判断一个数是否为2的整数次幂

duration代表的是从第一个点到最后一个点的这段时间，而timestamp一般代表第一个点的时间，故第一个点时间加上第一个点到最后一个点的时间便可以得到在carto下的时间戳（以最后一个点的时间为点云的时间戳）。令time_to_subdivision_end为分段后的最后一个点的时间，假设为0-50段的，所得时间为负再加上整个的时间，可以得到前五十个点云的时间，若雷达数据只分了一次进行处理，即最后subdivision_time为0，subdivision_time就为time代表一帧点云的时间。

1.定义msg文件功能包下新建 msg 目录，添加文件2.编辑配置文件中添加编译依赖与执行依赖。

https://charon-cheung.github.io/2021/01/27/%E6%BF%80%E5%85%89SLAM/Cartographer/%E5%8E%9F%E7%90%86%E5%92%8C%E9%85%8D%E7%BD%AE/landmark%E7%9A%84%E4%BD%BF%E7%94%A8%20(%E4%BA%8C)%20%20AprilTag%E5%81%9Alandmark/ https://blog.csdn.net/weixin_43823054/article/de.

上一节介绍了陀螺仪Imu传感数据的订阅和发布。本节会介绍路标Landmark数据的发布和订阅。Landmark在cartographer中作为定位的修正补充，避免定位丢失。

今天一直没有更新专栏里的文章，因为看到cartographer的官网文档做了更新：添加了测试Landmark的demo——Static Landmarks. 详见：demo of static landmarks。 但是直接按照官网上的指导运行会出error. 昨天下午和今天一上午的时间就是在解决这些error。所幸，终于解决了这些问题，所以把我遇到的问题和解决的方案写一下，分享给大家，以免让大家...

https://zhuanlan.zhihu.com/p/50511558

关注 cartographer中增加landmarks 创作声明：内容包含虚构创作 1 年前 cartographer在跑纯定位的时候，判断定位丢失的标准是一个比较棘手的事情，目前我们采取的措施是，scan_tomap的方式，根据PCL库中的函数，得出一个类似于匹配度的值，然后测试一些实际场景，根据实际场景来设定该值的阈值。但是这在环境经常变化的场景中，效果会很差，当然cartographer自己维护的PoseExtrapolator,虽然环境变化比较大，但是计算出来的定位坐标是正确的。但是在环境比较相似的

之前跑的bag中偶然发现在msg的bag包中，有Landmark数据的发布和订阅。Landmark在cartographer中作为定位为避免定位丢失，从而使之增加定位精度，和重定位，看完所有网页上能找到的文章，看后就一个字懵。防止cartographer在长廊中因为激光雷达的射程范围不够导致后期回环中定位失效，以至自己设备的定位乱跳，如果不幸跳入墙体中，则会整个设备则会陷入假死整体上landmark的引用方式，分为两种一种是反光标识工地上的反光柱，另一种则是使用固定的二维码和。

运行cartographer进行建图 运行条件：已通过其他节点发布机器人的base_link，且有激光发布节点，否则cartographer无法运行。 1.使用rplidar运行cartographer 修改cartographer_ros/cartographer_ros/launch/demo_revo_lds.launch(也可以自己创建一个) <launch> <pa...

在动态环境中，使用aruco码作为landmark有助于机器人的快速定位。这里把主要的使用过程梳理一下，之前做过却没有整理。本文基于ros框架。 1-首先来个摄像头 我使用的是一个usb广角镜头，介于针孔相机和鱼眼相机之间，首先使用ros包usb_cam打开相机 https://github.com/ros-drivers/usb_cam 输出的话题为：/usb_cam/image_raw /usb_cam/camera_info 因为相机没有标定，所以 /usb_cam/camera_info为空

一、添加landmark代价中涉及到的类型 void AddLandmarkCostFunctions(     const std::map&lt;std::string, LandmarkNode&gt;&amp; landmark_nodes,     bool freeze_landmarks, const MapById&lt;NodeId, NodeSpec2D&gt;&amp; ...

硬件配置要求 a. 64位现代CPU（例如第三代i7） b. 16 GB RAM c. Ubuntu 16.04(Xenial),18.04(Bionic),20.04(Focal) d. gcc版本4.8.4、5.4.0、7.5.0、9.3.0 系统框图（代码逻辑与结构） Cartographer主要理论是通过闭环检测来消除构图过程中产生的累积误差[1]。用于闭环检测的基本单元是submap。一个submap是由一定数量的laser scan构成。将一个laser scan插入其对应的submap时.

cartographer的使用与操作笔记

声明：博客参考了kint_zhao的文章《2D-slam 激光slam: 开源代码的比较HectorSLAM Gmapping KartoSLAM CoreSLAM LagoSLAM Hector slam： Hector slam利用高斯牛顿方法解决scan-matching问题，对传感器要求较高。 缺点：需要雷达（LRS）的更新频率较高，测量噪声小。所以在制图过程中，需要robot速

经过实际使用，发现cartographer定位对于重定位的表现比amcl好。如果机器人的起始位置离原点较远，amcl很难自行重定位到正确的位置，只能手动修改初始位置。然而cartographer定位的表现则很好，在行驶一段距离或原地旋转一段时间后能够正确重定位。

欢迎访问我的博客。

上一节介绍了IMU数据相关转换。本节就开始介绍cartographer中的数据和Ros中的数据相互转换，方便引入Rosbag进行储存和读取。

本文目的大概的讲一下整个代码框架，本来是想尽量这一篇写详细一点，后来时间不够了，而且一篇太长了阅读太难受，后面拆成了好多章去讲，这篇主要是拆官方文档，之后的篇章东西我也没有很透彻，有错误的地方欢迎指正。 从这章开始，借鉴了很多大佬的精华： 1.无处不在的小土 2.南北粉面馆 3.火种源码的机器人 4._Leveon 下面开始解读代码 一、算法概述 官方文档（这里要翻墙，基本下面也就是照着官方文档说的，可以把下面当成官方文档的翻译） Cartographer 可以被视为两个独立但相关