TX2+cartographer+2D+IMU室内实测

配置算法遇到的几个参数

首先记下几个踩到的坑，其实就是调节参数来适应TX2处理器和2D激光雷达的过程。谷歌开源的算法可以在2D（IMU可选），3D+IMU进行使用，对于处理器来说，墙外看见了TX1实现，我们在TX2和Intel NUC（i7）都进行了实现，考虑到TX2后期可以进行基于学习方法的视觉处理，所以主要调试均在TX2上完成。
接下来说一下几个参数：

1. 雷达的探测范围（trajectory_builder_nD.min(max)_range） 这个参数就根据雷达的性能设置，来保证建图满足要求。
2. 范围数据的积累数量（num_accumulated_range_data） 我对算法处理的数据类型是一个经过处理的scan，举个例子，比如这个数字给了5，那么算法将5次的raw scan进行处理成1个没有扭曲的，更加合适的scan发送到下一个节点。也有一种情况就是两个雷达上下放置，这样一次就有2个raw scan，理所应当设置为2。对于3D雷达同理，不过数据类型和2D稍有不同，官网中有详细介绍。数字越小，raw scan利用率越高，但是未必是好事；数字越大，可能导致scan信息不够，影响建图。官网文档中“the more often cartographer gets measurements, the better it becomes at unwarping the measurements to assemble a single coherent scan.”。
3. Ceres scan matcher 谷歌的ceres算法库（具体原理不多说），最大迭代次数和线程数要进行设置。理论上说这个迭代次数越大越精准，不过这里设置的是最大迭代次数，而不是每次迭代次数，所以自认为给大点没啥关系。线程数就按照cpu的核数给，tx2的性能模式有6个核，我设置了6。
4. real time correlative scan matcher 算法中的另一种scan matcher，和3中的算法区别可以阅读官网教程。其中use online项我设置成了true。

室内测试

飞机装配好了之后，更改地面站的position获取方式，将GPS去掉，换为Vision position + optical flow。实验过程中记录了雷达的定位（NED）信息，飞控中给出的自己local position和velocity（NED）。
Laser local position

UAV local position recorded by px4

UAV velocity_body recorded by px4

UAV位置和slam解算的雷达位置

本以为这样的结果可以测一下室内的position飞行，首先在室外测试了一个position环的控制是否正常。飞机在悬停时出现规律晃动和抖动，初步分析是因为飞控的底层参数都是用的默认值。接下来的室内测试三次全都翻车了。初步分析是飞控内环没有调节稳定。接下来准备在手动模式下对飞控内环参数进行调优，再进行室内position飞行。
贴出部分室内失败飞行的log分析日志。
室内失败飞行的log分析日志