前言

来了，来了，它来了，小沐线下调车笔记第二弹，有没有想我呢~
这次和学弟调车真的是痛苦嗷~之前的文章我还说本来我并不打算帮学弟调试实体车的（打脸~~~~），可是我们的小车车的运行效果多少有点不尽人意。不得不说，智能车比赛的魅力真的是无限大，我是真顶不住心里的瘾虫，于是陪着学弟优化了一波，真是不优化不知道，这次的车的问题多少有点不一样。

正文

可能是我之前都是拿minipc做上位机的原因吧，我总是把参数调的很大，nano和minipc的算力多少是有点不一样的，于是nano的算力总是跟不上，就会警告，如下

遇到这个就是说明参数调的太离谱了，nano的性能搞不定了，可以尝试降低代价地图costmap，move_base中的导航相对应的参数。
值得一体的是，我们在解决这个问题的时候，我的学弟发现一个现象就是注释掉规划器，这个算力的问题就不会报了，然后车可以继续导航，很神奇……
不过各位小伙伴这种方法是不对的嗷~你把规划器注释了，你就是在凭感觉裸奔啊，一不留神就车毁人亡了，我们测试的时候就起飞了好几次，这里能跑，初步估计是movebase根据特定的参数跟踪的，不具备完整的导航功能，所以遇到问题千万不要采取这种方式解决。
不知道大家都使用的什么局部规划器，所以我决定给大家科普一下必须用到的costmap_common_params，经过测试这个文件的参数对比赛还是至关重要的。
给出如下参数（具体参数可通过查阅roswiki）


robot_radius: 0.2

obstacle_layer:
  enabled: true
  combination_method: 1
  track_unknown_space: true
  obstacle_range: 2.5
  raytrace_range: 3.0
  observation_sources: laser_scan_sensor
  laser_scan_sensor: {
    sensor_frame: /robot0_laser_0,
    data_type: LaserScan,
    topic: /robot0/laser_0,
    marking: true,
    clearing: true
  }

inflation_layer:
  enabled: true
  cost_scaling_factor: 5.0
  inflation_radius: 0.36

static_layer:
  enabled: true

robot_radius是用来设置机器人的半径，单位是米，根据自己机器人模型进行选择填写，如果机器人是圆形，直接填写机器人半径即可，如果不是圆形，就需要使用footprint这个参数对机器人的边界进行勾勒，我们设置机器人的中心为[0,0]，这里放一个图方便大家理解。

下面介绍一些参数：
robot_radius这个参数其实是很重要的。系统学习过ros的导航功能包的同学都知道这个参数的作用，我们的机器人导航时，是以这个参数为标准，在栅格地图中判断机器人机体是否会与障碍物发生碰撞，然后决定导航路线是否可以进行的。由于这个参数是我们自己定的，所以在某些特殊的条件下，我们可以把将其设置的小于车的本体，这样虽然有碰撞的危险，但是大大提升了机器人的灵活性。
obstacle_layer是配置障碍物图层。该图层是否启用决定了机器人是否可以躲避导航路径的障碍物，有很多同学发问机器人不能够躲避障碍，极大地可能就是没有启用该层。（ps：也有可能是局部路径参数有问题）参数enabled：是否启用该层；combination_method:只能设置为0或1，用来更新地图上的代价值，一般设置为1;obstacle_range:设置机器人检测障碍物的最大范围；raytrace_range:在机器人移动过程中，实时清除代价地图上的障碍物的最大范围，更新可自由移动的空间数据。observation_sources:设置导航中所使用的传感器，具体传感器不具体解释了。
inflation_layer:膨胀层，用于在障碍物外标记一层危险区域，在路径规划时需要避开该危险区域。cost_scaling_factor:膨胀过程中应用到代价值的比例因子，值得一提的是增大比例因子反而会降低代价，为了让大家记忆深刻，这里不具体介绍其原理，请大家动动小手自行百度其原理。inflation_radius:膨胀半径，如果机器人经常撞到障碍物就需要增大该值，若经常无法通过狭窄地方就减小该值。
Static_layer:静态地图层，即SLAM中构建的地图层
这里就要有同学问了，膨胀层是怎么个运行模式哩，一张图片告诉大家：

结合栅格地图的原理，一看便知，嗯，应该足够简单粗暴了。

关于二维码

这里我们没有用什么特殊的，我是在终端直接安装的ros的二进制功能包，识别效果还不错，毕竟也没有用到什么特别高超的技术。

关于识别人物

关于识别有很多方案，常用的三个深度学习框架有tensorflow、yolo、Caffe三个，我们是cafee用的不多，常用tensorflow和yolo，令人足够兴奋的的是ros支持这两种学习框架，并且能够达到良好的效果，但是本次的识别任务并不是笔者本人在做，又因为比赛所以就不过多的分析这两个方案了。
但是识别这里有一个相对的难点我想提一下，小车的摄像头其实分辨率并不高，所以离识别人物模型比较远的话，小车摄像头糊糊一片，什么特征点在这个像素之下都没了。对此有个不太成熟的方案，我们可以先用摄像头得到对障碍物的距离，然后让小车跟进障碍物然后再识别，不过这个方案对于编程要求有一些要求，而且如果运气不好，还要识别两个，就需要进入c区之后就要先识别有几个人物，然后再分别进行跟进，时间会有一些浪费，不过识别一个人物减少30s，多少有一些诱人啊……

有一个调参利器

Todesk，一个远程控制软件，它支持linux系统，相对向日葵来说速度更快（个人觉得，还免费，白嫖啊兄弟们！），然后本次的小车cpu架构也是支持的，不知道大家经过网络优化之后摄像头传来的图像怎么样，反正我是巨卡，本来想着配置vnc，但是有个大佬说这个可以用，由于个人比较懒，恰好自己还是这个软件的使用者知道这个东西配置简单，所以我就替大家试了试，经过测试，效果不错，虽然摄像头有一丢丢延迟（比起ppt，好太多了），但是问题不大，效果可以说是很棒了，而且这个远程主要还是看网速，所以这个延迟可能是因为网速的原因，我们实验室一堆人……而且因为是远程控制桌面，所以可以直接修改参数，方便快捷，和vnc是一样的，个人使用不错，故在此推荐给大家，让大家免受不停拔显示器的痛苦~放个图标，方便大家找（ps：百度搜索即可）。

结语

这次的分享暂时先到这里了，马上就要比赛了，希望大家都能有一个好成绩，等比赛结束后，我会从头到尾刨析我们的工程。另外准备更新自己的一个学习笔记系列，比赛完之后就开始上了，希望各位大佬多多关照。笔者能力有限，如有错误还请评论，如果大家有什么好的想法但是没时间做，可以评论留言，我可以帮大家复现复现，最后祝各位同学比赛旗开得胜！！！