## 1. 使用

### vnc viewer 远程登录桌面

RealVNC Viewer软件中使用对应ip地址登录：
笔记本连接wifi：AGV，12345678，ip: `10.0.0.1`
笔记本接网线至交换机：ip: `10.0.1.1`

### ssh 终端远程登录

ssh -Y uestc@10.0.0.1   或 ssh -Y uestc@10.0.1.1

### 启动基本服务

启动雷达驱动、server节点（数据库、地图保存、与PLC通信等）

```bash
cd ros_ws
source ./devel/setup.bash
roslaunch server start.launch
```

### 键盘控制小车运动

首先需要启动server节点

```bash
cd ros_ws
python keyboard_control.py
```

### 建图

```bash
cd ros_ws
source ./devel/setup.bash
roslaunch server slam.launch
roslaunch server Map_saver.launch  # 保存地图
```

### 导航

```bash
cd ros_ws
source ./devel/setup.bash
roslaunch server navigation_start.launch
```



## 2. 各文件说明

- **ROS_WS**: 代表 “ROS Workspace”，用于组织 ROS 的所有相关文件
- **.vscode**: Visual Studio Code 编辑器相关，包含用户自定义的项目配置文件
- **build**: 包含从源代码生成的目标文件和构建过程的缓存数据
- **devel**: 存放编译后生成的可执行文件、库文件以及相关开发资源
- **src**: 源代码目录，存放项目的主要功能模块和代码文件
- **Costmap_2d**: 用于生成机器人路径规划的二维代价地图（costmap）
- **Laser_h1**: 激光雷达上位机驱动和数据处理
- **Laser_odom**: 基于 fast-gicp 根据激光雷达数据计算机器人的位姿变换
- **Location_beam_model**: beam model 定位算法
- **planner**: 规划和控制算法
- **osqp**: QP 求解器
- **server**: AGV 相关服务功能（与 PLC、QT 等通信模块）
- **slam**: Karto slam 算法
- **CMakeLists.txt**: CMake 编译文档
- **keyboard_control.py**: 键盘控制机器人运动



## 3. 相关资料链接

1. [B站ROS教程：【Autolabor初级教程】ROS机器人入门](https://www.bilibili.com/video/BV1Ci4y1L7ZZ/?share_source=copy_web&vd_source=c1742d7eab78ca1b37580f7bc4ad9455) 对应的[文档资料](http://www.autolabor.com.cn/book/ROSTutorials/)
2. 定位算法参考：[【这么简单好用的 ROS 定位方法，确定不要试一下吗？！】 ](https://www.bilibili.com/video/BV1fB29YzEgP/?share_source=copy_web&vd_source=c1742d7eab78ca1b37580f7bc4ad9455)
3. karto slam算法参考：[Karto源码解析(一)：工程运行 - 卢涛的文章 - 知乎](https://zhuanlan.zhihu.com/p/350852337)



## 4.  相关导航说明

*记录人：徐盟杰，记录时间：2025年5月20日*

1. 定位算法当前使用的是上方 B 站参考项目中的 beam model，定位质量受机器人运动速度、栅格地图分辨率、建图与实际环境之间的差异等因素影响。整体定位效果：直线运动时在约 0.8 m/s 范围内表现尚可，原地旋转控制在 0.6 rad/s 以内也较稳定。若需进一步提高定位精度或减少抖动，建议引入多传感器融合。目前的导航系统（定位、建图、规划、控制）仅基于激光雷达数据。例如可结合驱动轮转速反推的里程计。目前使用的里程计由激光雷达通过 fast-gicp 匹配生成，计算开销较大，因此我通过底盘控制信号反推出一个 fake_odom 提供给其他模块使用。但 fake_odom 在底盘接收了控制信号但实际未执行运动的场景下数据失真，可能干扰其他模块的工作。

2. 定位算法也可以切换为 amcl，参数在对应的 launch 文件中可调。我对其进行了初步调参，定位效果与 beam model 相近。amcl 在实际项目中应用更广，理论上鲁棒性也更高。但本项目中可能因 fake_odom 的问题，表现不如预期。amcl 在复杂环境中可能出现定位突然跳变的情况。总体来看，若希望定位系统稳定可靠，仍需基于多传感器融合。可引入但不限于陀螺仪、GPS、视觉等传感器。

3. SLAM 算法采用 karto，总体质量良好，建图效果依赖机器人运动轨迹及环境特征。建议在建图过程中以小范围螺旋式路径进行移动。建图路线规划建议结合源码和建图原理理解之后进行优化。

4. 规划模块中，`my_planner` 包为我学位论文相关代码，包含以下算法：全局路径规划使用 Hybrid A*；局部轨迹规划使用 TEB（基于 L-BFGS）；轨迹跟踪采用 MPC（基于 OSQP）；运动决策算法为自研框架 + 改进版 Hybrid A*。其中运动决策部分尚属初始版本，其余模块代码相对完整，并已整理（本包后续将在单独仓库中维护，此仓库不再更新）。所设算法主要面向阿克曼底盘机器人，当前 AGV 使用的是二轮差速驱动，整体控制结构更简，运行算力也有限，使用本套算法并不适配。

   建议 AGV 项目中使用 ROS 官方的 `move_base` 模块，集成的全局 / 局部代价地图、A*、DWA 等组件更加成熟。推荐组合为 A* + DWA，具备较小算力消耗和良好鲁棒性，适合工业 AGV 使用。

5. 控制算法方面，无论 MPC 还是 DWA，其输出的底盘控制指令质量一般。初步判断原因在于缺乏实时准确的机器人自身速度信息。当前控制器基于里程计数据进行计算，如采用 fast-gicp 得到的里程计，因其本身抖动，会进一步放大速度估计波动，从而影响控制指令的稳定性。

6. 当前存在的问题包括：结构方面，部分机械结构的螺丝出现松动或脱落，调试过程中偶尔发现地面掉落的螺丝 / 螺母，存在异响但在嘈杂车间中无法定位来源；算法方面，建议引入从驱动电机反推的里程计数据，并据此进一步调优各算法模块。

7. 编写算法模块时应尽量遵循 ROS 的标准命名规范与数据类型，否则在对比、接入其他算法组件时会增加不必要的适配成本。

8. 何师兄提供的是河狸公司 AGV 的底层代码，可供参考，注意涉及内容需保密。