# 真实环境点云/深度图仿真(支持CUDA)

### 1 依赖

CUDA; ROS; OpenCV; PCL; (如果已经安装ROS依赖基本都满足) yaml-cpp
```angular2html
sudo apt-get install libyaml-cpp-dev
```

### 2 编译
```angular2html
catkin build
```

### 3 运行
```angular2html
source devel/setup.bash
# CPU版本 (已弃用)
rosrun sensor_simulator sensor_simulator
# GPU版本 (推荐, RTX 3060 深度输出 > 1000fps)
rosrun sensor_simulator sensor_simulator_cuda
```

传感器参数以及点云环境修改见[config](config/config.yaml)，重要参数说明:
```
# 一些话题
odom_topic: "/sim/odom"
depth_topic: "/depth_image"
lidar_topic: "/lidar_points"
# 使用预先构建的点云地图还是随机地图
random_map: true
# 点云地图文件
ply_file:
# 随机地图配置  
maze_type: 5   # 1: 溶洞 2: 柱子 3:迷宫 5:森林(也需设置树的点云文件) 6:房间
```

如果使用预先构建的点云地图，可下载我们收集的一个树林的示例: [谷歌云盘](https://drive.google.com/file/d/1WT3vh0m7Gjn0mt4ri-D35mVDgRCT0mNc/view?usp=sharing)

### 4 仿真位置发布与简单可视化（可选）
```angular2html
cd src/sensor_simulator
python sim_odom.py

cd src/sensor_simulator
rviz -d rviz.rviz
```


### 5 实时性与资源占用

cpu 版本 (i7-9700)：
深度图0.02s, 点云0.01s

gpu 版本 (RTX 3060)：
深度图0.001s, 点云0.001s

GPU版资源占用(开30HZ)：
![Demo GIF](img/resource.png)

### 6 示例场景

<table>
  <tr>
    <td align="center">
      <img src="img/forest.png" alt="Image 1" style="width:100%;"/>
      <p>1. realworld forest</p>
    </td>
    <td align="center">
      <img src="img/building.png" alt="Image 2" style="width:82%;"/>
      <p>2. realworld building</p>
    </td>
  </tr>
  <tr>
    <td align="center">
      <img src="img/perlin3D.png" alt="Image 3" style="width:100%;"/>
      <p>3. 3D perlin</p>
    </td>
    <td align="center">
      <img src="img/random_forest.png" alt="Image 4"style="width:100%;"/>
      <p>4. random forest</p>
    </td>
  </tr>
  <tr>
    <td align="center">
      <img src="img/random_room.png" alt="Image 5" style="width:100%;"/>
      <p>5. random room</p>
    </td>
    <td align="center">
      <img src="img/random_maze.png" alt="Image 6" style="width:100%;"/>
      <p>6. random maze</p>
    </td>
  </tr>
</table>

**注释:**

1. GPU版本地图无边界可无限延伸; CPU版本地图有边界（可选择复制地图几份，已弃用）

### acknowledgment

Some maps (3D Perlin, random maze) are generated based on: https://github.com/HKUST-Aerial-Robotics/mockamap, thanks for their excellent work!