本文旨在介紹使用OptiTrack光學跟蹤系統和Turtlebot機器人進行視覺SLAM定位實驗的詳細流程，包括實驗平臺搭建過程、數據處理過程以及SLAM估計評估方法。

由于涉及知識較多，部分內容只給出了相關參考博文鏈接。

1 實驗平臺搭建

實驗平臺包括OptiTrack光學跟蹤系統和Turtlebot數據采集平臺兩部分，OptiTrack系統用于獲取機器人運動軌跡真值，Turtlebot數據采集平臺用于錄制圖像數據。

1.1 OptiTrack光學跟蹤系統介紹

OptiTrack是美國公司NaturalPoint公司研制的高性能光學跟蹤系統，可以獲取場地中物體的亞像素級位置，目前TUM等公開數據集的軌跡真值均通過OptiTrack系統獲取。

OptiTrack由固定在場地上方的多個Prime相機、熒光標記球、Motive處理軟件組成，使用過程中，將多個熒光標記球粘在物體上，Prime相機以每秒數百幀的速率拍攝熒光標記球，Motive實時地解算出物體在場景中的位姿。OptiTrack系統的原理如圖所示。

1.2 Turtlebot數據采集平臺介紹

本實驗所使用的Turtlebot數據采集平臺如圖所示，共由五部分組成：筆記本、Turtlebot機器人、深度相機、熒光標記球、游戲手柄。

其中筆記本是該平臺的核心，用于向各設備發送指令，實現數據采集平臺的各項功能；

Turtlebot機器人是一款輕量級機器人開發套件，在實驗中作為移動平臺；

深度相機是機器人的傳感器，在實驗中用于錄制深度和彩色圖像數據；

熒光標記球用于結合OptiTrack系統獲取機器人位姿；

無線游戲手柄用來控制機器人的運動。各個設備均通過筆記本相連。

1.3 實驗平臺搭建：

只有知道軌跡和圖像的時間戳，才能知道軌跡與估計軌跡之間的對應關系，進而評估SLAM系統的定位性能。

OptiTrack系統估計的位姿輸出在上位機上，而相機圖像數據輸出在Turtlebot機器人搭載的筆記本上，需要將位姿數據傳輸到筆記本上，通過ROS統一錄制數據，實現圖像與位姿之間的匹配。

詳細配置過程見：

https://blog.csdn.net/weixin_41536025/article/details/89913961

這里只介紹其工作原理：

上圖中，上位機安裝有Motive軟件，通過交換機獲取OptiTrack系統的數據。通過Motive軟件中的設置，將機器人位姿數據經過路由器發布在局域網中。

Turtlebot機器人搭載的筆記本通過局域網獲取機器人位姿數據，并用ROS的rosbag工具錄制深度相機話題和位姿話題。可能用到的命令包括：

配置筆記本防火墻的命令：（只需要配置一次）

sudo ufw status  #查看防火墻
sudo ufw enable  #打開防火墻
sudo ufw disable #關閉防火墻

開始發布optiTrack位姿的命令，其中192.168.1.104 為路由器的ip地址，筆記本需要通過wifi連接在路由器的局域網中

roslaunch vrpn_client_ros sample.launch server:=192.168.1.104 #獲取optiTrack位姿數據

開始發布Realsense相機的RGB-D圖像的命令，其中s_d435_camera_our.launch為編寫的launch文件，它記錄了各種ros命令以及參數配置信息，需要認真配置該文件，確保發布的數據“深度-彩色匹配”后的圖像。

filters:=colorizer是指發布的深度圖像的格式，這里是指彩色表示深度值的大小。

roslaunch realsense2_camera rs_d435_camera_our.launch filters:=colorizer #發布realsense相機的圖像話題

使用rosbag命令錄制圖像數據與位姿數據，并保存為test.bag文件。其中/camera/color/image_raw為彩色圖像話題名稱

/camera/aligned_depth_to_color/image_raw 為深度圖像話題名稱， /vrpn_client_node/RigidBody1/pose為optiTrack位姿的話題名稱，各名稱需要根據實際情況修改。

-O test是指將數據保存為test.bag。

rosbag record subset /camera/color/image_raw /camera/aligned_depth_to_color/image_raw /vrpn_client_node/RigidBody1/pose -O test

2 實驗設備標定

2.1 Optitrack光學跟蹤系統標定：

在使用OptiTrack光學定位系統前進行標定，標定有幾個目的：其一相當于對軟件的初始化，為了讓系統確定攝像頭的采集范圍；

其二確定軟件內部坐標的精度，使軟件根據數據生成一個3D空間；其三對所標記的物體進行空間坐標的計算。

詳細標定過程見：

https://blog.csdn.net/zeye5731/article/details/104106696

標定后，在Motive中為機器人建立剛體，即可獲取機器人的位姿。

下圖為軟件運行結果，藍色為四個Prime相機，綠線為相機對機器人的觀測路徑，下方為四相機觀測到的紅外圖像。

2.2 相機標定：

深度相機在使用前需要進行標定，需要標定的參數有彩色攝像頭的內參、深度攝像頭的內參以及兩者的外參。

相機在使用前需要進行標定的原因是每個相機在加工制和組裝過程中都會存在一定的誤差，這使得每個相機的成像平面，相機坐標系都會略有不同，對相機標定后，可校正相機的畸變，獲得更為精確的圖像，從而能夠更為準確的進行定位與建圖。

在實際使用過程中，一般只對彩色攝像頭進行標定，其他采用廠商提供的默認參數即可。

使用Matlab標定相機的過程可參考：

https://blog.csdn.net/m0_56817529/article/details/127819167

3 實驗數據處理

實驗使用rosbag工具采集圖像和位姿數據，需要將其轉換為TUM數據集格式，才能進一步運行SLAM算法和評估軌跡精度。

該過程包括兩部分：其一為將圖像保存為TUM格式，并使用TUM提供的associate.py實現深度圖與彩色圖之間的配準；其二為將位姿數據保存為TUM格式的軌跡真值groundtruth.txt。

3.1 RGB-D相機數據處理：

將.bag格式的圖像數據轉換為TUM格式數據的過程見本人之前的博文：

https://www.guyuehome.com/35920

該博文詳細地介紹了轉換過程、ROS程序、測試過程。轉換結果如下圖所示，包括深度圖像depth、彩色圖像rgb、深度圖像路徑depth.txt、彩色圖像路徑rgb.txt。

之后下載TUM提供的associate.py，實現深度圖像與彩色圖像之間的時間戳對齊，得到associate.txt

python associate.py rgb.txt depth.txt > associate.txt

3.2 Optitrack位姿數據處理：

將rosbag數據轉換為TUM格式的軌跡真值groundtruth.txt的過程與3.1類似，也是編寫一個ROS節點，訂閱Optitrack位姿話題，并將數據保存在txt文件中。

具體過程為：

1.編寫optitrack2tum 節點，修改下文程序中的路徑，并用catkin_make命令編譯工作空間

2.運行optitrack2tum節點

rosrun optitrack2tum opt2tum

3.播放rosbag數據

 rosbag play ./rgbd_dataset_fsdf.bag -r 0.3 #-r 0.3是指0.3倍速播放數據，太快會導致數據來不及保存

可以在播放數據時同時運行兩個節點，保存RGB-D圖像和Optitrack位姿數據。此外，也可以將路徑作為參數傳遞給程序，避免處理不同數據時對程序的修改。

optitrackToTUM.cpp文件編寫如下：

#include 
#include 
#include 
#include 
#include 
#include 
using namespace std;


string Path = "/home/qin/下載/Dataet/BigPaper/0313/0313_canting/";
string pathGroungTruth = Path + "groundtruth.txt";


string pose_topic = "/vrpn_client_node/RigidBody1/pose";




void chatterCallback(const geometry_msgs::ConstPtr& msg) //Note it is geometry_msgs::PoseStamped, not std_msgs::PoseStamped
{
  ROS_INFO("I heard the pose from the robot"); 
  ROS_INFO("the position(x,y,z) is %f , %f, %f", msg->pose.position.x, msg->pose.position.y, msg->pose.position.z);
  ROS_INFO("the orientation(x,y,z,w) is %f , %f, %f, %f", msg->pose.orientation.x, msg->pose.orientation.y, msg->pose.orientation.z, msg->pose.orientation.w);
  ROS_INFO("the time we get the pose is %f", msg->header.stamp.sec + 1e-9*msg->header.stamp.nsec);


  std::cout<<"
 
"<header.stamp.toSec(); 
    double time = msg->header.stamp.toSec();
    of<pose.position.x <<" "<pose.position.y<<" "<< msg->pose.position.z<<" ";
 ? ? ? of<pose.orientation.x<<" "<< msg->pose.orientation.y <<" "<pose.orientation.z <<" "<pose.orientation.w ;
  }
}




int main(int argc,char **argv)
{
  ros::init(argc,argv,"optitrackToTUM");
  ros::start();


  ofstream of;
  of.open(pathGroungTruth, std::app);
  if(of.fail()){
    ROS_INFO("Fail to open file!!");
  }else{
    of<<"#------------start a new groundTruth-----------------"<

	

	CMakeList.txt文件編寫如下：

	
cmake_minimum_required(VERSION 3.0.2)
project(optitrack2tum)


## Compile as C++11, supported in ROS Kinetic and newer
add_compile_options(-std=c++11)


## Find catkin macros and libraries
## if COMPONENTS list like find_package(catkin REQUIRED COMPONENTS xyz)
## is used, also find other catkin packages
find_package(catkin REQUIRED COMPONENTS
 roscpp
 geometry_msgs
)




## System dependencies are found with CMake's conventions
# find_package(Boost REQUIRED COMPONENTS system)




## Uncomment this if the package has a setup.py. This macro ensures
## modules and global scripts declared therein get installed
## See http://ros.org/doc/api/catkin/html/user_guide/setup_dot_py.html
# catkin_python_setup()


################################################
## Declare ROS messages, services and actions ##
################################################


## To declare and build messages, services or actions from within this
## package, follow these steps:
## * Let MSG_DEP_SET be the set of packages whose message types you use in
##  your messages/services/actions (e.g. std_msgs, actionlib_msgs, ...).
## * In the file package.xml:
##  * add a build_depend tag for "message_generation"
##  * add a build_depend and a exec_depend tag for each package in MSG_DEP_SET
##  * If MSG_DEP_SET isn't empty the following dependency has been pulled in
##   but can be declared for certainty nonetheless:
##   * add a exec_depend tag for "message_runtime"
## * In this file (CMakeLists.txt):
##  * add "message_generation" and every package in MSG_DEP_SET to
##   find_package(catkin REQUIRED COMPONENTS ...)
##  * add "message_runtime" and every package in MSG_DEP_SET to
##   catkin_package(CATKIN_DEPENDS ...)
##  * uncomment the add_*_files sections below as needed
##   and list every .msg/.srv/.action file to be processed
##  * uncomment the generate_messages entry below
##  * add every package in MSG_DEP_SET to generate_messages(DEPENDENCIES ...)


## Generate messages in the 'msg' folder
# add_message_files(
#  FILES
#  Message1.msg
#  Message2.msg
# )


## Generate services in the 'srv' folder
# add_service_files(
#  FILES
#  Service1.srv
#  Service2.srv
# )


## Generate actions in the 'action' folder
# add_action_files(
#  FILES
#  Action1.action
#  Action2.action
# )


## Generate added messages and services with any dependencies listed here
# generate_messages(
#  DEPENDENCIES
#  sensor_msgs#  std_msgs
# )


################################################
## Declare ROS dynamic reconfigure parameters ##
################################################


## To declare and build dynamic reconfigure parameters within this
## package, follow these steps:
## * In the file package.xml:
##  * add a build_depend and a exec_depend tag for "dynamic_reconfigure"
## * In this file (CMakeLists.txt):
##  * add "dynamic_reconfigure" to
##   find_package(catkin REQUIRED COMPONENTS ...)
##  * uncomment the "generate_dynamic_reconfigure_options" section below
##   and list every .cfg file to be processed


## Generate dynamic reconfigure parameters in the 'cfg' folder
# generate_dynamic_reconfigure_options(
#  cfg/DynReconf1.cfg
#  cfg/DynReconf2.cfg
# )


###################################
## catkin specific configuration ##
###################################
## The catkin_package macro generates cmake config files for your package
## Declare things to be passed to dependent projects
## INCLUDE_DIRS: uncomment this if your package contains header files
## LIBRARIES: libraries you create in this project that dependent projects also need
## CATKIN_DEPENDS: catkin_packages dependent projects also need
## DEPENDS: system dependencies of this project that dependent projects also need
catkin_package(
# INCLUDE_DIRS include
 CATKIN_DEPENDS roscpp  geometry_msgs
# DEPENDS system_lib
)


###########
## Build ##
###########


## Specify additional locations of header files
## Your package locations should be listed before other locations
include_directories(
# include
 ${OpenCV_INCLUDE_DIRS}
 ${catkin_INCLUDE_DIRS}
)




## Add cmake target dependencies of the library
## as an example, code may need to be generated before libraries
## either from message generation or dynamic reconfigure
# add_dependencies(${PROJECT_NAME} ${${PROJECT_NAME}_EXPORTED_TARGETS} ${catkin_EXPORTED_TARGETS})


## Declare a C++ executable
## With catkin_make all packages are built within a single CMake context
## The recommended prefix ensures that target names across packages don't collide






add_executable(opt2tum src/optitrackToTUM.cpp)
target_link_libraries(opt2tum ${catkin_LIBRARIES} ${OpenCV_LIBS})
 #add_dependencies(opt2tum ${PROJECT_NAME}_gencpp)

	

	4 SLAM軌跡評估

	使用EVO軌跡軌跡的詳細過程可參考博文：

	https://blog.csdn.net/xiaojinger_123/article/details/120136618

	

	例如，使用以下命令繪制SLAM算法軌跡軌跡與真實軌跡的對比圖。

	其中evo_ape用來計算絕對軌跡誤差，tum為所使用的數據格式，ourslam.txt為SLAM算法估計的軌跡，groundtruth.txt為3,2節獲取到的軌跡真值，-p表示繪制誤差曲線，-va表示詳細模式，且使用SE(3)對齊。

	
evo_ape tum ourslam.txt groundtruth.txt -p -va

	

	

	    責任編輯：彭菁