过滤噪声引起的障碍物

• 概述
• 要求
• 教程步骤
• 工作原理

概述

传感器测量噪声可能导致体素层（Voxel Layer）或障碍物层（Obstacle Layer）出错，在代价地图上产生椒盐噪声。这些噪声会形成虚假障碍物，阻碍机器人找到最优路径。虽然上图同时展示了椒盐噪声和定位偏差（mislocalization）引起的问题，但本层仅移除传感器噪声，不处理与静态地图错位的定位偏差伪影。

本教程介绍如何配置对噪声引起的虚假障碍物的过滤功能。该功能由 DenoiseLayer 代价地图层插件提供，本文将讲解如何启用并使用该插件。

要求

假设 ROS 2、Gazebo 和 TurtleBot3 软件包已安装或在本地构建完成，同时请确保 Nav2 项目也已在本地构建，具体方法参见构建说明（build-instructions）。

教程步骤

1. 启用 Denoise 层

Denoise Layer 是一个 Costmap2D 插件。在 nav2_params.yaml 的 plugins 参数中添加 denoise_layer，即可在 Costmap2D 中启用 DenoiseLayer 插件。可将其放入 global_costmap 和（或）local_costmap 中，分别过滤全局或局部代价地图上的噪声。DenoiseLayer 插件需要定义以下参数：

• plugin：插件类型，本例中为 nav2_costmap_2d::DenoiseLayer。

DenoiseLayer 支持的完整参数列表请参见 denoise 页面。

需要注意的是，DenoiseLayer 通常应位于膨胀层（inflation layer）之前，以避免对噪声引起的障碍物进行膨胀。此外，DenoiseLayer 只处理代价地图中的障碍物信息：INSCRIBED_INFLATED_OBSTACLE、LETHAL_OBSTACLE 以及可选的 NO_INFORMATION 值会被视为障碍物栅格，其余值的栅格一律视为 FREE_SPACE（处理过程中不会改变其在代价地图中的值）。如果某个障碍物栅格被判定为噪声，处理完成后会被替换为 FREE_SPACE。

要为全局和局部代价地图都启用 DenoiseLayer，请使用以下配置：

global_costmap:
  global_costmap:
    ros__parameters:
      ...
      plugins: ["static_layer", "obstacle_layer", "denoise_layer", "inflation_layer"]
      ...
      denoise_layer:
        plugin: "nav2_costmap_2d::DenoiseLayer"
        enabled: True
...
local_costmap:
  local_costmap:
    ros__parameters:
      ...
      plugins: ["voxel_layer", "denoise_layer", inflation_layer"]
      ...
      denoise_layer:
        plugin: "nav2_costmap_2d::DenoiseLayer"
        enabled: True

注意：成功过滤噪声的关键在于理解噪声类型并选择合适的 DenoiseLayer 参数。默认参数侧重于快速移除孤立的障碍物。严格来说，如果某个障碍物的相邻八个栅格中没有任何障碍物，该障碍物就会被丢弃。在典型场景下这已经足够。

如果某些传感器会产生相互关联的噪声障碍物，且环境中不太可能存在小障碍物，则可以移除小规模的障碍物群。要为这类场景配置 DenoiseLayer 并理解其工作原理，请参阅工作原理一节。

警告：请谨慎使用此插件过滤全局代价地图，因为它可能带来性能问题。例如，对于典型远距离激光雷达（20 米以上），更新窗口可能非常大，导致处理时间长得无法接受。作为应用设计者，应将此因素纳入考虑。

2. 运行 Nav2 技术栈

在为全局/局部代价地图启用 Denoise Layer 后，按照快速入门中的说明运行 Nav2 程序栈：

ros2 launch nav2_bringup tb3_simulation_launch.py headless:=False

然后检查过滤器是否正常工作：在默认参数下，代价地图上不应残留孤立障碍物。可在 RViz 主窗口中查看——移除多余噪点后，局部和全局代价地图应如本教程顶部所示。

工作原理

该插件基于两种算法。

当参数 minimal_group_size = 2 时，启用第一种算法。该算法将腐蚀（erosion）函数应用于代价地图，使用的核如下图所示（group_connectivity_type = 4 时用左侧，group_connectivity_type = 8 时用右侧）。核中白色像素表示使用该值，黑色像素表示忽略。

腐蚀函数会生成一张邻居图像（neighbors image）。核在代价地图上的每个可能位置对应邻居图像中的一个像素。该像素的值等于掩码白色像素所对应的 4 或 8 个代价地图像素中的最大值。换言之，如果附近有障碍物，邻居图像的像素值等于障碍物值，否则等于自由空间值。随后，邻居图像中对应自由空间值的障碍物将被移除。

该过程如下图所示。左侧是代价地图，右侧是邻居图像。白色像素为自由空间，黑色像素为障碍物，group_connectivity_type = 4。动画结束时标记的障碍物将被移除。

当参数 minimal_group_size > 2 时，执行第二种算法。这是一种通用方案，允许在相邻障碍物群的大小小于 minimal_group_size 时将其移除。为选取相邻的障碍物群，算法会对其进行分割。一个分割段内栅格的连通类型由参数 group_connectivity_type 决定。然后计算每个分割段的大小，大小小于 minimal_group_size 的障碍物分割段将被替换为空闲栅格。

该算法比第一种慢约 10 倍，请谨慎使用，仅在必要时启用。其执行时间取决于所处理地图片段的大小（与 minimal_group_size 的值无关）。

下面的动画演示了该算法的运行过程（group_connectivity_type = 8）。动画结束时标记的障碍物将被移除（大小小于 3 的分割段）。