robot_localization中的传感数据准备

开始state estimation nodes 之前需要确保传感数据已经准备完毕，传感数据类型繁多，建议用户在使用robot_localization之前阅读本教程

1. 遵循ROS规范

2. 坐标系与传感数据变换

2.1 Handling tf_prefix

3.传感器msg类型介绍

3.1 Odometry里程计

许多机器人平台具有编码器采集车轮转速，再通过转速估计位姿，当生成里程计信息时，注意下面的事项：

• Velocities/Poses: robot_localization可以整合速度和位姿型号，实际上最好的方式是：当里程计型号提供位姿和线速度，融合线速度。当里程计提供朝向和角速度，融合朝向。警告：当具有两种类型的朝向数据时，需要小心融合，当两个都产生精确的协方差矩阵时融合起来较为可靠。然而，当其中一个信息不全，则融合其中较为精确的测量。对于其他传感器，使用角速度融合朝向角，这时需要开启 _differential模式。

• frame_id: 见之前文章中关于坐标系和坐标变换的章节。

3.2 IMU

• Covariance:与里程计相似，确保协方差的正确。不要使用较大的协方差数字来忽略一个变量，而应该将变量设置为false.

• Acceleration: 小心使用加速度信息，要考虑重力加速度的作用，z轴应该 +9.81
  当翻转了90度，想相应朝向应该加上加速度。

3.3 PoseWithCovarianceStamped

见里程计章节

3.4 TwistWithCovarianceStamped

见里程计章节

4. 常见错误

• 输入数据不依照REP-103。确保所有值方向为正向，这个在IMU中最为重要。

• Inflated covariances协方差过大. 最好的忽略一个参数的方式是配odomN_config参数。

• Missing covariances. 当融合一个传感器到一个估计变量时，协方差(i.e., the covariance matrix value at position (i, i), where i is the index of that variable) 不应该是 0. 当协方差中出现0值，程序会加一个极小的数(1e-6) 最好的解决方式就是合理配置协方差。