说明：
- 本教程主要介绍如何在TB3自动驾驶2020的仿真中交通杆识别的校准和测试流程
由于在该仿真环境是固定不变的，所以可以先使用程序默认配置好的参数进行测试，若效果不好再重新校准
校准
- 新终端，启动gazebo节点
$ roslaunch turtlebot3_gazebo turtlebot3_autorace_2020.launch- 新终端，启动键盘控制节点，移动TB3到交通杆的信号标志的车道前，让其能清楚地看到标志
$ roslaunch turtlebot3_teleop turtlebot3_teleop_key.launchTB3移动到位置后，关闭键盘控制节点- 新终端，启动相机的内标定
$ roslaunch turtlebot3_autorace_camera intrinsic_camera_calibration.launch- 新终端，启动相机外标定
$ roslaunch turtlebot3_autorace_camera extrinsic_camera_calibration.launch- 新终端，启动交通灯检测校准节点
$ roslaunch turtlebot3_autorace_detect detect_level_crossing.launch mode:=calibration- 新终端，默认情况下，gazebo初始加载是不带交通杆模块的，需要额外加载
$ roslaunch turtlebot3_autorace_core turtlebot3_autorace_mission.launch- 新终端，打开可视化界面
$ rqt- 点击rqt左上角菜单栏
Plugins->Cisualization->Image view，依次添加三个窗口且分别订阅/detect/image_level_color_filtered/compressed和/detect/image_level_color_filtered/compressed两个主题
- 打开rqt_reconfigure工具
$ rosrun rqt_reconfigure rqt_reconfigure- 点击
detect_level_crossing后调整参数来过滤红色，实际需要的过滤效果可以参考上图
- 新终端，将调整好的值写入
turtlebot3_autorace_detect/param/level/的level.yaml文件中
$ rosed turtlebot3_autorace_detect level.yaml
---
detect:
level:
red:
hue_l: 0
hue_h: 179
saturation_l: 24
saturation_h: 255
lightness_l: 207
lightness_h: 255测试
- 关闭前面打开的所有终端，重新打开终端运行以下命令
- 新终端，启动gazebo节点
$ roslaunch turtlebot3_gazebo turtlebot3_autorace_2020.launch- 新终端，启动键盘控制节点，移动TB3到交通杆的信号标志的车道前，让其能清楚地看到标志
$ roslaunch turtlebot3_teleop turtlebot3_teleop_key.launchTB3移动到位置后，关闭键盘控制节点- 新终端，启动相机的内标定
$ roslaunch turtlebot3_autorace_camera intrinsic_camera_calibration.launch- 新终端，启动交通杆检测单独任务程序
$ roslaunch turtlebot3_autorace_core turtlebot3_autorace_core.launch mission:=level_crossing- 新终端，加载gazebo任务
$ roslaunch turtlebot3_autorace_core turtlebot3_autorace_mission.launch- 新终端，设定
decided_mode为2
$ rostopic pub -1 /core/decided_mode std_msgs/UInt8 "data: 2"
