一、题目各个坐标系的含义

背景：
本文以 gmapping 为例，其中 map、odom、base_link、laser 均来自 gmapping 中的坐标系。这里的 gmapping 是指使用laser_scan_matcher包，在仅使用激光雷达、无需里程计的情况下跑 gmapping。
下图是执行rosrun rqt_tf_tree rqt_tf_tree的结果：

• map：可以理解为世界坐标系
• odom：机器人以为的世界坐标系
• base_link：机器人本体坐标系
• laser：激光雷达坐标系

二、对坐标系的理解

• map：地图坐标系，顾名思义，一般设该坐标系为固定坐标系（fixed frame，rviz中的设置项），一般与机器人所在的世界坐标系一致。
• base_link：机器人本体坐标系，与机器人中心重合，原点一般为机器人的旋转中心。当然有些机器人(PR 2)是 base_footprint，其实意思差不多，base_footprint 坐标系原点为 base_link 原点在地面的投影，有些许区别（z值不同）。
• odom：里程计坐标系，这里要区分开odom topic，这是两个概念，一个是坐标系（本文），一个是根据编码器或者视觉等计算的里程计。但是两者也有关系，odom topic 转化的位姿矩阵是odom–>base_link的tf关系。这时可能会有疑问，odom 和 map 坐标系是不是重合的？可以很肯定地说，机器人起始运动位置这两者是重合的。但是，随着时间的推移是不重合的，而出现的偏差就是里程计的累积误差。那 map–>odom 的 tf 怎么得到？就是在一些校正传感器合作校正的 package 比如 amcl 会给出一个位置估计（localization），这可以得到 map–>base_link 的 tf，所以估计位置和里程计位置的偏差也就是 odom 与 map 的坐标系偏差。所以，如果你的 odom 计算没有错误，那么 map–>odom 的 tf 就是 0。
• laser：激光雷达的坐标系，与激光雷达的安装点有关，其与 base_link 的 tf 为固定的。

三、对于 map --> odom 举个例子

• 首先，我们制定机器人路径时，使用的必然是绝对坐标系。要完成这件事，机器人需要先知道自己在哪。它没有GPS，所以只能倒推——通过里程计。这也是为什么“没有偏移的话 odam 应该与 map 重合”，因为 odam 本来就是用来倒推 map 的。
• 假设机器人终点定在了（8，5），初始时刻，map 的（8，5）和 odom 的（8，5）是重合的。
• odom 坐标系视角看运动过程：假设里程计告诉它，自原点启动起，它在 X 方向移动 2 ，Y 方向移动 5 ，运动描述为（+2，+5）。于是它就认为自己在 odom 坐标系下的（2，5）。反馈给 base_link，则 base_link 坐标系下，机器人需要运动（8，5） - （2，5） = （+6，+0）才能到达目标点（8，5）。而此时如果机器人按（+6，+0）运动完后，确实能到达odom下的终点（8，5），并开始以完成任务为由而沾沾自喜，殊不知，它并没有运动到真正的终点终点：map 坐标系下的（8，5）。
• map 坐标系看运动过程：然而实际上，因为里程计累计误差，它其实第一次运动到了（3，4）。但在 odom 中它在（2，5）。它理应运动（8，5）-（3，4） = （+5，+1）到达目标点，但它会运动（+6，+0），因为 odam 反馈给 base_link 后，目标在 base_link 坐标系下的（6，0）。其实到达的是 map 坐标系下的（9，4），并不能达到运动到 map 坐标系下目标点（8，5）的目的。机器人只能自以为是地认为自己运动到了odom 坐标系下的（8，5）就算万事大吉了。
• 而这时，校正传感器又告诉它了，“我觉得你的里程计刚才 X 漏算了 0.999，Y 多算了 1.001”。
  于是它把自己所在位置修正为了（2 + 0.999，5 - 1.001）=（2.999,3.999），接下来该移动（8，5）-（2.999,3.999）=（+5.001，+1.001）。就能将偏差校正回来，到达 map 坐标系下的终点（8，5）了。

过程总结：

四、tf 树是怎么回事

布拉布拉