍物之前中止。

此外,DWA 将仅考虑动态窗口内的速度,其被界说为给定当时平移和旋转速度和加速度鄙人一时刻间隔内可抵达的速度对调集。

现在,咱们来看 ROS Wiki 的算法总结。第一步是在动态窗口内的速度空间中的采样速度对(vx,vy,w)。

第二步是消除不行承受的速度(即消除不良轨道)。

第三步是运用方针函数来评价速度对,输出轨道得分。第四和第五步很简略了解:采纳当时最佳速度选项并从头核算。

这个 DWA 规划器取决于供给妨碍物信息的本地本钱图。

因而,调整本地本钱图的参数关于 DWA 本地规划的最佳行为至关重要。接下来,咱们将参阅前向。仿真。,轨道评分,本钱地图等参数。

3.1.2 DWA 本地规划器:前向模仿。

前向模仿是 DWA 算法的第二步。

在这一步中,本地规划器将机器人操控空间中的速度采样,并检查由这些速度样本表明的圆形轨道,并终究消除不良速度(轨道与妨碍物相交)。

在机器人的一段时刻间隔内,每个速度样本由仿真时刻操控及仿真。

咱们能够将模仿时刻视为答应机器人以采样速度移动的时刻。

经过试验,咱们调查到仿真时刻越长,核算负荷越大。此外,当仿真时刻变长后,本地途径规划器发生途径的时刻也会变长,这是合理的。

这里有一些关于怎么调整仿真时刻参数的主张。

怎么设置仿真时刻:假如将仿真时刻设置为十分低的值(≤2.0)将导致功能有限,特别是当机器人需求经过狭隘的门口或家具之间的空隙时.。

因为没有满足的时刻来取得最佳轨道来经过狭隘的通道。另一方面,因为运用了 DWA 本地规划器,一切的轨道都是简略的圆弧,假如将仿真时刻设置的十分高(≥5.0),将导致长曲线不是十分灵敏。

这个问题并不是不行避免的,因为规划器在每个时刻间隔后都会积极地从头规划,能够进行小的调整。关于高功能的核算机,4.0 秒的值也是满足的。

ec69b65e-7a25-11ee-939d-92fbcf53809c.jpg

除了仿真时刻,还有几个参数值得重视。

速度采样:在其它几个参数中,vx_sample,vy_sample 确认在 x,y 方向上取多少平移速度样本。vth_sample 操控旋转速度样本的数量。

样本的数量取决于你的核算才干。在大多数状况下,咱们倾向于设置 vth_sample 高于平移速度样本,因为一般旋转比直线行进更杂乱。

假如将 y 向最大速度设置为零,则没必要在 y 方向提取速度样本,因为没有可用的样本。咱们设置。

vx_sample=20,vth_samples=40。

仿真粒度:sim。_granularity 是在轨道上的点之间采纳的步长。它意味着要多频频的检查轨道上的点(。检测。它们是否与妨碍物相交)。

较低的值意味着高频率,这需求更多的核算才干。关于 turtlebot 机器人来说,0.025 的默许值是满足的。

3.1.3 DWA 本地规划器:轨道得分。

如上所述,DWA 本地规划器最大化方针函数来取得最佳速度对。

在其论文中,方针函数的值依赖于三个组成部分:到方针点的进程、铲除妨碍物和行进速度。在 R OS 中,方针函数的核算公式如下:

cost = path_distance_bias*(distance(m) to path from the endpoint of the trajectory)+ goal_distance_bias (distance(m) to local goal from the endpoint of the trajectory)+ occdist_scale*(。maxim。u m obst。ac。le cost along the trajectory in obstacle cost (0-254))。

方针是取得最小的价值。path_distance_bias 是本地规划器与大局途径坚持一致的权重。较大的值将使本地规划器更倾向于盯梢大局途径。

goal_distance_bias 是机器人测验抵达方针点的权重。试验显现添加 goal_distance_bias 值将会使机器人与大局途径的一致性偏低。

occdist_scale 是机器人测验逃避妨碍物的权重,这个值偏大将导致机器人陷入困境。

在 SCITOS G5 上,咱们设置 path_distance_bias 为 32,goal_distance_bias 为 20,occdist_sacle 为 0.02,仿真成果杰出。

3.1.4 DWA 本地规划器:其他参数。

方针间隔公役(Goal distance tolerance):

这些参数很简略了解,以下是他们在 ROS 维基上的描绘:yaw_goal_tolerance(double,默许值:0.05),完成方针时,偏航/旋转中操控器弧度公役。

xy_goal_tolerance(double,,默许值:0.10),完成方针时,在 x y 方向的间隔公役。

latch_xy_goal_tolerance(bool,默许:false)假如方针公役被确认,即便在方针公役之前完毕,假如机器人抵达方针 xy 方位,它会简略旋转到位。

振动复位(Oscilation reset):在经过门口的状况下,机器人或许会来回振动,是因为本地规划器正在发生经过两个相反方向的途径。

假如机器人坚持振动,导航仓库将让机器人测验康复行为。

oscillation_reset_dist(double,默许值:0.05)在振动标志复位之前,机器人以米为单位行走多远。

4 价值地图参数。

如上所述,价值地图参数关于本地规划器(不仅仅是 DWA)是至关重要的。

在 RO S 中,价值地图由静态地图层、妨碍物图层和胀大层组成。

静态地图层直接给导航仓库供给静态 SLAM 地图解说。妨碍物图层包括 2D 妨碍物和 3D 妨碍物(体素层)。

胀大层是将妨碍物胀大来核算每个 2D 价值地图单元的价值。

此外,有大局价值地图,也有部分价值地图。大局价值地图是经过胀大导航仓库上的地图妨碍物来完成的。

部分价值地图是经过将机器人传感器检测到的妨碍物胀大发生的.。

4.1脚印。

脚印是移动基站的概括。在 ROS 中,它由二维数组表明[x0,y0] ; [x1,y1] ; [x2,y2]……不需求重复第一个坐标。

该占位面积将用于核算内切圆和外接圆的半径,用于以合适此机器人的办法对妨碍物进行胀大。为了安全起见,咱们一般将脚印稍大于机器人的实践概括。

要确认机器人的占地面积,最直接的办法是参阅机器人的图纸。

此外,您能够手动拍照其基座顶视图。然后运用 CAD 软件(如 Solidworks)恰当缩放图画,并将鼠标移动到基座概括上并读取其坐标。

坐标的起点应该是机器人的中心。或许,您能够将机器人移动到一张大纸上,然后制作基座的概括。

然后挑选一些极点并运用标尺来确认它们的坐标。

4.2胀大。

胀大层由价值值为 0-255 的单元组成。每个单元或许会被占有、无妨碍或不知道三种状况。下图介绍了胀大值的核算办法。

ec73d242-7a25-11ee-939d-92fbcf53809c.jpg

inflation_radius 和 cost_scaling_factor 是决议胀大的主要参数。

inflation_radius 操控零本钱点间隔妨碍物有多远。

cost_scaling_factor 与单元的价值值成反比,设置高值将使衰减更峻峭。

Pronobis 博士主张,最佳的价值图衰减曲线是具有相对较低斜率的曲线,以便最佳途径尽或许远离每侧的妨碍物。

长处是机器人能够在妨碍物中心移动。如图14和图15所示,具有相同的起点和方针,当价值图曲线峻峭时,机器人往往挨近妨碍物。

在图14中,胀大半径=0.55,价值份额因子=5.0;在图15中,胀大半径=1.75,价值份额因子=2.58。

ec8320c6-7a25-11ee-939d-92fbcf53809c.jpg

依据衰变曲线图,咱们要设定这两个参数值,使得胀大半径简直掩盖走廊,价值值的衰减中等,这意味着要下降价值份额因子 cost_scaling_factor 的值。

4.3价值地图精度 costmap resolution。

本参数能够别离设置本地价值地图和大局价值地图,它们影响核算负荷和途径规划才干。

在低别离率(≥0.05)的状况下,妨碍物区域或许堆叠,导致本地规划器无法找到可用途径。

关于大局价值地图精度,只需坚持与供给给导航仓库的地图的分辨率相同即可。

假如有满足的核算才干,能够检查激光扫描仪的分辨率,因为当运用 gmap。pi。ng 建图时.。

假如激光扫描仪的分辨率低于所需的地图分辨率,则会有许多小的“不知道点”,因为激光扫描仪不能掩盖该区域,如图 16 所示。

ec913e36-7a25-11ee-939d-92fbcf53809c.jpg

例如,Hokuyo URG-04LX-UG01 激光扫描仪的分辨率是 0.01mm,因而扫描分辨率≤0.01 的地图将需求机器人旋转几回才干铲除不知道的点。咱们发现 0.02 的精度就够用了。

4.4妨碍物层和体素层。

这两层担任标示价值图上的妨碍,他们能够被称为妨碍层。依据 ROS 维基,妨碍物层盯梢二维的,体素层盯梢三维的。

妨碍物是依据机器人传感器的数据进行符号(检测)或铲除(删去),其间需求订阅价值图的主题。

在 ROS 履行中,体素层从妨碍物层承继,并且都是经过运用激光雷达发布的 Point Cloud 或 PointCloud2 类型的音讯来获取妨碍物信息。

此外,体素层需求深度传感器,如 Microsoft Kinect 或华硕 Xtion,3D 妨碍物终究会被胀大为二维价值图。

体素层怎么作业:体素是空间中具有必定相对方位的 3D 立方体(相似于 3D 像素)。它能够用于与邻近体积的数据或特点相相关。

例如,它的方位是够是一个妨碍。与体素与深度相机相关的 3D 重建现已有许多研讨了。

体素网格是一个 ROS 包,它供给了一个高效的三维体素网格数据结构的完成,它存储三种状况的体素:符号、自在、不知道。

体素网格占有了价值地图区域内的体积。在每次更新体素鸿沟期间,体素层依据传感器的数据来符号或去除体素网格中的一些体素。

它还履行光线盯梢,接下来会评论。请留意,在更新时,不会从头创立体素网格,而仅仅在更改本地价值图的大小时才更新。

为什么要在妨碍物层或体素层光线盯梢:光线盯梢为人所知是因为用于烘托传神的 3D 图形,所以或许会困惑为什么被用于处理妨碍物。

一个重要的原因是能够经过传感器来检测不同类型的妨碍物。理论上,咱们还能够知道妨碍物是刚性的仍是柔性的。

eca2296c-7a25-11ee-939d-92fbcf53809c.jpg

经过以上的了解,咱们来研讨一下妨碍物层的一些参数,这些参数关于一切的传感器都是适用的。

max_obstacle_height:刺进价值图中的妨碍物的最大高度。该参数设置为稍高于机器人的高度,关于体素层,这基本上是体素网格的高度。

obstacle_range:妨碍物间隔机器人的最大间隔,妨碍物以米为单位掺入价值地图,并能够在每个传感器的基础上进行掩盖。

raytrace_range:用于运用传感器数据在地图中扫描出妨碍物,以米为单位,能够在每个传感器的基础上进行掩盖下面的这些参数仅适用于体素层。

origin_z:地图的 Z 轴原点,以米为单位。

z_resolution:地图 Z 轴精度。

z_voxels:每个笔直列中的体素数,网格的高度是 Z 轴分辨率*Z 轴体素数。

unknown_threshold:被认为是“已知”的列中答应的不知道单元的数量。

mark_threshold:在被认为是“自在”的列中答应的符号单元的最大数量。

试验调查:试验进一步阐明晰体素层数的影响。咱们运用华硕 Xtion Pro 作为咱们的深度传感器。

咱们发现 Xtion 的方位很重要,它决议了“盲区的规模”,即深度传感器看不到的区域。

此外,当妨碍物呈现在 Xtion 规模内时,表明妨碍物的体素会更新(符号或铲除)。

不然,一些体素的信息仍坚持不变,在价值地图中的胀大信息也会保存。此外,Z 轴分辨率灰顶 Z 轴体素的密度。假如值很高,体素层会很密布。

假如值太低(例如 0.01),一切的体素将被放在一同,将不会取得有用的价值图信息。

假如将 Z 轴分辨率设置为较高的值,目的是更好地取得妨碍物,因而需求添加 Z 轴体素数(该参数操控每个笔直列中的体素数)。

假如列中的体素数太多但分辨率不行也是没用的,因为每个笔直列的高度都有约束。图 18-20 显现了不同体素参数设置之间的比较。

ecb0f7bc-7a25-11ee-939d-92fbcf53809c.jpg

5 AMCL。

AMCL 是处理机器人定位的 ROS 包。它是自适应蒙特卡罗定位的缩写(。Ad。aptiveMonte Carlo Localization),也被称为部分滤波定位器。

这种定位办法的原理如下:每个样本存储表明机器人姿势的方位和方向数据。

粒子是随机抽样的,当机器人移动时,粒子依据他们的状况回忆机器人的动作,选用递归贝叶斯估量进行重采样。稍后将供给 AMCL 参数调整的更多评论。

请参阅 ROS 维基 http://wiki.ros.org/amcl 了解更多信息。关于原始算法的细节,能够参阅 Chapter 8 of Probabilistic Robot ics, by Thrun, Burgard, and Fox.。

6 康复行为。

机器人导航的一个厌烦的工作便是机器人或许会卡住。走运的是,导航仓库具有内置的康复行为。

即便如此,有时机器人会耗尽一切可用的康复行为后坚持停止。因而,咱们需求一个更强壮的解决方案。

康复行为的类型:ROS 导航包有两种康复行为,别离是铲除价值地图康复和旋转康复。

铲除价值地图康复是将本地价值地图还原成大局价值地图的状况。旋转康复是经过旋转 360°来康复。

挽救机器人:有时因为旋转毛病,旋转康复将无法履行。在这一点上,机器人或许会抛弃,因为它现已测验了一切的康复行为。

在大多数试验中,咱们调查到,当机器人抛弃时,实践上有许多办法能够挽救机器人。

为了避免抛弃,咱们运用 SMAC H 来接连测验不同的康复行为,经过其他额定的行为,例如设置十分挨近机器人的暂时方针,并返回到曾经拜访过得姿势(即退出)。

这些办法能够明显进步机器人的耐久性,并且从曾经调查到的无望空间中挽救出来。

ecbb8be6-7a25-11ee-939d-92fbcf53809c.jpg

参数:ROS 康复行为的参数一般设为默许值。

为了铲除价值地图康复,你能够设置一个相对较高的模仿时刻 sim_time,这意味着轨道很长,你或许需求考虑添加 res et_distance 参数的值,这样能够消除本地价值地图上更大的区域,并且有更好的时机寻觅一条途径。

7 动态从头配置。

关于 ROS 导航最灵敏的方面之一是动态从头配置,因为不同的参数设置或许对某些状况(如机器人挨近方针点时)更有协助。

然后,没有必要进行许多的动态从头配置。

示例:咱们在试验中调查到的一种状况是机器人常常区域脱离大局途径,即便没有必要这么做。

因而,咱们添加途径间隔误差 path_distance_bias。

因为大的途径间隔误差值会使机器人遵从大局途径,但实践上因为公役不会终究抵达方针点,咱们需求找到一种办法来使机器人坚决果断的抵达方针点。

因而咱们挑选动态削减途径间隔误差,以便在机器人挨近方针点时有一个小的值。究竟,做更多的试验是为了找到解决问题的办法。

8 问题。

8.1陷入困境。

在运用 ROS 导航的时分,这个问题经常呈现,无论是在仿真仍是实践中,机器人都或许陷入困境然后抛弃方针。

8.2不同方向的不同速度。

在导航仓库中咱们调查到一些古怪的行为。当方针点设置在相关于。 TF。原点的-x 方向时,dwa 部分规划器规划不稳定(部分规划途径跳动),并且机器人的移动速度十分慢。

可是当把方针设置在+x 方向时,dwa 部分规划器就比较稳定了,并且移动速度很快。

8.3实践和仿真。

实践与仿真是有差异的。在现实状况中,妨碍物有各式各样的形状。

例如,在试验室中有一个笔直的柜子,避免门闭上,因为太细,机器人有时无法检测到然后碰击上去。并且实践中也会有更多杂乱的人类活动。

8.4前后矛盾。

运用 ROS 导航仓库或许会呈现不一致的行为。

例如进门时,在不同时刻本地价值地图会一次又一次的生成,这或许会影响途径规划,特别是在分辨率较低的时分。

别的,机器人没有内存,它不记住前次从门进入房间,所以每次测验进门都需求从头开始。

因而,假如没有与曾经相同的进门视点,机器人或许会卡住并抛弃方针。翻译自 ROS Navigation Tuning Guide(导航调试攻略)。