一、mapping
在机器人领域，mapping指的是利用机器人的传感器和算法，生成环境的完整地图。这些地图可以用于自主移动，路径规划和障碍物避开等。在gmapping中，mapping是其中的一部分，它是一个开源的SLAM（Simultaneous Localization And Mapping）框架，可以应用于ROS.
gmapping建图使机器人能够实时了解环境，确定其位置，创建地图，同时避免碰撞。而其构建机器人地图的过程是基于SLAM技术的。
二、mapping算法原理
1. Grid Mapping
Grid Mapping指的是构建一个基于栅格（grid）的地图，其中激光传感器所探测到的障碍被轨迹线标记出来，构成栅格化的地图。Grid Mapping需要在每个时间步骤和每个控制命令步骤在线执行。
2. Particle Filters
Particle Filters的工作原理是利用已知的信息和感知数据生成模型，多个控制的粒子代表可能的机器人位置。这些粒子同时也包含了地图建设中的障碍信息。然后通过权重分配，对于每个控制，粒子被重新采样，重新排列在另一个位置，以便提供更好的估计。
3. EKF（扩展卡尔曼滤波）
扩展卡尔曼滤波和粒子滤波不同。它对机器人的状态进行估计，可以应用于不适合使用Grid Mapping的情况。EKF主要包含三个部分：机器人状态估计、激光和惯性的传感器模型以及概率估计。
三、代码示例
1. 激光雷达
在gmapping建图中，需要用到激光雷达传感器。使用ROS这个机器人操作系统，我们可以通过ROS中的LaserScan消息订阅器来实例化激光雷达。例如：
#include “ros/ros.h”
#include “sensor_msgs/LaserScan.h”
void laserScanCallback(const sensor_msgs::LaserScan::ConstPtr& msg) {
// 在此处执行激光雷达的读取和处理
}
int main(int argc, char** argv) {
ros::init(argc, argv, “laser_scan_subscriber”);
ros::NodeHandle n;
ros::Subscriber sub = n.subscribe(“/scan”, 1000, laserScanCallback);
ros::spin();
return 0;
}
2. odom消息
在构建机器人地图时，需要定位机器人。在gmapping建图中，可以使用ROS中的Odometry消息来实例化一个odom消息。例如：
#include “ros/ros.h”
#include “nav_msgs/Odometry.h”
void odomCallback(const nav_msgs::Odometry::ConstPtr& msg) {
// 在此处执行定位机器人的操作
}
int main(int argc, char** argv) {
ros::init(argc, argv, “odom_subscriber”);
ros::NodeHandle n;
ros::Subscriber sub = n.subscribe(“/odom”, 1000, odomCallback);
ros::spin();
return 0;
}
3. gmapping地图
创建gmapping地图的最简单方法是使用ROS的gmapping软件包。您可以将激光和odometry消息传递给框架，框架将为您构建地图并将其发布为ROS主题。例如：
roslaunch gmapping slam_gmapping.launch
4. 保存gmapping地图
在gmapping建图中，构建一个机器人地图后，您可以将其保存为pgm文件，并使用ROS将其传递给其他程序。以下是如何保存gmapping地图的示例代码：
rosrun map_server map_saver -f my_map
总结
通过以上对gmapping建图的研究，我们可以看到gmapping提供了一个强大的SLAM框架，可以用于构建机器人地图和自主移动。无论您是一个机器人开发者还是一个ROS爱好者，gmapping都是一个值得学习的工具。
