葉強強， 鄭明魁， 邱 鑫

(福州大學(xué) 物理與信息工程學(xué)院，福建 福州 350117)

0 引 言

國外對于移動機器人相關(guān)技術(shù)的研究起步較早。如20世紀70年代斯坦福研究院(SRI)研究出Shakey的移動機器人，它使用三角測距儀、碰撞傳感器等來實現(xiàn)自主定位與感知。受限于當時的計算機水平及相應(yīng)的技術(shù)，Shakey往往需要數(shù)個小時才能完成相應(yīng)的路徑規(guī)劃。隨著同時定位與建圖(simultaneous localization and mapping，SLAM)技術(shù)的發(fā)展，其技術(shù)迅速被運用到機器人身上。2019年,在美國的TechCrunch AI+機器人大會上波士頓創(chuàng)始人暨CEO Marc Raibert展示了即將量產(chǎn)化的機器人SpotMini[1],展示其靈活性及其適用場景。SpotMini使用雙目攝像頭配合IMU通過3D SLAM技術(shù)實現(xiàn)定位。

國內(nèi)的移動機器人產(chǎn)業(yè)起步時間雖然較短，但是在這一方面也取得相當大的進步。特別是在室內(nèi)移動機器人這一方面，商業(yè)化的步伐正在加快。然而室內(nèi)移動機器人要想真正得走進人們的生活中，還有一些亟待解決的問題，如移動機器人準確的定位是其自主導(dǎo)航的基礎(chǔ)。此外，一套成熟、可移植性強的移動機器人方案也是實現(xiàn)商業(yè)化最重要的前提。

本文基于上述內(nèi)容提出一種移植性強、定位性能優(yōu)秀的室內(nèi)移動機器人方案，在Ubuntu16.04環(huán)境搭載ROS系統(tǒng)上來實現(xiàn)室內(nèi)移動機器人的建圖、循跡及自主導(dǎo)航系統(tǒng)，為室內(nèi)移動機器人商業(yè)化提供一種可行性方案。

1 系統(tǒng)總體框架

1.1 移動機器人硬件框架

本文移動機器人硬件方面采用清華大學(xué)團隊研發(fā)的Autolabor Pro1[2]差速底盤機器人、瑞芬的Ah100b型號九軸慣性測量單元(inertial measurement unit,IMU),北科天繪Rfans—16的激光雷達。移動機器人系統(tǒng)的硬件框架如圖1所示，Autolabor Pro1是雙電機四輪驅(qū)動的模式。因此，同側(cè)車輪的速度是相同的，在發(fā)送右輪或者左輪的速度時，只需要發(fā)送同側(cè)一個車輪速度即可。激光雷達與IMU的數(shù)據(jù)放在PC端進行處理，對移動機器人的控制命令通過RS—232串口發(fā)給機器人底盤。

圖1 移動機器人的硬件框架

1.2 移動機器人軟件框架

移動機器人的軟件框架如圖2所示，由于GMapping[3]與AMCL只適用2D雷達數(shù)據(jù)。因此，使用ROS[4]的開源包Pointcloud_to_laserscan把3D PointCloud2轉(zhuǎn)為2D高質(zhì)量的 LaserScan。為了讓GMapping建圖與AMCL重定位過程更加的精確。這里對2D的LaserScan數(shù)據(jù)進行運動畸變的矯正。另外，由于GMapping與AMCL嚴重依賴于里程計數(shù)據(jù)，若機器人處于打滑的情況，或者是地面不平坦環(huán)境下，會導(dǎo)致建圖與重定位的效果非常不理想。為改善這種情況，使用擴展卡爾曼濾波(extended Kalman filtering，EKF)[5]對輪式里程計與IMU數(shù)據(jù)進行融合，提升里程計數(shù)據(jù)的準確度。

圖2 GMapping建圖與AMCL定位框架

2 激光雷達數(shù)據(jù)預(yù)處理

圖3 移動機器人運動Δt后各個坐標系之間的關(guān)系

(1)

如果移動機器人是在靜止的情況下，運動畸變自然也不存在。但是，若移動機器人移動速度較快時，特別是在旋轉(zhuǎn)的情況下，這種雷達數(shù)據(jù)的運動畸變將嚴重影響到移動機器人的建圖、定位效果。

激光雷達數(shù)據(jù)的畸變矯正主要思想是估計出激光雷達在一幀數(shù)據(jù)時間內(nèi)的運動情況，從而根據(jù)雷達數(shù)據(jù)一幀內(nèi)運動情況對這一幀數(shù)據(jù)進行相應(yīng)的矯正。估計幀內(nèi)運動方法可以借助IMU[7]輔助測量得出，本文直接采用底盤里程計信息輔助方式來對激光數(shù)據(jù)進行運動畸變矯正。里程計信息更新頻率遠遠高于激光雷達的更新頻率，基本都能達到50 Hz左右。ROS環(huán)境下里程計發(fā)布的信息為機器人坐標系base_link在里程計坐標系odom下的位姿O=(xR,yR,θR)T，移動的速度v與角速度ω，在較短的時間內(nèi)能正確反映機器人的運動情況。

假設(shè)一幀的激光雷達n個數(shù)據(jù)對應(yīng)的時間點為{ts,ts+1,…,ts+n-2,te}，由于里程計的更新頻率遠遠高于激光雷的數(shù)據(jù)的發(fā)布頻率，在相同的時間間隔內(nèi)，里程計的時間戳比激光雷達的時間戳更加的密集。如圖4所示，ts與te為一幀中激光數(shù)據(jù)開始點與結(jié)束點對應(yīng)的時刻,豎直虛線代表擁有里程計信息的時間戳。把一幀的激光雷達按照時間間隔分成k個小區(qū)間，設(shè)移動機器人在每一個小區(qū)間內(nèi)為勻加速運動的，如激光雷達的周期T=100 ms,k=10，則每個小區(qū)間的時間為10 ms，假設(shè)機器人在10 ms時間內(nèi)運動狀態(tài)為勻加速運動是合理的。

圖4 激光和里程計信息對應(yīng)的時刻

用Om表示m時刻對應(yīng)的里程計的信息為Om,其中時刻tm

O(ts)=O(tm)+(O(tn)-O(tm))/(tn-tm)(ts-tm)

(2)

同理，通過{ts+k,ts+2k,…,ts+(k-1)k,te}最近時刻的里程計信息進行線性插值求出{O(ts+k),O(ts+2k),…,O(ts+(n-1)k),O(te)}的里程計信息。假設(shè)ts+2k與ts+3k中有p個激光數(shù)據(jù)點，在移動機器人從ts+2k到ts+3k時刻是勻加速運動的前提下,對p個激光點進行線性插值獲取p個點對應(yīng)的里程計信息。同理，獲得這一幀激光數(shù)據(jù)n個點對應(yīng)的里程計信息。使用對應(yīng)的里程計信息根據(jù)上述方法把n個激光點轉(zhuǎn)換到同一坐標系上，重新封裝為激光數(shù)據(jù)再發(fā)布出去，即這一幀的運動畸變矯正完成。

3 GMapping建圖與AMCL重定位

3.1 GMapping建圖

GMapping主要基于RBPF粒子濾波的方法，GMapping中的每一個粒子都維持一幅地圖及相應(yīng)的位姿。RBPF算法把SLAM問題分解為兩個部分:1)p(x1︰t′|z1︰t,u1︰t)機器人的定位;2)p(m|x1︰t,z1︰t)在已知機器人位姿的情況下建圖

{p(x1︰t,m|u1︰t,z1︰t)=p(x1︰t′|z1︰t,u1︰t)*p(m|x1︰t,|z1︰t)}

(3)

GMapping算法使用粒子濾波方式估計出機器人的軌跡p(x1︰t′|z1︰t,u1︰t)，該算法主要有以下4個步驟：

1)抽樣

(4)

(5)

2)重要性權(quán)重的計算

(6)

3)自適應(yīng)重采樣

粒子濾波有個嚴重的缺陷，如果頻繁地進行重采樣的話，粒子的多樣性會散失。為緩解這種情況，GMapping實施自適應(yīng)重采樣，當Neff[9]小于相應(yīng)的閾值T時，則執(zhí)行重采樣。

4)地圖估計

3.2 AMCL重定位

為提升移動機器人定位方面的魯棒性，實現(xiàn)從全局定位失效或者是機器人的綁架情況中恢復(fù)過來AMCL結(jié)合Augmented_MCL算法。Augmented_MCL使用指數(shù)平滑法思想通過跟蹤傳感器測量概率p(zt|z1︰t-1,u1︰t,m)的短期均值ωfast與長期均值ωslow來判斷在什么情況下增加粒子，以便加強定位的魯棒性。

AMCL如果單純的依賴由編碼器得出的里程計的信息的話，在小車行駛的過程中，特別是在轉(zhuǎn)彎的過程中(轉(zhuǎn)彎容易導(dǎo)致打滑)，從而導(dǎo)致粒子的估計不準確。通過EKF融合IMU與里程計的數(shù)據(jù)，能較好地維持粒子的收斂狀態(tài)。

4 移動機器人的路徑規(guī)劃

在移動機器人路徑規(guī)劃[11]這一方面，本文使用的是move_base包。在全局路徑規(guī)劃上使用帶有啟發(fā)式搜索的A*算法[12]。

在局部路徑規(guī)劃這一方面使用動態(tài)窗口法(dynamic window approach,DWA)[13]算法，DWA根據(jù)當前移動移動機器人的狀態(tài)，模擬出多條軌跡，如圖5所示。根據(jù)相應(yīng)的評價標準如是否接近障礙物、是否靠近目標點等選擇一條最優(yōu)的模擬軌跡。

圖5 DWA算法軌跡模擬情況

5 實驗結(jié)果

GMapping建圖效果如圖6所示，從整體上看建圖的效果還是非常不錯。但是由于建圖實際環(huán)境中存在玻璃，激光點透過玻璃，建圖在局部細節(jié)方面還略有瑕疵。

圖6 GMapping建圖結(jié)果

AMCL的定位效果如圖7所示。定位開始時，粒子處于散開狀態(tài)，隨著移動機器人的運動動，粒子慢慢收斂，說明移動機器人根據(jù)當前周圍環(huán)境的雷達數(shù)據(jù)信息逐漸確定自己的位置。

圖7 AMCL粒子收斂圖

為實現(xiàn)移動機器人的室內(nèi)循跡，移動機器人每運動一段距離記錄下相應(yīng)的x,y,yaw，并把這些小車的位姿信息存儲在文本文件下。循跡時，通過依次發(fā)布這些目標點，來實現(xiàn)小車的循跡功能。通過相應(yīng)的設(shè)置，讓移動機器人既能依照軌跡回環(huán)循跡，又能讓小車往返循跡。在局部路徑規(guī)劃方面，小車使用的是DWA算法，在小車在循跡的過程中，也能實現(xiàn)避障的功能。移動機器人的循跡如圖8所示。路徑為繞障礙物一圈的長帶，可以看出，粒子一直收斂在機器人的周圍，定位狀態(tài)良好。

圖8 移動機器人的循跡實現(xiàn)

6 結(jié)束語

本文通過對激光雷達數(shù)據(jù)預(yù)處理，里程計融合IMU實現(xiàn)室內(nèi)移動機器人的GMapping建圖、AMCL重定位、自主導(dǎo)航與循跡等功能。經(jīng)過實驗認證，移動機器人在室內(nèi)自主導(dǎo)航，循跡效果表現(xiàn)良好。而且，本文方案的可移植性非常的強，如需要移植到阿克曼轉(zhuǎn)向型或是麥克納姆輪移動機器人上，只需要更改其相應(yīng)的里程計模型即可?；诒痉桨?，之后可以逐步融合視覺等方面以增加相應(yīng)的功能，提升其魯棒性，使其真正商業(yè)化落地。