先决条件

1. 我们的软件是在 Ubuntu 16.04(ROS Kinetic) 和 18.04(ROS Melodic) 上开发和测试的。根据您的 Ubuntu 版本按照文档安装Kinetic或Melodic 。

2. 我们使用NLopt来解决非线性优化问题。uav_simulator依赖于 C++ 线性代数库Armadillo。可以通过以下命令安装这两个依赖项，其中${ROS_VERSION_NAME}是您的 ROS 版本的名称。

sudo apt-get install libarmadillo-dev ros_${ROS_VERSION_NAME}_nlopt

建立在 ROS 之上

满足先决条件后，您可以将此存储库克隆到您的 catkin 工作区和 catkin_make。推荐一个新的工作区：

  cd ${YOUR_WORKSPACE_PATH}/src
  git clone https://github.com/HKUST-Aerial-Robotics/Fast-Planner.git
  cd ../
  catkin_make

如果您在此步骤中遇到问题，请先参考现有问题、拉取请求和谷歌，然后再提出新问题。

现在您已准备好运行模拟。

使用 GPU 深度渲染（可选择跳过）

此步骤对于运行模拟不是强制性的。但是，如果您想在uav_simulator中运行更逼真的深度相机，则需要安装CUDA 工具包。否则，将使用不太现实的深度传感器模型。

uav_simulator中的local_sensing包可以选择使用 GPU 或 CPU 渲染深度传感器测量值。默认情况下，它在 CMakeLists 中设置为 CPU 版本：

set(ENABLE_CUDA false)
# set(ENABLE_CUDA true)

但是，我们强烈推荐 GPU 版本，因为它生成的深度图像更像真实的深度相机。要启用 GPU 深度渲染，请将 ENABLE_CUDA 设置为 true，并记住根据您的显卡设备更改“arch”和“code”标志。您可以在此处检查正确的代码。

    set(CUDA_NVCC_FLAGS 
      -gencode arch=compute_61,code=sm_61;
    ) 

CUDA的安装请到CUDA ToolKit

4. 运行模拟

首先使用我们的配置运行Rviz ：

  <!-- go to your workspace and run: -->
  source devel/setup.bash
  roslaunch plan_manage rviz.launch

然后运行四旋翼模拟器和Fast-Planner。下面提供了几个示例：

运动动力学路径搜索和 B 样条优化

在该方法中，运动动力学路径搜索在离散化控制空间中找到安全、动态可行且时间最短的初始轨迹。然后通过 B 样条优化改进轨迹的平滑度和间隙。要测试此方法，请运行：

  <!-- open a new terminal, go to your workspace and run: -->
  source devel/setup.bash
  roslaunch plan_manage kino_replan.launch

通常情况下，你会在 中找到随机生成的地图和无人机模型Rviz。这时，您可以使用该2D Nav Goal工具触发计划器。当点击 中的一个点时Rviz，会立即生成一条新的轨迹并由无人机执行。下面显示了一个示例：

本文详细介绍了相关算法。

拓扑路径搜索和路径引导优化

该方法的特点是在独特的拓扑类中搜索多个轨迹。由于该策略，可以更彻底地探索解决方案空间，避免局部最小值并产生更好的解决方案。同样，运行：

  <!-- open a new terminal, go to your workspace and run: -->
  source devel/setup.bash
  roslaunch plan_manage topo_replan.launch

然后你会发现生成的随机地图可以使用2D Nav Goal来触发规划器：

5. 在您的应用程序中使用

如果您已成功运行模拟并希望在您的项目中使用Fast-Planner，请浏览文件 kino_replan.launch 或 topo_replan.launch。包含并记录了您在使用过程中可能会更改的重要参数。

请注意，在我们的配置中，深度图像的大小为 640x480。为了获得更高的地图融合效率，我们进行下采样（在 kino_algorithm.xml 中，skip_pixel = 2）。如果您使用分辨率较低的深度图像（如 256x144），您可以通过设置 skip_pixel = 1 来禁用下采样。此外，depth_scaling_factor 设置为1000，这可能需要根据您的设备进行更改。

最后，对于设置问题，如ROS/Eigen版本不同导致的编译错误，请先参考已有的issues、pull request、Google，再提出新的issue。无关紧要的问题将不会收到回复。

6.更新

• 2020年10月20日：Fast-Planner扩展应用于快速自主探索。检查此回购以获取更多详细信息。

• 2020年7月5日：我们将在未来发布论文： RAPTOR: Robust and Perception-aware Trajectory Replanning for Quadrotor Fast Flight （提交给TRO，审核中）的实现。

• 2020 年 4 月 12 日：ICRA2020 论文的实施：Robust Real-time UAV Replanning Using Guided Gradient-based Optimization and Topological Paths可用。

• 2020 年 1 月 30 日：体积映射与我们的规划器集成。它以深度图像和相机姿势对作为输入，进行光线投射以融合测量结果，并为规划模块构建欧氏符号距离场 (ESDF)。

已知的问题

编译问题

在 Ubuntu 20.04 上运行此项目时，需要 C++14。请在所有 CMakelists.txt 文件中添加以下行：

set(CMAKE_CXX_STANDARD 14)

意外崩溃

如果规划器在触发 2D Nav Goal 后死亡，则可能是由 ros-nlopt 库引起的。在这种情况下，我们建议卸载它并按照官方文档安装nlopt。然后在bspline_opt 包的 CMakeLists.txt中，更改关联行以链接 nlopt 库：

find_package(NLopt REQUIRED)
set(NLopt_INCLUDE_DIRS ${NLOPT_INCLUDE_DIR})

...

include_directories( 
    SYSTEM 
    include 
    ${catkin_INCLUDE_DIRS}
    ${Eigen3_INCLUDE_DIRS} 
    ${PCL_INCLUDE_DIRS}
    ${NLOPT_INCLUDE_DIR}
)

...

add_library( bspline_opt 
    src/bspline_optimizer.cpp 
    )
target_link_libraries( bspline_opt
    ${catkin_LIBRARIES} 
    ${NLOPT_LIBRARIES}
    # /usr/local/lib/libnlopt.so
    )