仿射变换 仿射变换仿射变换也称仿射投影，是指几何中，对一个向量空间进行线性变换并接上一个平移，变换为另一个向量空间。所以，仿射变换其实也就是再讲如何来进行两个向量空间的变换假设有一个向量空间kk=(x,y)还有一个向量空间jj=(x′,y′)想要将向量空间由k变为j ，可以通过下面的公式进行变换j=k∗w+b上式进行拆分可得$$ x^′=w_{00}∗x+w_{01}∗y+b_0 $$$$ y^′=w_{10}∗x+w_{11}∗y+b1 $$将上式转换为矩阵的乘法通过参数矩阵w就可以实现两个向量空间之间的转换，在进行仿射变换的时候我们也只需要一个矩阵w就可以实现平移、缩放、旋转和翻转变换。平移在平面坐标系有点P(x,y)和点P'(x',y')，如果我们想要将P点移动到P'通过下面的变换就可以实现x′=x+Δx y′=y+ΔyΔx和Δy就是x方向上和y方向上的偏移量，我们将其转换为矩阵的形式翻转有时候我们我们需要对图像进行水平翻转、垂直翻转、镜像翻转(同时进行水平和垂直翻转)，想要实现这个功能并不难上图中的 A、B、C、D表示图像的四个顶点，如果我们需要对图像进行水平翻转，那么我们就需要将A点和B点进行交换，C点和D点进行交换，沿着x轴的中线进行对称交换位置，通过下面的式子可以实现水平翻转x′ = −x+w上式中的w表示图像的宽，同理可得垂直翻转的实现公式y′ = −y+h上式中的h表示的是图像的高缩放如果我们想要对坐标系的P PP点进行缩放操作，通过下面的公式就可以实现x′ = fx ∗ x y ′= fy ∗ y 通过，在x和y前面添加一个缩放系数即可，同样我们将其转换为矩阵形式旋转围绕原点旋转上图中点v在围绕原点旋转θ 度之后得到了点v′,我们将坐标点用极坐标的形式来表示可以得到v(rcosϕ,rsinϕ)，所以v′(r cos(θ+ϕ) , r sin(θ+ϕ)) 利用正弦和余弦将其展开可得对于v点来说： x=rcosϕ y=rsinϕ 对于v′来说： x′=rcos(θ+ϕ) =rcosθ∗cosϕ−rsinθ∗sinϕ y′=rsin(θ+ϕ) =rsinθ∗cosϕ+rcosθ∗sinϕ 然后再将x和y代入上式，可得 x′=x∗cosθ−y∗sinθ y′=x∗sinθ+y∗cosθ再将上式用矩阵M MM表示，可得特别注意：我们在建立直角坐标系的时候是以左下角为原点建立的，然而对于图像而言是以左上角为原点建立的，所以我们需要对角度θ进行取反，结合三角函数的特性，M矩阵的表达式如下围绕任意点旋转如果我们想围绕任意坐标点旋转呢？其实也并不难，下图的v点在围绕c点(a,b)旋转90度得到v'。其实我们可以将其等价于，先将v vv点平移到v1点，然后再将v1点围绕原点旋转90度得到v2点,最后再将v2点沿着v vv点平移的反方向平移相同长度，最终得到v'。这样我们就将围绕任意坐标点旋转的问题转换成了围绕原点旋转的问题在围绕原点旋转变换公式的基础上，我们将其改进为围绕任意点c(a,b)旋转，我们现在原来的坐标进行平移，得到变换后的坐标，最后再沿着之前平移的反方向进行平移，就得到围绕任意点旋转的变换公式：x′=(x−a)∗cosθ−(y−b)∗sinθ+a y′=(x−a)∗sinθ+(y−b)∗cosθ+b其展开可得x′=x∗cosθ−y∗sinθ+(1−cosθ)∗a+b∗sinθ y′=x∗sinθ+y∗cosθ+(1−cosθ)∗b−a∗sinθ 上式中的c(a,b)表示旋转中心，因为坐标系问题需要对θ \thetaθ进行取反，最终M MM矩阵的表达式如下

最小二乘法（least sqaure method） 最小二乘正交对于平面几何中的直线和向量来说，正交又称为垂直。 直线之间的垂直是指两条直线夹角为90°，其中一条直线在另一条直线上的投影为0。 最小二乘法的原理与要解决的问题最小二乘法是由勒让德在19世纪发现的，形式如下式：$$ 标函数 = \sum（观测值-理论值）^2\\ $$观测值就是我们的多组样本，理论值就是我们的假设拟合函数。目标函数也就是在机器学习中常说的损失函数，我们的目标是得到使目标函数最小化时候的拟合函数的模型。举一个最简单的线性回归的简单例子，比如我们有$m$ 个只有一个特征的样本：$(x_i, y_i)(i=1, 2, 3...,m)$样本采用一般的$h_{\theta}(x)$ 为$n$ 次的多项式拟合，$h_{\theta}(x)=\theta_0+\theta_1x+\theta_2x^2+...\theta_nx^n,\theta(\theta_0,\theta_1,\theta_2,...,\theta_n)$ 为参数最小二乘法就是要找到一组$\theta(\theta_0,\theta_1,\theta_2,...,\theta_n)$ 使得$\sum_{i=1}^n(h_{\theta}(x_i)-y_i)^2$ (残差平方和) 最小，即，求$min\sum_{i=1}^n(h_{\theta}(x_i)-y_i)^2$勒让德在原文中提到：使误差平方和达到最小，在各方程的误差之间建立了一种平衡，从而防止了某一极端误差取得支配地位，而这有助于揭示系统的更接近真实的状态。至于说为什么最佳准则就是误差平方而不是其它的，当时是没有给出解释的，直到后来高斯建立了正态误差分析理论才成功回答了该问题。误差分析理论其实说到底就一个结论：观察值的误差服从标准正态分布，即$ϵ ∈ N ( 0 , σ^2 ) $。这个结论现在在我们看来是理所当然的，因为它实在太符合直觉了，观测值距离理论值有时大有时小，当观测样本多起来后，根据大数定理，这些样本的误差就一定会服从正态分布！那么如何根据这个结论推导出最小二乘法呢？我们先暂时忘记什么是最小二乘法，重新审视一下这个问题：我们观测得到了一组样本，我们想通过这组样本去估计出模型的参数。我们假设真实的模型参数为 $ \theta $，模型的真实输出为$ f_{\theta}(x_i) $， 由于各种问题，我们观测到的样本$ y_{i}$距离真实值都是存在误差的，这个误差项记为ϵ \epsilonϵ。那么根据高斯误差分析的结论，误差项$ ϵ$应当满足$ ϵ ∈ N ( 0 , σ^2 )$ ，则每个观测样本$y_i $应该有：$y_i ∈ N ( f_θ ( x_i ) , σ^2 ) $，即观察到的样本 $y_{i}$是由理论值（模型的真实输出）$f_{\theta}(x_i)$叠加上高斯噪声 $ \epsilon$得到的，这个不难理解。从概率统计的视角，我们把观测样本看作随机变量，其中随机变量$y_{i}$符合概率分布：$y_{i} \in N\left(f_{\theta}(x_i), \sigma^{2}\right) $，目前已经给定了一批样本，那么我如何去估计出模型的参数呢？没错，极大似然估计!推导极大似然估计的思想总结来说就是，最大化当前这个样本集发生的概率，专业点说就是最大化似然函数(likelihood function)，而似然函数就是样本的联合概率。由于我们通常都会假设样本是相互独立的，因此联合概率就等于每个样本发生的概率乘积。在这个问题中，每个样本 $y_{i}$发生概率：​ 则似然函数：​ 一般来说，我们会对似然函数取$log$以将连乘变成累加，主要有两个目的：防止溢出和方便求导，则有：2π去掉不包含 $ \theta$ 的常数项，以及系数，则$ \arg \max _{\theta} J(\theta) \Leftrightarrow \arg \min _{\theta} \sum_{i=1}^{m}\left(y_{i}-f_{\theta}(x_i)\right)^{2}$即极大化似然函数等价于极小化最小二乘法的代价函数，这也表明了以误差平方和作为最佳拟合准则的合理性。因此我们可以这样说，最小二乘法其实就是误差满足正态分布的极大似然估计！最小二乘法的矩阵法解法最小二乘法的代数法解法就是对θi$\theta_i$ 求偏导数，令偏导数为0，再解方程组，得到θi$\theta_i$ 。矩阵法比代数法要简洁，下面主要讲解下矩阵法解法，这里用多元线性回归例子来描：假设函数$h_{\theta}(x_1,x_2,...x_n)=\theta_0+\theta_1x_1+...+\theta_nx_n$ 的矩阵表达方式为：$$ h_{\theta}(\mathbf{x})=\mathbf{X}\theta\\ $$其中， 假设函数$h_{\theta}(\mathbf{x})=\mathbf{X}\theta$ 为$m\times1$ 的向量,$\theta$ 为$n\times1$ 的向量，里面有n 个代数法的模型参数。$X$ 为$m\times n$ 维的矩阵。$m$ 代表样本的个数，$n$ 代表样本的特征数。损失函数定义为$J(\theta)=\frac{1}{2}(\mathbf{X}\theta-\mathbf{Y})^T(\mathbf{X}\theta-\mathbf{Y})$ ，其中$\mathbf{Y}$ 是样本的输出向量，维度为$m\times 1$ 。$\frac{1}{2}$ 在这主要是为了求导后系数为1，方便计算。根据最小二乘法的原理，我们要对这个损失函数对$\theta$ 向量求导取0。结果如下式：$$ \frac{\partial }{\partial \theta}J(\theta)=\mathbf{X}^T(\mathbf{X}\theta-\mathbf{Y})=0\\ $$对上述求导等式整理后可得：$$ \theta=(\mathbf{X}^T\mathbf{X})^{-1}\mathbf{X}^T\mathbf{Y}\\ $$最小二乘法的几何解释先说结论：最小二乘法的几何意义是高维空间中的一个向量在低维子空间的投影。考虑这样一个简单的问题，求解二元一次方程组：$$ \left\{\begin{matrix} x_1+x_2=3\leftarrow a\\ -x_1+x_2=1\leftarrow b \end{matrix}\right.\\ $$方程组的解也就是直线$a$与$b$的交点，并且很容易算出，$x_1=1，x_2=2$ .它的矩形形式：$$ \begin{bmatrix}1\\ -1\end{bmatrix}\times x_1+\begin{bmatrix}1\\ 1\end{bmatrix}\times x_2=b\Leftrightarrow a_1\times x_1+a_2\times x_2=b\\ $$表示$x_1$ 倍的向量$a_1$ 加上$x_2$ 倍的向量$a_2$ 等于向量$b$ 。或者说，$b$ 是向量$a_1$ 与$a_2$ 的线性组合。可以看到，1倍的$a_1$ 加上2倍的$a_2$ 既是$b$ ，而1和2正是我们的解。而最小二乘所面临的问题远不止两个点，拿三个点来说吧。（0,2）,（1,2）,（2,3）假设我们要找到一条直线$y=kx+b$ 穿过这三个点（虽然不可能），为表述方便，用$x_1$ 代替$k$ ，$x_2$ 代替$b$ ：$$ \left\{\begin{matrix}1\times k +b=2\\ 0\times k +b=2\\ 2\times k +b=3\end{matrix}\right.\Leftrightarrow \left\{\begin{matrix}1\times x_1 +x_2=2\\ 0\times x_1 +x_2=2\\ 2\times x_1 +x_2=3\end{matrix}\right.\Leftrightarrow \begin{bmatrix}1 &1 \\ 0 &1 \\ 2 &1 \end{bmatrix}\begin{bmatrix} x_1\\ x_2\end{bmatrix}=\begin{bmatrix}2\\ 2\\ 3\end{bmatrix}\Leftrightarrow A\times x=b\\ $$进一步的：$$ \begin{bmatrix}1\\ 0\\ 2\end{bmatrix}\times x_1+\begin{bmatrix}1\\ 1\\ 1 \end{bmatrix}\times x_2=\begin{bmatrix}2\\2\\3\end{bmatrix}\Leftrightarrow a_1\times x_1 + a_2\times x_2=b\\ $$向量$b$ 是向量$a_1$ 与$a_2$ 的线性表示。用图形表示：作图之后，我们惊讶的发现，无论我们怎样更改$a_1$ 和$a_2$ 的系数都不可能得到b，因为$a_1$ 与$a_2$ 的线性组合成的向量只能落在它们组成的子空间S里面，也就是说，向量$b$ 不在平面$S$ 上，虽然我们找不到这样的向量，但在$S$ 上找一个比较接近的可以吧。很自然的想法就是将向量$b$ 投影在平面$S$ 上，投影在$S$ 上的向量$P$ 就是$b$ 的近似向量，并且方程$A\hat{x}=P$ $是有解的。这个误差最小的时候就是$e$ 正交与平面$S$ ，也正交与$S$ 中的向量，$a_1，a_2$ （矩阵$A$ 的列向量），即点乘为0，$a_1^Te=0$ ，$a_2^Te=0$ 矩阵表示：$$ A^Te=0\\ $$$$ A^T(b-A\hat{x})=0\\ $$$$ A^TA\hat{x}=A^Tb\\ $$所以，我们可以得出，它的几何意义就是高维空间中的一个向量在低维子空间上的投影。最小二乘法的局限性和适用场景从上面可以看出，最小二乘法适用简洁高效，比梯度下降这样的迭代法似乎方便很多。但是这里我们就聊聊最小二乘法的局限性。首先，最小二乘法需要计算$X^TX$ 的逆矩阵，有可能它的逆矩阵不存在，这样就没有办法直接用最小二乘法了，此时梯度下降法仍然可以使用。当然，我们可以通过对样本数据进行整理，去掉冗余特征。让$X^TX$ 的行列式不为0，然后继续使用最小二乘法。第二，当样本特征$n$ 非常的大的时候，计算$X^TX$ 的逆矩阵是一个非常耗时的工作（$n\times n$ 的矩阵求逆），甚至不可行。此时以梯度下降为代表的迭代法仍然可以使用。那这个$n$ 到底多大就不适合最小二乘法呢？如果你没有很多的分布式大数据计算资源，建议超过10000个特征就用迭代法吧。或者通过主成分分析降低特征的维度后再用最小二乘法。第三，如果拟合函数不是线性的，这时无法使用最小二乘法，需要通过一些技巧转化为线性才能使用，此时梯度下降仍然可以用。参考最小二乘法（least sqaure method） - 知乎 (zhihu.com)一文让你彻底搞懂最小二乘法（超详细推导）_最小二乘法推导_胤风的博客-CSDN博客最小二乘法的原理理解_最小二乘法原理_胤风的博客-CSDN博客

hector算法核心代码注释 回调函数hector_mapping/src/HectorMappingRos.cpp 235 linevoid HectorMappingRos::scanCallback(const sensor_msgs::LaserScan& scan) { //如果暂停扫描，则返回 if (pause_scan_processing_) { return; } if (hectorDrawings) { hectorDrawings->setTime(scan.header.stamp); } ros::WallTime start_time = ros::WallTime::now(); if (!p_use_tf_scan_transformation_) { // If we are not using the tf tree to find the transform between the base frame and laser frame, // then just convert the laser scan to our data container and process the update based on our last // pose estimate //如果不使用基座标与雷达坐标变换 //只将雷达扫描信息转好到我们的数据目录并且不断加载基于最新位姿预测的更新 this->rosLaserScanToDataContainer(scan, laserScanContainer, slamProcessor->getScaleToMap()); slamProcessor->update(laserScanContainer, slamProcessor->getLastScanMatchPose()); } else { //如果使用基座标与雷达坐标转换，开始进行坐标变换 const ros::Duration dur(0.5); //定义了一个持续时间 dur=0.5s tf::StampedTransform laser_transform; //定义位姿变换 laser_transform if (tf_.waitForTransform(p_base_frame_, scan.header.frame_id, scan.header.stamp, dur)) //等待 dur=0.5 时间内，判断是否将 base_frame 转换到 laser_transform { tf_.lookupTransform(p_base_frame_, scan.header.frame_id, scan.header.stamp, laser_transform); } else { //超时无法找到坐标变换 ROS_INFO("lookupTransform %s to %s timed out. Could not transform laser scan into base_frame.", p_base_frame_.c_str(), scan.header.frame_id.c_str()); return; } //将 雷达数据 转换到 laser_point_cloud projector_.projectLaser(scan, laser_point_cloud_, 30.0); //如果有任何人订阅这个点云，就将点云数据话题进行发布 if (scan_point_cloud_publisher_.getNumSubscribers() > 0) { scan_point_cloud_publisher_.publish(laser_point_cloud_); } // Convert the point cloud to our data container //将 转换的点云数据 laser_point_cloud 抓换到我们需要的点云 this->rosPointCloudToDataContainer(laser_point_cloud_, laser_transform, laserScanContainer, slamProcessor->getScaleToMap()); // Now let's choose the initial pose estimate for our slam process update //为slam建图更新选择初始位姿预测点 Eigen::Vector3f start_estimate(Eigen::Vector3f::Zero()); if (initial_pose_set_) //如果使用者有设定的初始位姿 { // User has requested a pose reset initial_pose_set_ = false; start_estimate = initial_pose_; } else if (p_use_tf_pose_start_estimate_) { // Initial pose estimate comes from the tf tree //从 tf 树中选取初始预测位姿 // try { // 逻辑代码块1; // } catch(ExceptionType e) { // 处理代码块1; // } try { tf::StampedTransform stamped_pose; //在 dur=0.5s 等待和检查坐标变换 tf_.waitForTransform(p_map_frame_, p_base_frame_, scan.header.stamp, ros::Duration(0.5)); tf_.lookupTransform(p_map_frame_, p_base_frame_, scan.header.stamp, stamped_pose); // const double yaw = tf::getYaw(stamped_pose.getRotation()); //获得初始位姿预测值，包含x、y start_estimate = Eigen::Vector3f(stamped_pose.getOrigin().getX(), stamped_pose.getOrigin().getY(), yaw); } catch(tf::TransformException e) //如果获取位姿出错，将 最新的扫描匹配的位姿 lastScanMatchPose 赋值给 预测位姿 { ROS_ERROR("Transform from %s to %s failed\n", p_map_frame_.c_str(), p_base_frame_.c_str()); start_estimate = slamProcessor->getLastScanMatchPose(); } } else { // If none of the above, the initial pose is simply the last estimated pose //如果上述都没有，初始位姿就是最后预测位姿 start_estimate = slamProcessor->getLastScanMatchPose(); } // If "p_map_with_known_poses_" is enabled, we assume that start_estimate is precise and doesn't need to be refined //如果 p_map_with_known_poses_ 是1，就认为初始位姿预测是精确的，不需要再重新定义 if (p_map_with_known_poses_) { //开始对雷达扫描进行更新 slamProcessor->update(laserScanContainer, start_estimate, true); } else { slamProcessor->update(laserScanContainer, start_estimate); } } // If the debug flag "p_timing_output_" is enabled, print how long this last iteration took //如果 p_timing_output_ 是 1 ，输出最后一次迭代完成使用多长时间 if (p_timing_output_) { ros::WallDuration duration = ros::WallTime::now() - start_time; //输出迭代花费多少 ms ROS_INFO("HectorSLAM Iter took: %f milliseconds", duration.toSec()*1000.0f ); } // If we're just building a map with known poses, we're finished now. Code below this point publishes the localization results. //如果是已经知道位姿的情况构造地图，此时已经完成。下列代码发布定位的最终结果 if (p_map_with_known_poses_) //如果已知位姿，则返回 { return; } //slam加载函数 //获取到最新的扫描匹配位姿 带协方差的位姿 poseInfoContainer_.update(slamProcessor->getLastScanMatchPose(), slamProcessor->getLastScanMatchCovariance(), scan.header.stamp, p_map_frame_); // Publish pose with and without covariances //发布不带协方差的位姿 poseUpdatePublisher_.publish(poseInfoContainer_.getPoseWithCovarianceStamped()); posePublisher_.publish(poseInfoContainer_.getPoseStamped()); // Publish odometry if enabled //如果存在里程计，发布里程计 if(p_pub_odometry_) { nav_msgs::Odometry tmp; //定义里程计为 tmp ，获取里程计的 pose 和 header tmp.pose = poseInfoContainer_.getPoseWithCovarianceStamped().pose; tmp.header = poseInfoContainer_.getPoseWithCovarianceStamped().header; tmp.child_frame_id = p_base_frame_; //发布里程计 odometryPublisher_.publish(tmp); } // Publish the map->odom transform if enabled //如果使能，发布map -> odom 的坐标变换 if (p_pub_map_odom_transform_) { tf::StampedTransform odom_to_base; try { //对 odom 和 base_frame 进行坐标变换 tf_.waitForTransform(p_odom_frame_, p_base_frame_, scan.header.stamp, ros::Duration(0.5)); tf_.lookupTransform(p_odom_frame_, p_base_frame_, scan.header.stamp, odom_to_base); } catch(tf::TransformException e) { ROS_ERROR("Transform failed during publishing of map_odom transform: %s",e.what()); odom_to_base.setIdentity(); } //获取map 与 odom坐标变换 map_to_odom_ = tf::Transform(poseInfoContainer_.getTfTransform() * odom_to_base.inverse()); tfB_->sendTransform( tf::StampedTransform (map_to_odom_, scan.header.stamp, p_map_frame_, p_odom_frame_)); } // Publish the transform from map to estimated pose (if enabled) //如果使能，发布预测位姿与map的坐标变换 if (p_pub_map_scanmatch_transform_) { tfB_->sendTransform( tf::StampedTransform(poseInfoContainer_.getTfTransform(), scan.header.stamp, p_map_frame_, p_tf_map_scanmatch_transform_frame_name_)); } }

双线性插值原理 单线性插值已知中P1点和P2点，坐标分别为(x1, y1)、(x2, y2)，要计算 [x1, x2] 区间内某一位置 x 在直线上的y值根据初中的知识，2点求一条直线公式(这是双线性插值所需要的唯一的基础公式)经过简单整理成下面的格式：这里没有写成经典的AX+B的形式，因为这种形式从权重的角度更好理解。首先看分子，分子可以看成x与x1和x2的距离作为权重，这也是很好理解的，P点与P1、P2点符合线性变化关系，所以P离P1近就更接近P1，反之则更接近P2。现在再把公式中的分式看成一个整体，原式可以理解成y1与y2是加权系数，如何理解这个加权，要返回来思考一下，咱们先要明确一下根本的目的：咱们现在不是在求一个公式，而是在图像中根据2个点的像素值求未知点的像素值。这样一个公式是不满足咱们写代码的要求的。现在根据实际的目的理解，就很好理解这个加权了，y1与y2分别代表原图像中的像素值，上面的公式可以写成如下形式：双线性插值已知Q11(x1,y1)、Q12(x1,y2)、Q21(x2,y1)、Q22(x2,y2)，求其中点P(x,y)的值。前面介绍过双线性插值是分别在两个方向计算了共3次单线性插值，如图所示，先在x方向求2次单线性插值，获得R1(x, y1)、R2(x, y2)两个临时点，再在y方向计算1次单线性插值得出P(x, y)（实际上调换2次轴的方向先y后x也是一样的结果）。1.x方向单线性插值 直接带入前一步单线性插值最后的公式2.y方向单线性插值将第一步结果带入第二步回顾一下上面双线性插值对应关系的图，不难发现，在计算中有这样的关系：那么上面的公式中的分母全都为1，如下：在有些资料中，会写成权重的形式，上面的展开式是下面的权重表达式的正确求法

hector算法基本信息 硬件要求hector_mapping是基于激光雷达的SLAM的节点，不需要里程计信息，适用于运算能力差的计算机。该算法使用TF对scan数据进行坐标变换，所以雷达不必与指定的基帧相关进行固定，也不需要里程计。APIhector_mapping订阅的话题scan (sensor_msgs/LaserScan)雷达scan的数据用于SLAMsyscommand (std_msgs/String)系统命令. 如果字符串等于“重置”，则地图和机器人姿势将重置为其初始状态。发布的话题map_metadata (nav_msgs/MapMetaData)定时的从话题中得到已经被锁存的地图数据map (nav_msgs/OccupancyGrid)定时的从话题中得到已经被锁存的地图数据slam_out_pose (geometry_msgs/PoseStamped)忽略协方差情况下的机器人位姿预测poseupdate (geometry_msgs/PoseWithCovarianceStamped)高斯估计下的机器人位姿预测服务dynamic_map (nav_msgs/GetMap)调用此服务以获取地图数据reset_map (std_srvs/Trigger)调用此服务重置地图，hector将从头开始一个全新的地图。请注意，这不会重新启动机器人的姿势，它将从上次录制的姿势重新启动。pause_mapping (std_srvs/SetBool)调用此服务以停止/开始处理激光扫描restart_mapping_with_new_pose (hector_mapping/ResetMapping)调用此服务以重置地图、机器人的姿势和恢复地图（如果暂停）参数~base_frame (string, default: base_link)T机器人基架的名称，用于定位和转换激光扫描数据的框架 ~map_frame (string, default: map_link)地图框的名称 ~odom_frame (string, default: odom)里程计框架的名称~map_resolution (double, default: 0.025)地图分辨率 [m]。这是格网像元边的长度~map_size (int, default: 1024)地图的大小 [每个轴的单元格数]。地图为正方形，并具有（map_size * map_size）格网单元格~map_start_x (double, default: 0.5)x 轴上 /map 框的原点 [0.0， 1.0] 相对于格网地图的位置。0.5 在中间~map_start_y (double, default: 0.5)y 轴上 /map 框的原点 [0.0， 1.0] 相对于格网地图的位置。0.5 在中间。~map_update_distance_thresh (double, default: 0.4)执行地图更新的阈值 [m]。在地图更新发生之前，平台必须以米为单位行驶这么远，否则会经历自上次更新以来map_update_angle_thresh参数所描述的角度变化~map_update_angle_thresh (double, default: 0.9)执行地图更新的阈值 [rad]。在地图更新发生之前，平台必须经历自上次更新以来map_update_distance_thresh参数指定的角度变化，如此行程参数所描述的~map_pub_period (double, default: 2.0)地图发布周期 [s]~map_multi_res_levels (int, default: 3)地图多分辨率格网级别的数量~update_factor_free (double, default: 0.4)用于更新范围 [0.0， 1.0] 中的自由单元格的地图更新修饰符。值为 0.5 表示没有变化~update_factor_occupied (double, default: 0.9)地图更新修饰符，用于更新 [0.0， 1.0] 范围内的占用单元格。值为 0.5 表示没有变化~laser_min_dist (double, default: 0.4)系统要使用的激光扫描端点的最小距离 [m]。小于此值的扫描端点将被忽略~laser_max_dist (double, default: 30.0)系统要使用的激光扫描端点的最大距离 [m]。将忽略比此值更远的扫描端点~laser_z_min_value (double, default: -1.0)系统要使用的激光扫描端点相对于激光扫描器框架的最小高度 [m]。低于此值的扫描端点将被忽略~laser_z_max_value (double, default: 1.0)系统要使用的激光扫描端点相对于激光扫描器框架的最大高度 [m]。高于此值的扫描端点将被忽略~pub_map_odom_transform (bool, default: true)确定系统是否应发布地图>odom 变换。~output_timing (bool, default: false)输出定时信息，用于通过ROS_INFO处理每次激光扫描~scan_subscriber_queue_size (int, default: 5)扫描订阅者的队列大小。如果日志文件以比实时速度更快的速度播放到hector_mapping，则应将其设置为较高的值（例如 50）~pub_map_scanmatch_transform (bool, default: true)确定是否应将要映射转换的扫描匹配器发布到 tf。帧名称由“tf_map_scanmatch_transform_frame_name”参数确定~tf_map_scanmatch_transform_frame_name (string, default: scanmatcher_frame)将扫描匹配器发布到映射转换时的帧名称，如上述参数中所述所需的 tf 转换<the frame attached to incoming scans>` → `base_frame通常是一个固定值，由robot_state_publisher或 TF static_transform_publisher定期发布提供的 tf 转换map → odom机器人在地图框中姿势的当前估计值（仅在参数“pub_map_odom_transform”为真时提供）hector_geotiffgeotiff_nodegeotiff_node是生成地理地图以及地理配准信息的节点订阅的话题syscommand (std_msgs/String)系统命令。如果字符串等于“savegeotiff”，则节点保存地理文件参数~map_file_path (string, default: ".")生成的地理地图将保存到路径~map_file_base_name (string, default: "GeoTiffMap")为生成的地理文件指定的基本名称。保存地图时，当前时间将追加到此基本名称中~geotiff_save_period (double, default: 0.0)定期自动保存地理文件的时间段（以秒为单位）。如果设置为 0.0，则禁用自动保存~plugins (string, default: "")应为节点加载的插件名称的空格分隔列表。默认情况下，不加载任何内容hector_trajectory_serverhector_trajectory_server是一个节点，用于保存轨迹数据订阅的话题syscommand (std_msgs/String)系统命令。如果字符串等于“重置”，则清除保存的轨迹trajectory (nav_msgs/Path)从这个锁定的主题中获取行进轨迹服务trajectory (hector_nav_msgs/GetRobotTrajectory)调用此服务以获取行驶轨迹参数~target_frame_name (string, default: "map")tf 目标帧的名称~source_frame_name (string, default: "base_link")tf 源帧的名称~trajectory_update_rate (double, default: 4.0)保存轨迹的更新速率 [hz]~trajectory_publish_rate (double, default: 0.25)在“轨迹”主题上发布的轨迹的发布速率 [hz]