【摘 ?要】隨著智能車應用的普及，同時定位技術和地圖模型建立技術的發(fā)展，能夠幫助智能車在未知環(huán)境下移動和信息采集。智能車在未知環(huán)境下通過周圍環(huán)境事物進行二維地圖坐標構建。本文分析了在SLAM問題中，智能車在移動過程中與環(huán)境產生相對誤差以及地圖模型建立的精度不夠高的問題。通過多傳感器融合和算法優(yōu)化的方法，彌補了單一傳感器功能局限的缺點，智能車定位不準確，并提高整體性能。

【關鍵詞】SLAM;智能車;定位;誤差;陀螺儀;PID;控制

一、引言

自動駕駛技術的發(fā)展與應用已經成為當今社會的發(fā)展趨勢，智能車將會在今后的幾年甚至幾十年內廣泛的被普及，盡管現(xiàn)在有大量的關于智能車的研究，依舊難以解決道路復雜問題和構圖精確問題?，F(xiàn)在社會中依舊存在智能車因算法問題或者硬件設備問題而導致的危險事故。本文針對智能車在未知環(huán)境中定位存在誤差進行了誤差分析和算法優(yōu)化。主要內容如下：

（1）針對不同環(huán)境下SLAN技術對環(huán)境的成像存在誤差進行分析。

（2）特征點識別判斷存在誤判

（3）根據已有的數學算法對智能車二維坐標定位和路徑移動進行優(yōu)化，主要通過陀螺儀實時采集智能車當前姿態(tài)來測算出小車的行駛方向，移動速度和行駛距離。

二、SLAM定位誤差分析[1]

現(xiàn)階段智能車定位功能主要是通過自身攜帶的傳感器對周圍環(huán)境的感知，獲取周圍不同方向不同距離的事物，對比自身位置，在二維坐標軸上標注出環(huán)境事物的位置。智能車在動態(tài)移動時，實時更新出周圍事物的位子并標在二維地圖上。由于激光雷達在發(fā)送接收時存在傳播時延，智能車在雷達工作期間存在位移，使得在實時更新二維地圖建模中，周圍物體位置不準確。不同物體表面反射波的能力不同，可能接收到多個信息點或者丟失信號，導致特征點的重復判定或誤判?，F(xiàn)階段的激光SLAM算法有限并且只適用于低移動速度的物體，若車速過快，精度和準確性不高。

2.1傳播時延

建立以移動智能車為中心的二維坐標軸，雷達通過發(fā)送接收信號，在坐標軸上顯示物體的特征點位。距離雷達越近的物體（或者墻面），雷達掃描到的點越密集，刷新速度越快，距離越遠點越稀疏、分散、刷新速度慢。如圖1-1室內地形。

2.2未知環(huán)境空曠程度

當未知環(huán)境存在的路標較少時，無法準確的構建出二維坐標軸邊界，從而使智能車無法根據邊界和參照物確定所在空間位置。導致在地圖構建過程中存在長度或者寬度的誤差或錯誤。也會使智能車失去方向，無法完成導航。如圖2室外空曠拍攝，在智能車周圍存在的少數草堆和數目，僅能反映出智能車此時的位置，不能得出智能車前方的環(huán)境信息。

2.3復雜環(huán)境中特征點的誤判

本次實驗的環(huán)境在教室過道中，當前位置在過道的交匯處，由圖3復雜環(huán)境可以看出，智能車正前方兩側的特征點稀疏且分布不均勻，但是在實際環(huán)境中左側為墻面。右側走廊中沒有行人和障礙物，檢測到的地形依然存在誤判的情況。

三、算法優(yōu)化

目前的空間定位算法大多是以周圍環(huán)境為參照物[3]，通過不同傳感器獲得到的數據，經過數據處理和傳感器融合，構建地圖。在實際數據融合過程中，使用對信號影響最小的卡爾曼濾波法對融合數據進行處理，但是沒有考慮到環(huán)境因素的干擾，智能車位置的變動和SLAM輸出信號的非線性。以下是我對智能車二維地圖中運行姿態(tài)和減小誤差的算法優(yōu)化。

3.1慣性技術

慣性技術的核心是陀螺儀和加速度計，通過物體的移動使陀螺儀產生傾斜角度，獲取陀螺儀角度 進行積分，Angle是傾斜角度的積分，Angle為正數時，表示順時針傾斜角，物體的移動是前進，狀態(tài)反之則為后退。計算傾斜角度的積分與智能車的移動速度可以的到速度與Angle的代數關系. ?.如圖4MPU-6050方向示意圖。

空間方向定位是構建二維坐標系中最重要的一點，不僅關系到物體距離智能車的方向和距離，還決定了小車的行駛方向。與慣性測量單元（inertial measurement unit，IMU）構造相類似，通過固定X軸為固定軸，XOY平面為水平平面，Y軸為智能車行駛的正方向。當智能車左右轉彎時，Z軸旋轉，產生了角速度和角加速度。對角加速度積分Angle2，理論上旋轉360°時Angle2的積分為定值。再通過信號放大，比例算出當前智能車的朝向。

每4毫秒采集一次陀螺儀各方向角加速度，系統(tǒng)每16毫秒執(zhí)行一次數據求和。對16毫秒內的數據加權平均，減小不可避免因素例如濾波，硬件等對數據的影響，將累計求和的方向轉動信息和小車的運行距離在二維坐標上進行修正，可以得到智能車的行動軌跡點以及在地圖建模中的具體位置和前進方向。

當前IMU作為SUS的產物，以體積小，功耗低，的優(yōu)勢被廣泛運用在了智能汽車，精度較高的數控設備上，可以在一定程度上解決無法獲取物體當前運動姿態(tài)的問題，以便于更好的做出修正和改變。

3.2增量式PID

現(xiàn)在關于PID算法的種類非常多，常見的PID算法有位置式PID控制算法，增量式PID控制算法，積分分離PID控制算法，變速積分PID控制算法等。本文中采用的方法是增量式PID控制算法。

由于智能車處在一個變化的環(huán)境當中，周圍物體參照物的位置確定存在誤差，周圍移動的物體（人）會使二維坐標中的路標動態(tài)移動，會影響到智能小車在行駛過程中自身位置的確定。通過學習智能車技術報告[4]中的增量式PID算法，增量式PID公式為speed=（KP*（err[2]-err[1]）+（KI*err[2]+KD*（err[2]-2*err[1]+err[0]）））;其中的speed是智能車輸出的速度，KP，KI，KD分別為比例項，積分項，微分項，err[3]為三次采樣值與設定速度的偏差。結合陀螺儀的Angel2積分與輸出速度speed對于時間t的積分，得到智能車當前的行駛方向和行駛距離，通過設置定時器中斷在一定時間內采集智能車的行駛姿態(tài)，每四次采集進行一次數據處理，將得到的數據通過增量式PID算法對數據的有效性進行判定，無效數據刪除，有效數據加權平均，得到適中的增量。將角度增量和位移增量融合到二維坐標軸中。

四、總結

綜上所述，針對SLAM技術對智能小車在未知環(huán)境中定位存在誤差和錯誤的情況，主要問題是小車不能準確獲得周圍環(huán)境的地理路標，智能車不能確定自身坐標并實時動態(tài)性更新坐標。智能車在運行過程當中，會因為環(huán)境因素，車輪轉速不同等因素使其偏離的指定的導航，從而造成智能車的方向錯誤并且會導致周圍路標的定位錯誤。目前，多傳感器融合SLAM技術從根本上彌補了單一視覺SLAM的不足，提高了智能車在位置環(huán)境中自主導航的準確性和定位準確性。但是由于目前數據融合技術的不夠成熟，多傳感器數據耦合度不高，這一問題相關技術和研究還有待突破。綜合近年來相關SLAM技術的發(fā)展，數據融合，實時性成為關鍵，這將推動智能車發(fā)展，更好的適應未知環(huán)境。

參考文獻：

[1]季秀才，鄭志強，張輝.SLAM問題中機器人定位誤差分析與控制.自動化學報.2008（03）

[2]孫永全，田紅麗.視覺慣性SLAM綜述.計算機應用研究，河北工業(yè)大學人工智能與數據科學學院.河北工業(yè)大學河北省大數據計算重點實驗室.2019

[3]鄧世燕，郭承軍. 基于多傳感器融合的即時定位與地圖構建方法研究.第十一屆中國衛(wèi)星導航年會論文集——S13自主導航，電子科技大學電子科學技術研究院，電子科技大學通信抗干擾技術國家級重點實驗室.2020

[4]郭威，王旭，王新域.第十一屆“恩智浦”杯全國大學生智能汽車競賽五菱宏光技術報告

基金項目：

青島工學院2020年山東省大學生創(chuàng)新創(chuàng)業(yè)訓練計劃資助項目，項目名稱：“機器視覺”視障醫(yī)療輔助智能設備，項目編號：S202013995003，項目負責人：葉乾耀，項目成員：趙舒欣 于志鵬

（作者單位：青島工學院）