汪 威,吳耀華,陳云霞
(山東大學(xué) 現(xiàn)代物流研究中心,山東 濟南 250061)
自然導(dǎo)航在AGV中的應(yīng)用
汪 威,吳耀華,陳云霞
(山東大學(xué) 現(xiàn)代物流研究中心,山東 濟南 250061)
介紹了自然導(dǎo)航在AGV中的應(yīng)用,提出AGV適用于一些非結(jié)構(gòu)性的未知環(huán)境中,即使無法預(yù)先獲知初始狀態(tài)下AGV的自身位姿和所在環(huán)境信息,也能夠?qū)崿F(xiàn)同時定位與地圖創(chuàng)建,并在此基礎(chǔ)上實現(xiàn)自主導(dǎo)航,而且應(yīng)用SLAM技術(shù)的AGV可在現(xiàn)有的工作環(huán)境下運行,無需改造已有基礎(chǔ)設(shè)施,滿足了市場針對特定工作場景以及針對高靈活性、短安裝AGV應(yīng)用的需求。
AGV;自然導(dǎo)航;SLAM
AGV(Automatic Guided Vehicle,自動導(dǎo)引車)是裝備有自動導(dǎo)引裝置,具有各種移載功能的運輸車[1],屬于移動機器人范疇。定位與導(dǎo)航一直是AGV領(lǐng)域的研究熱點。Leonard和Durrant Whyte曾提出機器人在導(dǎo)航中需要解決的三個一般性的問題,即:(1)Where am I?(2)Where do I want to go?(3)How can I get there?[2]。
針對在已知環(huán)境地圖和AGV位姿的情況下的路徑規(guī)劃和尋跡追蹤等問題,目前已有較為成熟的解決方案。但傳統(tǒng)的AGV定位和導(dǎo)航方法,如通過人工設(shè)置路標(biāo)的方式均需對既有車間進(jìn)行改造,需要較長的安裝時間和車間改造成本。如何在環(huán)境地圖未知的情境下,實現(xiàn)基于自然環(huán)境特征的AGV自定位和導(dǎo)航,具有極大的研究意義。
本文主要介紹基于SLAM(Simultaneous localization and mapping,同時定位與地圖創(chuàng)建)技術(shù)實現(xiàn)AGV的自然導(dǎo)航,由于其不需要安裝標(biāo)記或反射器的特點,降低了車間改造成本,縮短了安裝和投入使用的時間,提高了車間的柔性和設(shè)備的可移植性,因而能夠滿足市場對AGV高靈活性、短安裝和啟動時間的需求。
自然導(dǎo)航是一種不需要對基礎(chǔ)設(shè)施進(jìn)行任何調(diào)整的,無需地面標(biāo)記的導(dǎo)航技術(shù),是基于現(xiàn)有環(huán)境實現(xiàn)的導(dǎo)航,可應(yīng)用于AGV領(lǐng)域。自然導(dǎo)航實現(xiàn)過程為:首先讓裝有環(huán)境感知傳感器的AGV在未知環(huán)境中從某一位置出發(fā),根據(jù)其移動過程中內(nèi)部與外部傳感器獲取的感知信息進(jìn)行自定位,同時逐漸建立一個連續(xù)的環(huán)境地圖[3],即SLAM過程。然后,在此地圖的基礎(chǔ)上可以實現(xiàn)AGV的精確定位與路徑規(guī)劃,完成導(dǎo)航任務(wù)。
2.1 自然導(dǎo)航發(fā)展現(xiàn)狀
近年來國內(nèi)外關(guān)于自然導(dǎo)航的研究迅速發(fā)展,并將理論研究成果應(yīng)用于機器人實際應(yīng)用中。例如澳大利亞悉尼大學(xué)Australian Centre for Field Robotics實驗室研制出使用自然導(dǎo)航的越野車,可實現(xiàn)對現(xiàn)實環(huán)境的數(shù)據(jù)采集[4];德國的科爾摩根團隊在NDC8系統(tǒng)提出使用自然導(dǎo)航技術(shù),已成功應(yīng)用于阿拉乳品公司及其他的工業(yè)領(lǐng)域的物流場景中;Irobot公司將自然導(dǎo)航的技術(shù)應(yīng)用于掃地機器人中,并開發(fā)出Roomba980智能掃地機器人[5]。國內(nèi)自然導(dǎo)航在AGV中也有實際應(yīng)用的案例,包括工業(yè)和服務(wù)業(yè)領(lǐng)域,如浙江國自機器人公司開發(fā)的牽引式AGV使用自然導(dǎo)航可實現(xiàn)車間搬運作業(yè);沈陽新松機器人發(fā)布的“松果”系列服務(wù)機器人可通過自然導(dǎo)航實現(xiàn)智能送餐、引領(lǐng)講解等功能;此外,國內(nèi)很多高校實驗室正致力于實現(xiàn)自然導(dǎo)航SLAM技術(shù)的研究。但是總的來說,目前國內(nèi)的研究仍然主要集中在對國外已有研究成果的復(fù)現(xiàn)上,尚無領(lǐng)先的研究成果。而且技術(shù)理論研究居多,在真實環(huán)境的成功應(yīng)用案例比較少,在未來的研究中應(yīng)該重視技術(shù)研究與實際應(yīng)用彼此結(jié)合[6]。
2.2 SLAM基本原理
SLAM技術(shù)是自然導(dǎo)航的核心技術(shù),成功實現(xiàn)SLAM是AGV實現(xiàn)自然導(dǎo)航的前提,SLAM過程中地圖建立的精度對后期定位與導(dǎo)航的精度有著重大的影響。
在SLAM過程中,移動機器人需要通過多種傳感器來計算其自身運動狀態(tài)和獲取未知環(huán)境的特征信息。用于計算自身運動狀態(tài)的傳感器稱為內(nèi)部傳感器,用于感知環(huán)境信息的稱為外部傳感器[7]。移動機器人從初始位置出發(fā),依靠內(nèi)部傳感器來推算機器人移動的距離與位姿狀態(tài),即相對定位。由于其自身的系統(tǒng)誤差以及機器人機械安裝、行走過程中打滑等產(chǎn)生的誤差,會導(dǎo)致機器人自身的相對定位有一定的不確定性,隨著時間的積累,這種不確定性則會導(dǎo)致SLAM過程失敗。因此,需要通過建立地圖以獲取機器人在地圖中的絕對定位,來修正其自身運動狀態(tài)的不確定性。在建圖過程中,外部傳感器在感知未知環(huán)境的特征時,也存在著一定的誤差,并且環(huán)境模型建立的準(zhǔn)確性也需要精確的機器人定位來保障。因此,SLAM過程主要是采用概率統(tǒng)計的方法處理這些不確定性信息,尋求動態(tài)隨機系統(tǒng)的最優(yōu)狀態(tài)估計。其過程簡化描述為“預(yù)測—匹配—校正—更新”。實現(xiàn)SLAM過程的整體系統(tǒng)結(jié)構(gòu)如圖1所示。
圖1 SLAM過程系統(tǒng)結(jié)構(gòu)圖
(1)相對定位。機器人相對定位即通過內(nèi)部傳感器測量機器人位移與航向的偏移量來計算其位姿,主要有航跡推算與慣性導(dǎo)航法[8]。相對定位不需要借助對外界環(huán)境的測量,但是其無法避免隨著時間推移測量值的誤差累積問題,因此需要借助對環(huán)境信息的測量等輔助手段來修正其誤差。
(2)環(huán)境信息的獲取。目前環(huán)境信息的獲取主要依靠激光雷達(dá)和視覺兩類傳感器[9]。
目前來說,激光雷達(dá)用于實現(xiàn)SLAM的技術(shù)較為成熟。激光雷達(dá)基于一定的角度分辨率提供二維平面內(nèi)的機器人本體與環(huán)境中物體的距離信息[10]。基于激光雷達(dá)實現(xiàn)SLAM的方式優(yōu)點為精度高,計算量小,易于實現(xiàn)實時SLAM;其缺點為成本較高。
視覺傳感器是當(dāng)前SLAM研究的熱點,視覺SLAM研究主要有單目視覺、雙目視覺和RGBD。由于視覺導(dǎo)航技術(shù)低成本,信息量大等特點,因而有著巨大的研究價值和潛在經(jīng)濟效益,相關(guān)技術(shù)仍處于研究階段。
(3)環(huán)境特征提取。通過外部傳感器獲得環(huán)境信息的原始數(shù)據(jù),需要進(jìn)一步從中提取環(huán)境特征并保存,才可用于后續(xù)的環(huán)境地圖的匹配與系統(tǒng)狀態(tài)的校正。常用的環(huán)境特征提取方法有霍夫變換、聚類分析等。霍夫變換是一類基于灰度圖探察直線和其他曲線的方法,但是該方法要求已知被提取對象類別。聚類分析是另一種特征提取方法,將所針對對象分組成自然類別或基于相似性或距離的簇類,適用于被提取對象類別未知的情況。
(4)特征匹配。在SLAM過程中,機器人自定位與環(huán)境建模是兩個相互依賴的問題,并且機器人自身狀態(tài)計算與環(huán)境特征提取都有其不確定性[11]。利用機器人相對定位與環(huán)境特征的掃描匹配可以有效的減小系統(tǒng)的不確定性,實現(xiàn)精準(zhǔn)SLAM。
當(dāng)機器人到達(dá)下一個位置時,首先通過內(nèi)部傳感器對自身狀態(tài)進(jìn)行估計,即相對定位。同時,在新的位置觀測到的環(huán)境將會有所更新,也有與前一位置觀測的環(huán)境重合的部分,則利用對環(huán)境多次觀測具有高度相關(guān)性這一特點,通過對掃描數(shù)據(jù)預(yù)先處理和坐標(biāo)系轉(zhuǎn)換來進(jìn)行特征匹配,來減小SLAM過程中的不確定性。
首先,系統(tǒng)中包含機器人本體、外部傳感器等個體,因此會有多個坐標(biāo)系[12]。需要建立一個完整的環(huán)境模型,來實現(xiàn)局部環(huán)境特征間的匹配和局部與全局環(huán)境之間的匹配,因此要進(jìn)行坐標(biāo)系轉(zhuǎn)換。
由于掃描數(shù)據(jù)中會存在一些環(huán)境噪聲與系統(tǒng)噪聲,例如臨時移動的物體,因此在進(jìn)行數(shù)據(jù)關(guān)聯(lián)之前還要對掃描數(shù)據(jù)預(yù)先處理,能夠大大減小下一步數(shù)據(jù)關(guān)聯(lián)的復(fù)雜性,同時系統(tǒng)將獲得更好的魯棒性。
特征匹配是將機器人在新位置獲得的環(huán)境信息數(shù)據(jù)與以前的系統(tǒng)狀態(tài)進(jìn)行關(guān)聯(lián)匹配的過程,特征匹配按照數(shù)據(jù)關(guān)聯(lián)方法可以為分為:點到點、點到特征、特征到特征的匹配,后兩種方法需要能夠提取環(huán)境中明確特征才能進(jìn)行?;邳c到點的數(shù)據(jù)關(guān)聯(lián)經(jīng)常使用最近鄰算法、全局最近鄰算法。此外還有聯(lián)合相容分支定界法,該算法考慮每個測量值獨立關(guān)聯(lián)的同時考慮了全部關(guān)聯(lián)之間的相容性,有效減小了數(shù)據(jù)關(guān)聯(lián)中可能出現(xiàn)的錯誤匹配[13]。數(shù)據(jù)關(guān)聯(lián)過程將新觀測地標(biāo)數(shù)據(jù)劃分為兩種,一種為傳感器在上一位置已觀測過的地標(biāo),另一種則為新的地標(biāo)。利用重復(fù)觀測的地標(biāo)的最終測量值作為系統(tǒng)的測量值,通過濾波算法可用于修正之前機器人位姿與地標(biāo)位置的預(yù)測誤差,以此得到更精確的系統(tǒng)的狀態(tài)量。而新的地標(biāo)測量的引入則可進(jìn)行新一輪的系統(tǒng)狀態(tài)預(yù)測,如此循環(huán)進(jìn)行預(yù)測,匹配,校正,更新,最終實現(xiàn)全局地圖的建立。
(5)環(huán)境地圖。環(huán)境模型目前主要有三種表達(dá)方式:柵格地圖、幾何地圖和拓?fù)涞貓D[14-18]。
柵格地圖是一種基于空間分解的方法,將環(huán)境劃分為一系列的大小相同的柵格,各柵格的值表示該柵格中有實物占據(jù)的概率。柵格地圖易于創(chuàng)建和維護,保留更全的原始信息。缺點為不適用于大規(guī)模環(huán)境的地圖建立。
幾何地圖利用從環(huán)境中提取的線段等幾何特征表示環(huán)境,這種表示方法更為緊湊,便于目標(biāo)識別,基于幾何地圖的表示方法缺點為不適用于非結(jié)構(gòu)化環(huán)境。
拓?fù)涞貓D把環(huán)境表示為帶結(jié)點和相關(guān)連接線的拓?fù)浣Y(jié)構(gòu)圖,結(jié)點表示環(huán)境中重要的位置點,邊則表示結(jié)點間的連接關(guān)系?;谕?fù)涞貓D的環(huán)境建模有利于進(jìn)一步的路徑規(guī)劃,并且其存儲和搜索空間較小,計算效率高。其缺點為難以識別相似的環(huán)境。
3.1 自然導(dǎo)航AGV的應(yīng)用方案
AGV應(yīng)用自然導(dǎo)航的流程如圖2所示。SLAM過程是定位與導(dǎo)航的基礎(chǔ),目前SLAM技術(shù)相對于傳統(tǒng)的人工設(shè)定路標(biāo)或反射板等定位方式依然較為不成熟,處于研發(fā)階段,基于SLAM實現(xiàn)的自然導(dǎo)航的定位精度往往難以達(dá)到預(yù)期要求。因此,目前想要在某些對精度要求較高的環(huán)境中應(yīng)用自然導(dǎo)航,通常可以考慮融合其他輔助定位方式來實現(xiàn)精準(zhǔn)定位。以下提出三條自然導(dǎo)航在AGV中復(fù)合應(yīng)用方案。
(1)可以在全局環(huán)境中使用自然導(dǎo)航,而在一些站臺對接的局部關(guān)鍵性區(qū)域則人工加入反射板進(jìn)行輔助定位。
(2)可以在環(huán)境中地面加入二維碼定位信息,應(yīng)用自然導(dǎo)航的AGV每掃描到新的二維碼可更新其位姿,消除長時間運行的累計誤差,在站臺等關(guān)鍵點也可利用二維碼地標(biāo)糾正位姿實現(xiàn)精準(zhǔn)對接。
(3)在一些工廠中,需要AGV可以切換為人工操作方式,這樣不僅可以應(yīng)對臨時非正常作業(yè)與突發(fā)狀況,同時,在一些站臺對接等關(guān)鍵位置人工輔助取放貨更為安全、精準(zhǔn)。因此,可以將自然導(dǎo)航與人工操作完美結(jié)合應(yīng)用于AGV系統(tǒng),增強系統(tǒng)的魯棒性與靈活性。
圖2 自然導(dǎo)航應(yīng)用流程
3.2 應(yīng)用SLAM的自然導(dǎo)航的優(yōu)勢
(1)無需調(diào)整基礎(chǔ)設(shè)施,無需人工添加標(biāo)記。采用自然導(dǎo)航的AGV小車,無需在環(huán)境中安裝其他輔助定位設(shè)施,小車基于現(xiàn)有環(huán)境進(jìn)行SLAM并在此基礎(chǔ)上實現(xiàn)自主導(dǎo)航。大幅提升了工程實施的效率,具有更高的便捷性、靈活性,應(yīng)用成本低,應(yīng)用周期短。
(2)系統(tǒng)柔性高。應(yīng)用自然導(dǎo)航方式的AGV,可以移除所有用于控制自動導(dǎo)引車行駛路徑的界限,后期進(jìn)行路徑規(guī)劃更靈活。環(huán)境適應(yīng)性強,更容易擴展AGV系統(tǒng)的應(yīng)用方案。
(3)環(huán)境適應(yīng)性強。在AGV中采用自然導(dǎo)航,使其能夠適用于未知的非結(jié)構(gòu)性環(huán)境中,同時在一些難以進(jìn)行人工添加航標(biāo)的環(huán)境,如室外環(huán)境中更易于實現(xiàn),環(huán)境適應(yīng)性強。
3.3 目前存在的技術(shù)難點
(1)SLAM算法的復(fù)雜度。目前各種用于解決SLAM中不確定性問題的算法,主要有卡爾曼濾波(KF),擴展卡爾曼濾波(EKF),粒子濾波算法,Rao-Blackwellized粒子濾波(RBPF)[19-22]。
其中KF、EKF算法是基于狀態(tài)變量為高斯分布的假設(shè),對于非高斯分布的估計存在界限;粒子濾波算法不需進(jìn)行系統(tǒng)的線性以及傳感器的高斯噪聲假設(shè),但其中尚需解決粒子退化現(xiàn)象和重采樣操作后引起的樣本貧乏問題,對高維估計問題不能有效應(yīng)對;基于RBPF的SLAM算法對數(shù)據(jù)關(guān)聯(lián)錯誤不敏感,但RBPF系列方法的主要挑戰(zhàn)在于降低建立精確地圖所需的粒子數(shù)量,以及由重采樣造成的粒子多樣性喪失的問題,即粒子耗盡問題。
(2)如何從二維到三維。目前的基于SLAM實現(xiàn)的自然導(dǎo)航的研究和應(yīng)用,只能在二維平面的模式下進(jìn)行定位和建圖。但是在三維立體的運行環(huán)境,比如無人機的飛行環(huán)境,有x,y,z三個方向。要實現(xiàn)三維空間的高度智能化,需要更大程度上的理解環(huán)境信息,需要解決基于立體視覺的三維場景SLAM的應(yīng)用問題。
(3)多機器人協(xié)作。對于單個機器人的SLAM問題,已有大量國內(nèi)外學(xué)者提出了相關(guān)解決方案。但是在大環(huán)境下,單個機器人在構(gòu)圖速度和精度方面都存在界限。如何進(jìn)行大環(huán)境下多機器人的協(xié)作,是SLAM研究中的一個較新的研究領(lǐng)域。該領(lǐng)域的核心問題是多機器人之間的通信拓?fù)?、任?wù)規(guī)劃和地圖融合[23]。
本文系統(tǒng)介紹了自然導(dǎo)航在AGV中的應(yīng)用,從應(yīng)用現(xiàn)狀、基本原理、自擾導(dǎo)航方式在AGV領(lǐng)域的優(yōu)勢和技術(shù)難點等方面展開分析,重點介紹了SLAM技術(shù)。自然導(dǎo)航作為一種實現(xiàn)AGV自主定位與導(dǎo)航的一種較先進(jìn)的解決方案,改變了傳統(tǒng)導(dǎo)航方式對人工設(shè)置導(dǎo)航地標(biāo)方法的依賴,實現(xiàn)真正意義上的全自動化無人搬運。但是其核心方法-SLAM方法仍存在算法復(fù)雜度高、三維制圖和多機器人協(xié)作等技術(shù)難點,仍需要不斷探索和研究。
[1]楊奇.輪式機器人的實時障礙物識別和視覺導(dǎo)引[D].沈陽:沈陽理工大學(xué),2011.
[2]Leonard J,Durrant-Whyte H F.Mobile Robot Localization by Tracking Geometric Beacons[J].IEEE Transactions on Robotics and Automation,1991,7(3):376-382.
[3]Durrantwhyte H,Bailey T.Simultaneous localization and mapping:part I[J].IEEE Robotics&Automation Magazine,2006,13 (2):99-110.
[4]Bailey T.Mobile robot localization and mapping in extensive outdoor environments[D].Sydney:Univer-sity of Sydney,2002.
[5]趙航,劉玉梅,卜春光,等.掃地機器人的發(fā)展現(xiàn)狀及展望[J].信息與電腦,2016,(12).
[6]宋春林.基于激光測距儀的移動機器人SLAM研究與實現(xiàn)[D].哈爾濱:哈爾濱工業(yè)大學(xué),2014.
[7]宋婷.傳感器在農(nóng)業(yè)采摘機器人中的應(yīng)用[J].農(nóng)機化研究, 2009,31(5):199-201.
[8]季宏.基于聲納和激光測距的移動機器人SLAM研究[D].南京:東南大學(xué),2009.
[9]史鵬波.基于單線激光雷達(dá)的道路特征檢測[D].南京:南京理工大學(xué),2013.
[10]侯學(xué)勇.基于二維激光測距的移動機器人道路可行區(qū)域提取[D].杭州:杭州電子科技大學(xué),2012.
[11]趙黎明.智能移動機器人的定位與環(huán)境建模研究[D.重慶:重慶郵電大學(xué),2011.
[12]高森.基于多傳感器信息的機器人運動目標(biāo)檢測與跟蹤[D].大連:大連理工大學(xué),2014.
[13]鐘鉅斌.基于多種導(dǎo)航技術(shù)混合的AGV系統(tǒng)設(shè)計[D].杭州:浙江大學(xué),2016.
[14]伍舜喜.基于激光雷達(dá)的智能車定位技術(shù)研究[D].上海:上海交通大學(xué),2008.
[15]張恒.基于不確定信息處理的移動機器人定位與地圖構(gòu)建研究[M].長沙:中南大學(xué),2007.
[16]伍舜喜.基于激光雷達(dá)的智能車定位技術(shù)研究[D].上海:上海交通大學(xué),2008.
[17]樊征.面向雙臂移動機器人三維仿真的拓?fù)涞貓D自動創(chuàng)建研究[D].上海:上海交通大學(xué),2010.
[18]賀偉,梁昔明.未知環(huán)境中移動機器人SLAM問題的研究進(jìn)展[J].微計算機信息,2005,(3):179-180.
[19]武二永,項志宇,沈敏一,等.大規(guī)模環(huán)境下基于激光雷達(dá)的機器人SLAM算法[J].浙江大學(xué)學(xué)報(工學(xué)版),2007,41 (12):1 982-1 986.
[20]張淼,胡建旺,周云鋒,等.改進(jìn)粒子濾波算法的比較[J].電光與控制,2009,16(2):30-32.
[21]駱云祥.非線性濾波在移動機器人SLAM中的應(yīng)用[D].南京:南京理工大學(xué),2009.
[22]王富.未知環(huán)境中移動機器人定位與建圖技術(shù)的研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2013.
[23]呂強,林輝燦,張洋,等.基于視覺的多機器人協(xié)作SLAM問題[J].科技導(dǎo)報,2015,33(23):110-115.
Application of Natural Navigation in AGV
Wang Wei,Wu Yaohua,Chen Yunxia
(Modern Logistics Research Center,Shandong University,Ji'nan 250061,China)
In this paper,we introduced the application of natural navigation in AGV and proposed that when applied in some nonstructural unknown environment and even if advance knowledge of the initial pose and environmental information was unavailable,the AGV could realize simultaneous location and mapping and on such basis achieve independent navigation.Then we found that the SLAM-incorporated AGV could operate with current working environment and necessitate no modification of the current infrastructure,thus satisfying the demand in the market for flexibility and ease of installation.
AGV;natural navigation;simultaneous location and mapping
TP23
A
1005-152X(2016)12-0033-04
10.3969/j.issn.1005-152X.2016.12.008
2016-10-31
汪威,男,安徽安慶人,碩士研究生,主要研究方向:物流工程;吳耀華(1963-),男,山東濟南人,教授,博士生導(dǎo)師,主要研究方向:物流工程;陳云霞,女,新疆昌吉人,碩士研究生,主要研究方向:物流工程。