[ROS] 多传感器卡尔曼融合框架 Ethzasl MSF Framework 编译与使用

多传感器融合是机器人导航上面一个非常基本的问题，通常在一个稳定可用的机器人系统中，会使用视觉（RGB或RGBD）、激光、IMU、马盘等一系列传感器的数据来最终输出一个稳定和不易丢失的姿态。Ethzasl MSF Framework 是一个机器人上面的多传感器融合框架，它使用了扩展卡尔曼的原理对多传感器进行融合。同时内部使用了很多工程上的 trick 解决多传感器的刷新率同步等问题，API 封装也相对简单，非常适合新手使用。

0、系统环境：
Ubuntu 14.04.3
ROS indigo

1、新建 MSF 工作目录：
在命令行执行如下命令：

退出 src 目录到 PATH_TO_MSF 根目录下，编译生成 ROS 工程文件：

后面我们将这个新建的 MSF 路径称为 PATH_TO_MSF。

2、下载依赖库和 Ethzasl MSF Framework：
进入 PATH_TO_MSF/src 目录。

在此目录下载所有依赖库和 MSF 框架。

1）下载 glog：

2）下载 catkin_simple：

3）下载 asctec_mav_framework：

4）最后下载 Ethzasl MSF Framework 框架源代码：

3、编译 ROS 工程：
1）设置环境：
退出 src 目录，进入 PATH_TO_MSF 目录。在命令行中使用如下命令设置当前窗口的编译环境：

2）再次编译整个工程：

中间可能会出现很多 warning，不过最后如果能够 100% 完成 built target 就成功了。

4、运行例子： MSF Viconpos Sensor Framework（使用 ROS Bag）：
官方的例子使用了 Vicon 的设备进行 6ROF 的姿态估计，这个传感器很专业，但是我们一般没有。这里面我们使用官方提供的一个 bag 文件来进行模拟。

1）首先从 ros 网站下载 Vicon 的数据集：

这个数据包有 3.8 MB 左右，如果速度慢的可以下载我百度网盘的文件：
http://pan.baidu.com/s/1eShq7lg

我这里将其放置在 PATH_TO_MSF/data 目录下面。

2）修改 src/ethzasl_msf/msf_updates/viconpos_sensor_fix.yaml 文件：
将其中所有的：

替换为：

找到：

修改成：

3）修改 src/ethzasl_msf/msf_updates/launch/viconpos_sensor.launch 文件：
找到：

在这一行的前面加入两行 remap 操作，将传感器的 topic 与引擎的 topic 对应上：

找到：

在其之后添加（这一步是初始化卡尔曼滤波器的，非常重要）：

4）启动 ros 内核：
在一个窗口打开　roscore：

5）启动 MSF pose_sensor 节点：
快捷键 Ctrl + Alt + T 新建窗口，在 PATH_TO_MSF 目录下执行如下命令打开　pose_sensor 节点：

6）打开动态配置参数功能（可选）：
快捷键 Ctrl + Alt + T 新建窗口，执行如下命令打开动态配置功能：

可以看到如下窗口，在窗口中选中 msf_viconpos_sensor 下面菜单：

在菜单中即可动态设置参数。

7）播放 vicon 的 bag 文件：
快捷键 Ctrl + Alt + T 新建窗口，在 PATH_TO_MSF 目录下执行如下命令：

这一行命令是暂停并从第 25s 后开始播放 bag 文件，文档中说这是为了等待 MAV 硬件系统站稳并处于非观察模式（不理解）。

总之，如果你准备好运行了，就可以开始点击空格键进行数据播放了，播放的数据大约剩余 86s 左右。

切换到 MSF pose_sensor 节点的窗口，如果你看到输出类似如下的窗口，就是表示系统运行成功了：

5、数据模拟：
刚才跑成功了数据融合节点，但是并没有任何可视化的输出可以给我们看到。ethzasl msf 提供了一些脚本来进行数据模拟的功能，可以让我们更直观地看到结果。

1）修改 src/ethzasl_msf/msf_core/scripts/plot_relevant 文件：
找到：

修改成：

2）启动 plot_relevant 脚本：
快捷键 Ctrl + Alt + T 新建窗口，在 PATH_TO_MSF 目录下执行如下命令打开　plot_relevant 脚本：

另外也可以直接在命令行运行：

如果一切正常，即可看到如下曲线绘制，这样就表示成功运行起来了：

参考文献：
[1] http://wiki.ros.org/ethzasl_sensor_fusion/Tutorials/Introductory%20Tutorial%20for%20Multi-Sensor%20Fusion%20Framework