LIO-SAM 激光SLAM代码 学习笔记（一）

概述

        针对《LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping》的所有代码进行学习。依托Deepseek/ChatGPT等AI工具学习代码，并对代码进行详细注释，以此学习SLAM。

        原文：https://github.com/TixiaoShan/LIO-SAM/blob/master/config/doc/paper.pdf

        代码：https://github.com/TixiaoShan/LIO-SAM

        LIO-SAM的系统架构

---

项目中各个文件

<1> .github：通常存放 GitHub 相关配置文件。

<2> config：一般存储项目的配置文件，比如参数配置、算法配置等。

<3> include：用于放置头文件（.h 等），供项目代码引用。

<4> launch：存放 ROS 的启动文件（.launch），用于一键启动多个节点、配置参数等。

<5> msg：定义 ROS 自定义消息类型的文件夹。

<6> src：存储项目的源文件（.cpp 等），是代码实现的主要地方。

<7> srv：定义 ROS 服务（Service）类型的文件夹。

<8> MakeLists.txt：CMake 的构建配置文件，用于定义项目编译规则。

<9> Dockerfile：Docker 镜像构建文件。

<10> LICENSE：许可证文件，规定项目使用、分发等权限。

<11> README.md：项目说明文档，介绍项目功能、使用方法等。

<12>package.xml：ROS 包的描述文件，声明依赖、包信息等。

---

梳理项目配置与依赖

---

package.xml 文件

        在 ROS 项目里，它是描述包信息、声明依赖的文件。能帮助了解项目依赖哪些 ROS 功能包，这些依赖决定了项目能调用哪些 ROS 提供的功能，也能辅助排查环境搭建问题 。

<?xml version="1.0"?>
<!-- XML声明：指定XML版本为1.0 -->

<package>
<!-- ROS软件包根标签：所有内容必须包含在此标签内 -->
  
  <name>lio_sam</name>
  <!-- 软件包名称：必须与包含此文件的文件夹名称一致 -->

  <version>1.0.0</version>
  <!-- 软件包版本号：遵循语义化版本规则 -->

  <description>Lidar Odometry</description>
  <!-- 软件包描述：简要说明软件包功能（激光雷达里程计） -->

  <maintainer email="shant@mit.edu">Tixiao Shan</maintainer>
  <!-- 维护者信息：姓名 + 联系邮箱 -->

  <license>TODO</license>
  <!-- 许可证类型：TODO表示需要后续补充具体许可证（如BSD/MIT/Apache等） -->

  <author>Tixiao Shan</author>
  <!-- 作者信息：软件包的主要开发者 -->

  <!-- ===== 构建工具依赖 ===== -->
  <buildtool_depend>catkin</buildtool_depend>
  <!-- 构建工具依赖：必须的ROS构建系统 -->

  <!-- ===== 构建依赖（编译时需要的库）===== -->
  <build_depend>roscpp</build_depend>
  <!-- 构建时依赖：ROS的C++客户端库 -->
  <run_depend>roscpp</run_depend>
  <!-- 运行时依赖：同上 -->
  
  <build_depend>rospy</build_depend>
  <!-- 构建时依赖：ROS的Python客户端库 -->
  <run_depend>rospy</run_depend>
  <!-- 运行时依赖：同上 -->

  <build_depend>tf</build_depend>
  <run_depend>tf</run_depend>
  <!-- 坐标变换库：用于处理坐标系转换 -->

  <build_depend>cv_bridge</build_depend>
  <run_depend>cv_bridge</run_depend>
  <!-- OpenCV-ROS桥接库：实现ROS图像消息与OpenCV格式的转换 -->

  <build_depend>pcl_conversions</build_depend>
  <run_depend>pcl_conversions</run_depend>
  <!-- PCL点云库的ROS转换工具：用于ROS点云消息与PCL数据结构的转换 -->

  <!-- ===== 常用ROS消息类型依赖 ===== -->
  <build_depend>std_msgs</build_depend>
  <run_depend>std_msgs</run_depend>
  <!-- 标准消息类型（如Int32, String等） -->

  <build_depend>sensor_msgs</build_depend>
  <run_depend>sensor_msgs</run_depend>
  <!-- 传感器消息类型（如点云PointCloud2、图像Image等） -->

  <build_depend>geometry_msgs</build_depend>
  <run_depend>geometry_msgs</run_depend>
  <!-- 几何消息类型（如Pose, Twist, Vector3等） -->

  <build_depend>nav_msgs</build_depend>
  <run_depend>nav_msgs</run_depend>
  <!-- 导航消息类型（如路径Path、地图OccupancyGrid等） -->

  <build_depend>visualization_msgs</build_depend>
  <run_depend>visualization_msgs</run_depend>
  <!-- 可视化消息类型（如Marker，用于RViz显示） -->

  <!-- ===== 自定义消息依赖 ===== -->
  <build_depend>message_generation</build_depend>
  <!-- 构建时依赖：生成自定义消息所需的工具 -->
  <run_depend>message_generation</run_depend>
  <!-- 运行时依赖：此处应改为message_runtime（当前写法可能错误） -->
  
  <build_depend>message_runtime</build_depend>
  <!-- 构建时依赖：自定义消息的运行时支持 -->
  <run_depend>message_runtime</run_depend>
  <!-- 运行时依赖：自定义消息的实际运行支持 -->

  <!-- ===== 外部库依赖 ===== -->
  <build_depend>GTSAM</build_depend>
  <run_depend>GTSAM</run_depend>
  <!-- 因子图优化库：用于SLAM后端优化 -->

</package>

关键依赖说明：

<1> 核心 ROS 库：

        ①roscpp/rospy：ROS 基础通信库

        ②tf：坐标变换管理

        ③catkin：构建系统

<2> 消息类型依赖：

        ①std_msgs：基础数据类型

        ②sensor_msgs：传感器数据

        ③geometry_msgs：几何数据

        ④nav_msgs：导航相关数据

        ⑤visualization_msgs：可视化数据

<3> 功能库依赖：

        ①pcl_conversions：点云处理

        ②cv_bridge：视觉处理

        ③GTSAM：因子图优化（用于激光 SLAM 后端优化）

<4> 消息生成：

        ④message_generation/message_runtime：自定义消息支持

---

CMakeLists.txt 文件

        用于 CMake 构建系统，定义了项目怎么编译（比如要编译哪些源文件、链接哪些库 ）。结合 package.xml ，能了解项目的构建流程和代码组织方式，后续看 src 里的代码，也能明白编译逻辑 。

cmake_minimum_required(VERSION 2.8.3)  # 指定所需的最小 CMake 版本
project(lio_sam)                       # 设置项目名称，与 package.xml 中的名称保持一致

# 设置编译选项
set(CMAKE_BUILD_TYPE "Release")         # 设置编译类型为 Release，启用优化
set(CMAKE_CXX_FLAGS "-std=c++11")       # 使用 C++11 标准
set(CMAKE_CXX_FLAGS_RELEASE "-O3 -Wall -g -pthread")  # 发布版本的编译选项：优化、警告、调试符号、多线程支持

# 查找 catkin 依赖包
find_package(catkin REQUIRED COMPONENTS
  tf
  roscpp
  rospy
  cv_bridge
  # pcl library
  pcl_conversions
  # msgs
  std_msgs
  sensor_msgs
  geometry_msgs
  nav_msgs
  message_generation
  visualization_msgs
)

# 查找系统依赖库
find_package(OpenMP REQUIRED)            # 查找 OpenMP 并行计算库
find_package(PCL REQUIRED QUIET)         # 查找点云库 (PCL)
find_package(OpenCV REQUIRED QUIET)      # 查找 OpenCV 计算机视觉库
find_package(GTSAM REQUIRED QUIET)       # 查找 GTSAM (Georgia Tech Smoothing and Mapping) 因子图优化库
find_package(Boost REQUIRED COMPONENTS timer)  # 查找 Boost 库的 timer 组件

# 添加自定义消息文件
add_message_files(
  DIRECTORY msg
  FILES
  cloud_info.msg  # 自定义消息文件
)

# 添加自定义服务文件
add_service_files(
  DIRECTORY srv
  FILES
  save_map.srv  # 自定义服务文件
)

# 生成消息和服务代码
generate_messages(
  DEPENDENCIES
  geometry_msgs
  std_msgs
  nav_msgs
  sensor_msgs  # 指定消息生成依赖的其他消息包
)

# 配置 catkin 包导出信息
catkin_package(
  INCLUDE_DIRS include  # 导出的头文件目录
  DEPENDS PCL GTSAM     # 非 catkin 依赖

  CATKIN_DEPENDS        # catkin 依赖
  std_msgs
  nav_msgs
  geometry_msgs
  sensor_msgs
  message_runtime
  message_generation
  visualization_msgs
)

# 包含目录
include_directories(
	include                 # 项目内的头文件目录
	${catkin_INCLUDE_DIRS}  # catkin 依赖的头文件目录
	${PCL_INCLUDE_DIRS}     # PCL 头文件目录
  ${OpenCV_INCLUDE_DIRS}  # OpenCV 头文件目录
	${GTSAM_INCLUDE_DIR}    # GTSAM 头文件目录
)

# 链接目录
link_directories(
	include                 # 项目内的库目录
	${PCL_LIBRARY_DIRS}     # PCL 库文件目录
  ${OpenCV_LIBRARY_DIRS}  # OpenCV 库文件目录
  ${GTSAM_LIBRARY_DIRS}   # GTSAM 库文件目录
)

###########
## Build ##
###########

# 编译 Range Image Projection 节点
add_executable(${PROJECT_NAME}_imageProjection src/imageProjection.cpp)
add_dependencies(${PROJECT_NAME}_imageProjection ${catkin_EXPORTED_TARGETS} ${PROJECT_NAME}_generate_messages_cpp)
target_link_libraries(${PROJECT_NAME}_imageProjection ${catkin_LIBRARIES} ${PCL_LIBRARIES} ${OpenCV_LIBRARIES})

# 编译 Feature Association 节点
add_executable(${PROJECT_NAME}_featureExtraction src/featureExtraction.cpp)
add_dependencies(${PROJECT_NAME}_featureExtraction ${catkin_EXPORTED_TARGETS} ${PROJECT_NAME}_generate_messages_cpp)
target_link_libraries(${PROJECT_NAME}_featureExtraction ${catkin_LIBRARIES} ${PCL_LIBRARIES} ${OpenCV_LIBRARIES})

# 编译 Mapping Optimization 节点
add_executable(${PROJECT_NAME}_mapOptmization src/mapOptmization.cpp)
add_dependencies(${PROJECT_NAME}_mapOptmization ${catkin_EXPORTED_TARGETS} ${PROJECT_NAME}_generate_messages_cpp)
target_compile_options(${PROJECT_NAME}_mapOptmization PRIVATE ${OpenMP_CXX_FLAGS})  # 添加 OpenMP 编译选项
target_link_libraries(${PROJECT_NAME}_mapOptmization Boost::timer ${catkin_LIBRARIES} ${PCL_LIBRARIES} ${OpenCV_LIBRARIES} ${OpenMP_CXX_FLAGS} gtsam)  # 链接 Boost timer 和 GTSAM

# 编译 IMU Preintegration 节点
add_executable(${PROJECT_NAME}_imuPreintegration src/imuPreintegration.cpp)
target_link_libraries(${PROJECT_NAME}_imuPreintegration Boost::timer ${catkin_LIBRARIES} ${PCL_LIBRARIES} ${OpenCV_LIBRARIES} gtsam)  # 链接 Boost timer 和 GTSAM

关键部分总结：

<1>编译设置：

        1.使用 C++11 标准

        2.启用优化 (-O3) 和多线程支持 (-pthread)

        3.设置为 Release 构建类型

<2>依赖管理：

        1.查找 ROS 依赖（catkin 包）

        2.查找系统依赖（PCL、OpenCV、GTSAM、Boost、OpenMP）

<3>消息和服务生成：

        1.定义自定义消息 cloud_info.msg

        2.定义自定义服务 save_map.srv

        3.生成相关的 C++/Python 代码

<4>编译目标：

        生成 4 个可执行文件（ROS 节点）：

                a.lio_sam_imageProjection - 点云投影

                b.lio_sam_featureExtraction - 特征提取

                c.lio_sam_mapOptmization - 地图优化（使用 OpenMP 加速）

                d.lio_sam_imuPreintegration - IMU 预积分（使用 GTSAM 优化）

<5>链接库：

        主要链接库包括：

                a.ROS 相关库（roscpp、tf 等）

                b.PCL 点云库

                c.OpenCV 计算机视觉库

                d.GTSAM 因子图优化库

                e.Boost timer 库

                f.OpenMP 并行计算库

---

理解项目运行逻辑

---

launch 文件

        里面的 launch 文件是 ROS 里用来一键启动多个节点、配置参数的配置文件。看看有哪些 launch 文件，打开后了解它启动了哪些节点、设置了什么参数，能帮助理清项目运行时的组件协作关系，知道 “项目跑起来的时候，到底在执行哪些模块” 。

<launch>
    <!-- 定义参数：项目名称，默认为"lio_sam" -->
    <arg name="project" default="lio_sam"/>
    
    <!-- 加载系统核心配置参数 -->
    <rosparam file="$(find lio_sam)/config/params.yaml" command="load" />

    <!-- LOAM (Lidar Odometry and Mapping) 模块 -->
    <!-- 负责激光雷达点云的处理、特征提取和里程计估计 -->
    <include file="$(find lio_sam)/launch/include/module_loam.launch" />

    <!-- 机器人状态发布模块 -->
    <!-- 管理机器人各坐标系间的变换关系 (TF Tree) -->
    <include file="$(find lio_sam)/launch/include/module_robot_state_publisher.launch" />

    <!-- GNSS 导航卫星模块 -->
    <!-- 融合 GPS/北斗等定位数据，提供全局定位参考 -->
    <include file="$(find lio_sam)/launch/include/module_navsat.launch" />

    <!-- Rviz 可视化模块 -->
    <!-- 提供实时可视化界面，显示点云、轨迹和地图 -->
    <include file="$(find lio_sam)/launch/include/module_rviz.launch" />
</launch>

模块化设计说明

<1>参数配置 (params.yaml)

        包含系统所有可调参数：

                a.传感器标定参数（外参矩阵、IMU 噪声参数）

                b.算法调优参数（特征提取阈值、优化迭代次数）

                c.坐标系定义（激光雷达、IMU、GPS 相对位置）

<2>LOAM 模块

        核心算法模块，包含四个主要节点：

                a.imageProjection - 点云预处理，生成距离图像

                b.featureExtraction - 提取角点和平面点特征

                c.mapOptimization - 基于因子图的全局优化，融合多传感器数据

                d.imuPreintegration - IMU 预积分处理，提供高频状态估计

<3>机器人状态发布

        维护 TF 坐标树，发布以下关键变换：

                a.base_link 到 odom 的变换（里程计坐标系）

                b.odom 到 map 的变换（全局地图坐标系）

                c.传感器间的相对位置关系（如 LiDAR 到 IMU）

<4>导航卫星模块

        1.接收 GNSS 原始数据，转换为 ROS 标准消息

        2.提供全局坐标系下的位置参考

        3.辅助 LIO-SAM 系统实现全局定位

<5>可视化模块

        使用 Rviz 实时显示：

                a.原始点云数据

                b.提取的特征点

                c.实时构建的地图

                d.机器人轨迹

                e.系统状态信息

启动流程

        1.加载系统参数配置

        2.启动 LOAM 核心算法节点，开始点云处理和状态估计

        3.启动坐标系统管理，确保各传感器数据在统一坐标系下

        4.启动 GNSS 数据处理，提供全局定位信息

        5.启动可视化工具，提供用户交互界面

config 文件

        用于存放各类配置文件（比如参数配置、校准数据等 ），结合 launch 文件里的参数引用，能明白项目运行时的可配置项，以及这些配置如何影响功能表现。

LIO-SAM 核心参数配置

lio_sam:
  # 数据主题配置（ROS话题名称）
  pointCloudTopic: "points_raw"               # 激光雷达点云原始数据话题
  imuTopic: "imu_raw"                         # IMU原始数据话题
  odomTopic: "odometry/imu"                   # IMU预积分里程计话题（与IMU同频率）
  gpsTopic: "odometry/gpsz"                   # GNSS定位数据话题（来自navsat模块）

  # 坐标系定义（ROS坐标框架）
  lidarFrame: "base_link"                     # 激光雷达坐标系（通常与机器人基座重合）
  baselinkFrame: "base_link"                  # 机器人基座坐标系
  odometryFrame: "odom"                       # 里程计坐标系
  mapFrame: "map"                             # 全局地图坐标系

  # GPS融合配置
  useImuHeadingInitialization: true           # 是否使用IMU航向初始化（GPS可用时建议开启）
  useGpsElevation: false                      # 是否使用GPS高程（若GPS高程精度差则设为false）
  gpsCovThreshold: 2.0                        # GPS位置协方差阈值（m²，高于此值的GPS数据会被过滤）
  poseCovThreshold: 25.0                      # 姿态协方差阈值（m²，用于GPS数据筛选）
  
  # 数据导出设置
  savePCD: false                              # 是否保存点云数据到文件（开启会占用大量磁盘空间）
  savePCDDirectory: "/Downloads/LOAM/"        # 点云保存路径（注意：代码会先删除该目录再重建）

  # 激光雷达传感器参数
  sensor: velodyne                            # 激光雷达类型（'velodyne'/'ouster'/'livox'）
  N_SCAN: 16                                  # 激光雷达通道数（如16线、32线等）
  Horizon_SCAN: 1800                          # 水平分辨率（Velodyne 16线为1800，Ouster可设512/1024等）
  downsampleRate: 1                           # 点云下采样率（数据量过大时可增大此值）
  lidarMinRange: 1.0                          # 激光雷达有效测量最小距离（滤除近场噪声）
  lidarMaxRange: 1000.0                       # 激光雷达有效测量最大距离

  # IMU传感器参数（噪声与偏置，需根据实际传感器标定）
  imuAccNoise: 3.9939570888238808e-03         # 加速度计噪声密度（m/s²/√Hz）
  imuGyrNoise: 1.5636343949698187e-03         # 陀螺仪噪声密度（rad/s/√Hz）
  imuAccBiasN: 6.4356659353532566e-05         # 加速度计偏置随机游走（m/s²/√Hz）
  imuGyrBiasN: 3.5640318696367613e-05         # 陀螺仪偏置随机游走（rad/s/√Hz）
  imuGravity: 9.80511                         # 重力加速度值（m/s²，需根据当地实际值调整）
  imuRPYWeight: 0.01                          # IMU姿态权重（用于融合时调整姿态可信度）

  # 传感器外参（激光雷达到IMU的变换矩阵，需通过标定获取）
  extrinsicTrans: [0.0, 0.0, 0.0]             # 平移向量 [x, y, z]（单位：米）
  extrinsicRot: [-1, 0, 0,                     # 旋转矩阵（3x3，按行展开）
                  0, 1, 0,
                  0, 0, -1]
  extrinsicRPY: [0, -1, 0,                     # RPY旋转矩阵（3x3，按行展开）
                 1, 0, 0,
                 0, 0, 1]

  # 特征提取阈值（影响LOAM前端性能）
  edgeThreshold: 1.0                          # 角点提取阈值（值越大，提取的角点越尖锐）
  surfThreshold: 0.1                          # 平面点提取阈值（值越小，提取的平面点越平坦）
  edgeFeatureMinValidNum: 10                  # 角点最小有效数量（低于此值可能导致跟踪失败）
  surfFeatureMinValidNum: 100                 # 平面点最小有效数量

  # 体素滤波参数（降采样提高计算效率）
  odometrySurfLeafSize: 0.4                   # 里程计阶段平面点滤波体素大小（室外0.4，室内0.2）
  mappingCornerLeafSize: 0.2                  # 建图阶段角点滤波体素大小
  mappingSurfLeafSize: 0.4                    # 建图阶段平面点滤波体素大小

  # 机器人运动约束（用于2D机器人场景）
  z_tollerance: 1000                          # z轴位置容差（米，设为大值表示不约束）
  rotation_tollerance: 1000                   # 旋转容差（弧度）

  # CPU资源分配
  numberOfCores: 4                            # 建图优化使用的核心数
  mappingProcessInterval: 0.15                # 建图处理间隔（秒，调节建图频率）

  # 局部地图管理参数
  surroundingkeyframeAddingDistThreshold: 1.0 # 关键帧添加距离阈值（米）
  surroundingkeyframeAddingAngleThreshold: 0.2# 关键帧添加角度阈值（弧度）
  surroundingKeyframeDensity: 2.0             # 局部关键帧密度（米，控制关键帧稀疏程度）
  surroundingKeyframeSearchRadius: 50.0       # 局部关键帧搜索半径（米，用于扫描匹配）

  # 回环检测参数（提升全局定位精度）
  loopClosureEnableFlag: true                 # 是否启用回环检测
  loopClosureFrequency: 1.0                   # 回环检测频率（Hz）
  surroundingKeyframeSize: 50                 # 回环检测子图大小（关键帧数）
  historyKeyframeSearchRadius: 15.0           # 历史关键帧搜索半径（米）
  historyKeyframeSearchTimeDiff: 30.0         # 历史关键帧时间差阈值（秒）
  historyKeyframeSearchNum: 25                # 历史关键帧搜索数量
  historyKeyframeFitnessScore: 0.3            # ICP匹配适应度阈值（越小匹配要求越高）

  # 可视化参数（Rviz显示效果）
  globalMapVisualizationSearchRadius: 1000.0  # 全局地图可视化半径（米）
  globalMapVisualizationPoseDensity: 10.0     # 全局地图姿态密度（米）
  globalMapVisualizationLeafSize: 1.0         # 全局地图点云滤波大小（米）

Navsat 模块配置（GPS 坐标转换）

navsat:
  frequency: 50               # GPS数据发布频率（Hz）
  wait_for_datum: false       # 是否等待基准点初始化
  delay: 0.0                  # 数据延迟（秒）
  magnetic_declination_radians: 0  # 磁偏角（弧度，需根据当地地磁参数调整）
  yaw_offset: 0               # 航向偏移量（弧度）
  zero_altitude: true         # 是否将当前高度设为海拔0
  broadcast_utm_transform: false  # 是否广播UTM坐标转换
  broadcast_utm_transform_as_parent_frame: false
  publish_filtered_gps: false # 是否发布滤波后的GPS数据

EKF（扩展卡尔曼滤波器）配置

ekf_gps:
  publish_tf: false           # 是否发布TF坐标变换
  map_frame: map              # 全局地图坐标系
  odom_frame: odom            # 里程计坐标系
  base_link_frame: base_link  # 机器人基座坐标系
  world_frame: odom           # 世界坐标系

  frequency: 50               # EKF更新频率（Hz）
  two_d_mode: false           # 是否启用2D模式
  sensor_timeout: 0.01        # 传感器超时时间（秒）

  # IMU数据源配置（需与实际传感器话题一致）
  imu0: imu_correct           # IMU话题名称（已校正的IMU数据）
  imu0_config: [false, false, false,
                true,  true,  true,
                false, false, false,
                false, false, true,
                true,  true,  true]  # IMU数据协方差配置（详见ROS EKF文档）
  imu0_differential: false    # IMU是否为差分模式
  imu0_queue_size: 50         # IMU数据队列大小
  imu0_remove_gravitational_acceleration: true  # 是否移除重力加速度

  # 里程计（GPS）数据源配置
  odom0: odometry/gps         # GPS里程计话题
  odom0_config: [true,  true,  true,
                 false, false, false,
                 false, false, false,
                 false, false, false,
                 false, false, false]  # GPS数据协方差配置
  odom0_differential: false   # GPS是否为差分模式
  odom0_queue_size: 10        # GPS数据队列大小

  # 过程噪声协方差矩阵（15x15，影响EKF状态估计精度）
  process_noise_covariance: [  1.0,  0,    0,    0,    0,    0,    0,     0,     0,     0,    0,    0,    0,    0,      0,
                               0,    1.0,  0,    0,    0,    0,    0,     0,     0,     0,    0,    0,    0,    0,      0,
                               0,    0,    10.0, 0,    0,    0,    0,     0,     0,     0,    0,    0,    0,    0,      0,
                               0,    0,    0,    0.03, 0,    0,    0,     0,     0,     0,    0,    0,    0,    0,      0,
                               0,    0,    0,    0,    0.03, 0,    0,     0,     0,     0,    0,    0,    0,    0,      0,
                               0,    0,    0,    0,    0,    0.1,  0,     0,     0,     0,    0,    0,    0,    0,      0,
                               0,    0,    0,    0,    0,    0,    0.25,  0,     0,     0,    0,    0,    0,    0,      0,
                               0,    0,    0,    0,    0,    0,    0,     0.25,  0,     0,    0,    0,    0,    0,      0,
                               0,    0,    0,    0,    0,    0,    0,     0,     0.04,  0,    0,    0,    0,    0,      0,
                               0,    0,    0,    0,    0,    0,    0,     0,     0,     0.01, 0,    0,    0,    0,      0,
                               0,    0,    0,    0,    0,    0,    0,     0,     0,     0,    0.01, 0,    0,    0,      0,
                               0,    0,    0,    0,    0,    0,    0,     0,     0,     0,    0,    0.5,  0,    0,      0,
                               0,    0,    0,    0,    0,    0,    0,     0,     0,     0,    0,    0,    0.01, 0,      0,
                               0,    0,    0,    0,    0,    0,    0,     0,     0,     0,    0,    0,    0,    0.01,   0,
                               0,    0,    0,    0,    0,    0,    0,     0,     0,     0,    0,    0,    0,    0,      0.015]