Ein Architekturdiagramm unserer Lösung ist in Abbildung 9 dargestellt. Wir haben zwei verschiedene Instanzen von EKF verwendet, eine für die globale und eine für die lokale Pose-Schätzung. Der lokale Posenschätzer ist dafür verantwortlich, eine Transformation zwischen einem festen Odom-Frame und dem AMR base_link durchzuführen. Er fungiert als Ersatz für die VSLAM-Odometrie. Er verwendet Sensordaten von der eingebauten IMU, den Raddrehgebern und der von VSLAM generierten visuellen Odometrie. Der Global Pose Estimator ist für die Transformation zwischen einem festen Kartenbild und dem festen Odometerbild verantwortlich. Dies ist ein Ersatz für die von VSLAM erzeugte globale Pose. Er verbraucht dieselben Daten wie der lokale Posenschätzer und die von VSLAM berechnete globale Pose.

Wir haben einige der wichtigsten Konfigurationen aufgelistet, die für die Architektur in Abbildung 10. Wir führen sowohl den lokalen als auch den globalen EKF-Knoten aus, wobei der two_d_mode auf True gesetzt ist, da wir mit einer AMR arbeiten. Für den Knoten zur lokalen Pose-Schätzung werden die IMU-Orientierung aus dem imu_filter-Knoten, die Geschwindigkeit aus der visuellen Odometrie von VSLAM und die Geschwindigkeit aus der Odometrie des Rad-Encoders fusioniert. Für den Knoten zur globalen Pose-Schätzung wird die von VSLAM gemeldete globale Position mit den Daten des Knotens zur lokalen Pose-Schätzung fusioniert. Der Knoten robot_localization ermöglicht es uns, diese mit dem Parameter sensorN_config zu spezifizieren. Die IMU wird mit dem Parameter sensorN_relative auf einen Gierwert von Null eingestellt. Für die lokale Pose-Schätzung wurde der world_frame auf odom_frame und für die globale Pose-Schätzung auf map_frame gesetzt. Wir haben die Frequenz des EKF-Vorhersagezyklus auf 10 Hz eingestellt, was auch der Frequenz unserer Datenquellen entspricht. Die EKF ist in der Lage, Geschwindigkeitsbefehle anzunehmen, indem der Parameter use_control auf True gesetzt wird. Außerdem legen wir eine Wartezeit von 0,1 und 0,2 Sekunden für das Eintreffen von Eingangs- und Sensordaten fest, bevor eine Vorhersage durchgeführt wird. Dies geschieht mit den Parametern control_timeout und sensor_timeout. Das Prozessrauschen ist hoch genug eingestellt, damit EKF den eingehenden Messungen etwas mehr Glauben schenkt als dem omnidirektionalen Bewegungsmodell. Bitte beachten Sie, dass die Kovarianz des Sensorrauschens technisch gesehen kein Parameter des robot_localization-Pakets ist. Wir erwähnen sie hier, da sie ein wichtiger Aspekt war, der zur Stabilisierung der EKF-Schätzung, insbesondere in Bezug auf die VSLAM-Odometrie, eingestellt werden musste.