反光柱建图和定位总结

（二）计算姿态方式是我们已经通过最小二乘得到了小车在地图中的位置或者是雷达在地图中的位置，又因为我们知道雷达与小车的安装坐标，所以可以求解出一其中一个坐标的知量，通过小车在地图中坐标与雷达在地图中坐标可以得到一条向量，通过计算向量在地图中的角度就能得到姿态了。与最小二乘三边测量法相比，新算法在动态调整、优化过程和鲁棒性方面优势明显，尤其适合动态环境下的机器人定位，而最小二乘三边测量法在动态复杂环境中精度相对较低。（一）与（二）的区别主要是在计算姿态上的算法不同。经典三边定位最小二乘法 (法一)

在能对拟定圆心数据进行保存和读取之后，本次将用上一次保存的数据作为目标数据，再将激光雷达换位置后的当前数据与其进行匹配，从当前的五个反光柱中找出需要的三个目标反光柱。匹配的原理是将预先录入系统的反光柱之间的边长一一去和当前能识别到的反光柱之间的边长匹配，识别出目标反光柱。并返回目标反光柱的坐标以便后期进行三边定位算法实现。......

由于实现三边定位需要先找反光柱的圆心，目前计划先找出激光雷达获取反光柱反射激光的最强点，该点到激光雷达的距离加反光柱半径近似于圆心，误差在于激光雷达本身精度误差，可以接受。本次将优化查找高强点函数，并将高强点组传入查找最大值函数组内最强点，将最强点距离加上反光柱半径再进行运算，解算出反光柱圆心坐标，并在日viz中可视化。.........

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】 我们看论文或者看书的时候，讲的最多的一般就是基于自然环境的定位。不管是激光雷达，还是视觉，其实本身还有很多的不确定性。而对企业、工厂来说，大部分情况下没有办法容忍这种不确定性的。所以很多时候，企业里面用的定位技术往往不是那么高大上的技术，比如激光就用反光柱，视觉就用二维码等等。这里反光柱定位多用于大型物流设备，也算是用的比较多的一种定位方法。 ros上面其他slam

比如我们设定右边多边形图的一个像素代表0.1米，则lidar扫描到的点之间的距离如果是3.132m，在右边图中就是31个像素（int）3.132/0.1。这个像素值作为多边形图中map数据结构的key，在根据真实的边长寻找匹配时，可以快速定位要寻找边的范围，比如3.132m的边在key为[31,32]范围内寻找匹配。大体思路是，根据激光雷达扫描到反光材料的反射值来确定扫到反光柱开始和结束的两条线束，计算两者之间的夹角，根据三角关系就能算出反光柱圆心到激光雷达的dist和angle。

首先把常用的数据结构记录一下 IntensityPoint2D 一个激光强度点 IntensityRange2D 激光强度点的集合 Feature2DWithID 一个反光柱的点 Feature2DLlist 反光柱点的集合 Feature2DAdjacency 相邻特征点 AdjacencyList 反光柱点的集合，相邻特征点的集合 RobotPose 机器人的位姿 首先第一个函数：使用（Intensity方法） extract_handler->Extrac

venus的方式是一种纯反光柱的方案， 网址:https://gitee.com/dustinksi/VEnus 视频地址:https://www.bilibili.com/video/av80266705/ 这套系统代码可以参考，包括反光柱的提取，地图的建立，定位求解方式，编译通过后就可以自己掉接口使用了。 我的思路： 我这里使用了另一种和轮廓slam融合的方式，就是使用cartographer建图时把每个反光柱（可以当做没有旋转权重为0的landmark）的位置通过过后端一起优化求出来。然后导航的时候使

通常而言确定空间中的一个点的坐标需要三个点，也就是俗称的三点定位。但是在某些时候，场景内可能不一定能够采样到足够多的反光柱，比如只有两个。这个时候看起来似乎参数是不足的，毕竟机器人的参数有三个，两个方程是不够的，但是这个方程其实也不是没有解的方式，具体的解答方式继续往下看

实测在车间环境，配合我们的反光板识别算法，定位稳定性比传统二维码方案强太多。混合使用反光柱和反光贴时要注意：反光贴的反射强度弱但成本低，适合在走廊等狭窄区域补充部署。我们做了设备适配层，比如倍加福雷达需要把阈值调到180，而万集雷达要调到250。实测上万平地图，已适配富锐雷达，倍加福雷达，兴颂雷达，万集雷达。激光slam 反光柱 反光贴 识别算法，功能类似nav350。可以建出完整的全局反光柱地图，并进行地图编辑，删除，修改等。利用反光柱进行定位，三角定位计算机器人坐标。反光板定位算法源代码，反光板建图。

作者：一叶执念 | 来源：古月居VEnus算法对于反光柱导航的基本思路，其主要分为了高反点提取、高反点聚类查找中心、高反点与已知反光柱位姿匹配以及调用ceres库进行位姿优化等步骤。然后在这个算法的基础上，再进行一定的开发达到一个比较稳定且可视化的版本。使用：ffmpeg -f x11grab -framerate 25 -video_size 1920*1080 -i :0.0 out.mp4...

在完成圆心拟定后，下一步是进行反光柱的匹配，匹配的原理是将预先录入系统的反光柱之间的边长一一去和当前能识别到的反光柱之间的边长匹配，识别出所需要的反光柱。本次完成将上次通过三角函数法拟定圆心坐标数据保存到txt文件当中作为预先录入系统的反光柱坐标，然读取保存的文本，将其还原为坐标信息，以便后期去对比匹配。......

本文摘要： 本文系统阐述了机器人自动驾驶定位技术，重点介绍了激光反光柱定位方法的实现。首先概述了组合导航、激光定位和辅助定位三大主流技术及其融合策略。然后深入调研了反光柱定位的三种实现方式：激光雷达定位、视觉定位和多传感器融合定位。针对激光反光柱定位，详细提出了包括点云提取、聚类分析、中心计算、地图匹配和位姿求解在内的完整实现逻辑，并提供了核心算法代码和公式推导。该方法通过检测激光点云中的高反射特征，实现机器人在结构化环境中的高精度定位，具有抗干扰能力强、定位精度高等优势。

由于实现三边定位需要先找反光柱的圆心，目前计划先找出激光雷达获取反光柱反射激光的最强点，该点到激光雷达的距离加反光柱半径近似于圆心，误差在于激光雷达本身精度误差，可以接受。由于昨天已经找到了反光柱的最强点，但是同一时间只能找到一个，不适用与三边定位所需要的三个，因此这次需要实现找到多个反光柱目标。............

由于实现三边定位需要先找反光柱的圆心，目前计划先找出激光雷达获取反光柱反射激光的最强点，该点到激光雷达的距离加反光柱半径近似于圆心，误差在于激光雷达本身精度误差，可以接受。本次将找到的最强点暂时确定为圆心，根据这个圆心坐标在rviz中可视化反光柱模型。......

在上一章中简单了解了VEnus算法对于反光柱导航的基本思路。其主要分为了高反点提取、高反点聚类查找中心、高反点与已知反光柱位姿匹配以及调用ceres库进行位姿优化等步骤。然后在这个算法的基础上，再进行一定的开发达到一个比较稳定且可视化的版本。简单录制一下运行效果，类似于这样：out这里使用的是自己录制的一个包，其中包含了激光数据以及里程计信息odom。

（2）实际雷达使用环境中，还会出现玻璃背景、大面积金属背景以及无尘车间中常使用的据有较高反射率的背景面，在这些具有较高反射率的环境中安装靶标，应避免将靶标安装在距离这类背景面较近的位置，至少保证有1米的水平距离，若无法避免，在靶标安装的背景面上贴上反射率较弱的贴纸，如透明磨砂贴纸这类漫反射贴纸；距离要求至少1米的距离。（3）在实际使用过程中，通常会出现将靶标安装在拐角的位置，拐角分为凹角和凸角两种情况，凹墙面安装靶标，靶标距离墙角的距离应保证大于1m；根据雷达的规格书提供的不同材料的强度，设定合适的阈值；

在匹配别出目标反光柱并获取目标反光柱的坐标后，需要将反光柱坐标从当前的激光坐标系转换到全局坐标系下，以便后面三边定位算法算出来的小车坐标是全局坐标系中的坐标。

在算出反光柱在全局中的坐标之后，再修改前面代码获取激光雷达距离这三个反光柱的距离，将这三个坐标点以及三个距离进行三边定位计算，最终获取小车的全局坐标，实现初步定位。