U7: SLAM y Mapeo¶

¿Por qué necesitas un mapa?¶

En el módulo U6 el robot navegaba usando solo odometría - sabía dónde estaba relativo a su posición inicial, pero no tenía conocimiento del entorno. Para aplicaciones industriales reales necesitas que el robot:

Construya un mapa la primera vez que recorre el espacio
Se localice en ese mapa en ejecuciones posteriores
Planifique rutas óptimas evitando obstáculos conocidos

SLAM (Simultaneous Localization and Mapping) resuelve el problema de construir un mapa mientras te localizas en él al mismo tiempo.

sim_lite ahora publica TF¶

Para que slam_toolbox funcione necesita un árbol de transformadas (TF) completo. A partir de esta versión, sim_lite publica automáticamente:

odom → base_footprint   (dinámica, 30 Hz - posición estimada del robot)
base_footprint → base_scan  (estática - posición del LiDAR respecto al robot)
base_footprint → camera_link (estática - posición de la cámara)

Esto significa que puedes lanzar slam_toolbox directamente contra sim_lite y construir un mapa real, exactamente igual que en la Parte 3 del curso base con el TurtleBot3.

Configuración del sandbox¶

Abre el sandbox con "Unitree U7: SLAM y Mapeo".

Mundo: unitree_inspection - 4 pilares + obstáculos (mapa interesante)

Terminal 1 - Lanzar SLAM¶

ros2 launch slam_toolbox online_async_launch.py \
  slam_params_file:=/opt/ros/jazzy/share/slam_toolbox/config/mapper_params_online_async.yaml

Deberías ver: [slam_toolbox]: Mapper Parameters Loaded.

Terminal 2 - Explorar para construir el mapa¶

cd ~/ros2_ws
colcon build --packages-select unitree_u7_slam --symlink-install
source install/setup.bash
ros2 run unitree_u7_slam unitree_slam.py

El nodo mueve el robot en rectángulos concéntricos. Observa cómo el mapa crece en el terminal: conocidas=X%.

Terminal 3 - Visualizar en RViz¶

ros2 run rviz2 rviz2

En RViz, agrega: - Map → topic /map - LaserScan → topic /scan - TF (para ver los frames) - Robot Model si tienes URDF (opcional)

Terminal 4 - Guardar el mapa¶

ros2 run nav2_map_server map_saver_cli -f /home/student/ros2_ws/src/mi_mapa

Esto genera mi_mapa.pgm (imagen del mapa) y mi_mapa.yaml (metadatos).

Estructura del mapa guardado¶

# mi_mapa.yaml
image: mi_mapa.pgm     # imagen en escala de grises
resolution: 0.05       # 5 cm por pixel
origin: [-X, -Y, 0]    # posición del pixel (0,0) en el marco del mapa
occupied_thresh: 0.65
free_thresh: 0.25

En la imagen .pgm: - Negro = obstáculo conocido - Blanco = espacio libre conocido - Gris = no explorado

Localización en un mapa existente (AMCL)¶

Una vez que tienes el mapa, en ejecuciones posteriores usas AMCL (Adaptive Monte Carlo Localization) para localizarte en él sin reconstruirlo:

# Servir el mapa
ros2 run nav2_map_server map_server --ros-args \
  -p yaml_filename:=/home/student/ros2_ws/src/mi_mapa.yaml

# Activar el servidor de ciclo de vida
ros2 lifecycle set /map_server configure
ros2 lifecycle set /map_server activate

# Lanzar AMCL
ros2 launch nav2_bringup localization_launch.py \
  map:=/home/student/ros2_ws/src/mi_mapa.yaml

Diferencia entre SLAM para TurtleBot3 y Go2/B2¶

Aspecto	TurtleBot3 (Parte 3)	Unitree Go2/B2
Sensor	LiDAR 2D nativo	LiDAR 3D → slice 2D (`unitree_ros2_bridge`)
Topic	`/scan` (directo)	`/scan` (del bridge)
Comandos SLAM	Idénticos	Idénticos
Precisión real	Alta (plano 2D)	Alta (el slice 2D es limpio)
Tiempo de mapeo	Minutos	Minutos

Ejercicios¶

Ejercicio 1 - Exploración manual

En lugar de usar unitree_slam.py, explora el mapa manualmente usando el teclado desde el terminal:

ros2 run teleop_twist_keyboard teleop_twist_keyboard

Intenta cubrir todo el espacio del mundo unitree_inspection.

Ejercicio 2 - Verificar cobertura

Modifica unitree_slam.py para que imprima el porcentaje de celdas conocidas cada 5 s. Detén la exploración automáticamente cuando el mapa tenga > 70% de cobertura.

Ejercicio 3 - Cargar y comparar mapas

Guarda mapas en dos ejecuciones distintas y compara los archivos .pgm. ¿Son idénticos? ¿Por qué podrían ser diferentes?

Continúa con U8 - Navegación con Mapa y Puntos de Interés.