En un terminal ejecutar:

roslauch mis_programas experimento5.launch world_name:=real laser:=64 grabar:=true max_vel_1:=0.4 max_vel_2:=0.6

Los parámetros que necesita son cinco:

• world_name
  El valor por defecto es real.
  Para el correcto funcionamiento es necesario indicar que se va a usar el mundo real.

  • world_name:=real: Se muestra el escenario completo con coches y edificios.

• laser Indica el número de planos verticales del LIDAR.
  Puede ser 32, 64 o 128.
  Valor por defecto: 64

• grabar Indica si se debe grabar un rosbag o simplemente visualizar el experimento.
  Puede ser: true o false.
  Valor por defecto: false.

• max_vel_1 Indica la velocidad a la que se va a mover el dron con el LIDAR.\

• max_vel_2 Indica la velocidad a la que se va a mover el dron objetivo.\

Tras esto en la carpeta bafiles del paquete mis_programas se creará una carpeta con el nombre experimento5_64_real o el que corresponda.

En un terminal arrancar el ROS_MASTER con el comando roscore.
En el terminal donde se guarden los rosbag cuya ruta deberia ser

/home/.../catkin_ws/src/mis_programas/bagfiles/experimento5_64_real

Ejecutar el siguiente comando:

rosrun pcl_ros bag_to_pcd experimento5_64_real.bag /firefly_1/firefly_1/os1_cloud_node/points /home/alejandro/catkin_ws/src/mis_programas/bagfiles/experimento5_64_real/point_clouds

Hay que indicarle al comando el fichero .bag, el topic de la nube de puntos, que es siempre el mismo, y por último el directorio donde se va a guardar los .pcd.
Por tanto sólo hay que cambiar de ese comando el nombre del fichero .bag y en la ruta del directorio point_cloud, cambiaremos experimento5_64_real por el experimento que corresponda.
Con lo que dentro del directorio experimento5_64_real se creará una carpeta llamada point_cloud que contiene los ficheros .pcd, que los vamos a emplear para generar los depth_maps.

En un terminal arrancar (si no está ya activo) el ROS_MASTER con el comando roscore.
En un terminal ejecutar el siguiente comando:

rosrun mis_programas labeller_paralelepipedo_v5 experimento1_64 64

Es muy importante pasar los argumentos correctamente, este indica el experimento y los planos verticales del láser.
Tras esto se cren 9 carpetas dentro de mis_programas/bagfiles/experimento5_64_real.

• depth_map: En esta carpeta se guardan las imágenes .png correspondientes a los mapas de profundidad.
• BW_map: En esta carpeta se guardan las imágenes en blanco y negro que se mandan a la función bounding_rect.
  NOTA: no es necesario generar estas imágenes para el correcto etiquetado, ya que internamente el programa trabaja con objetos cv::Mat. El hecho de sacar las imágenes es meramente ilustrativo y puede deshabilitarse sin problema en labeller_paralelepipedo_v4.cpp.
• bounding_map: En esta carpeta se guardan los depth_map en los que se ha dibujado el bounding_box generado por bounding_rect(). Nuevamente estas imágenes se generan simplemente de forma ilustrativa y para comprobar si el etiquetado se hace bien. No es necesario guardar estas imágenes para el entrenamiento, y puede desactivarse su generación en el fichero labeller_paralelepipedo_v4.cpp.
• label: En esta carpeta se guardan los ficheros .txt que son necesarios para el entrenamiento del modelo.
• odom_information: En esta carpeta se almacena para cada depth_map generado un fichero de texto con la información de los datos de odometría de los drones en la imagen. De esta forma después puedo comprobar cual era la posición real de los drones.
• all_depth_maps: En esta carpeta se almacenan todos los depth_map generados, tengan o no tengan dron, para poder pasarselo al modelo entrenado a modo de pruebas después de haber hecho todo el proceso de validación y test. OJO, aquí no se generan etiquetas.
• extra_information: En esta carpeta se generan dos ficheros, un .csv para poder pasar los datos de odometría a un formato que es sencillo de abrir en Excel, y otro fichero con las rutas absolutas de las imágenes de all_depht_maps para poder comprobar el funcionamiento del modelo entrenado en nuevas condiciones.
• pos1_info: En esta carpeta se guardan la posición del dron 1 en ficheros .txt por separado en un formato cómodo para usarlo después si es necesario en un programa en C++. Se guarda x1 y1 z1 separado por espacios en blanco.
• pos2_info: En esta carpeta se guardan la posición del dron 2 en ficheros .txt por separado en un formato cómodo para usarlo después si es necesario en un programa en C++. Se guarda x2 y2 z2 separado por espacios en blanco.

Este paso lo hace el fichero labeller_paralelepipedo_v5.cpp que está ubicado en la ruta /catkin_ws/src/mis_programas/src.
En la nueva versión (V2) de labeller_paralelepipedo,SÓLO se guardan y etiquetan aquellos depth_map que contengan dron, el resto no se guardan, esto es así para facilitar el etiquetado.
En la nueva versión (v3) de labeller_paralelepipedo, se añade la generación de ficheros con información de odometría de los drones.
En la nueva versión (v4) de labeller_paralelepipedo, se añade la generación de ficheros con información de odometría de los drones en formato csv para poder sacar fácilmente gráficas en Excel. También se añade la generación de todos los depth_maps tengan o no tengan dron, eso sí estan sin etiquetar, ya que, no deben usarse no para validación ni para test. Por último se añade la creación de un fichero que facilite, pasar al modelo entrenado en YOLO todas las imágenes para obtener los resultados tras pasar por el modelo entrenado.
En la nueva versión (v5) de labeller_paralelepipedo, se añade la generación de las carpetas pos1_info y pos2_info. Además se añade la posibilidad de pasarle por argumento el número de planos verticales del LIDAR.\

Esto lo hace el fichero dataset_creator_v3.cpp, lo que se hace es generar en la carpeta /catkin_ws/src/mis_programas un directorio llamado image_set.
En el cual a su vez se generaran cuatro directorios train, vlid, test e info y cuatro ficheros, train.txt, valid.txt, test.txt y RESUMEN.txt. Los tres primeros ficheros incluyen las direcciones relativas de las imágenes (de train, valid y test), respecto al ejecutable darknet de YOLO. el cuarto fichero contiene un resumen con el número de imágenes que se han guardado para train, valid y test
Dentro de los directorios creados se guardarán las imágenes junto con sus etiquetas correspondientes. Para la carpeta train, se seleccionan de forma aleatoria el 70% de imágenes de cada experimento, para valid el 20% y el 10% restante va a test. En el directorio info_test e info_valid se almacena información sobre la correspondencia de las imágenes de test y valid, con los depth maps de los distintos experimentos. Así se puede saber la posición y velocidad de ambos drones en las imágenes de test, y poder sacar conclusiones del trabajo.
Para usarlo tras arrancar roscore ejecutar el siguiente comando:

rosrun mis_programas dataset_creator_v3.cpp