周海冰, 陶重犇, 孫云飛, 班建民, 高涵文

(蘇州科技大學(xué) 江蘇省建筑智慧節(jié)能重點實驗室, 蘇州 215009)

引言

近幾年來, 導(dǎo)航機器人研發(fā)勢頭良好, 許多國內(nèi)外的研究機構(gòu)已經(jīng)開發(fā)出了各種類型的導(dǎo)航機器人平臺.但依舊存在機器人研發(fā)成本高、智能化水平低等問題[1].一些導(dǎo)航機器人平臺是基于承載能力有限的小型移動底盤開發(fā)而來. 由于缺少相應(yīng)計算與感知能力的支持,因此對于機器人的導(dǎo)航精度或信息處理能力產(chǎn)生影響,比如iRobot Create掃地機器人; 另一些導(dǎo)航機器人平臺是按照定制要求設(shè)計的. 其硬件通用性與擴展性較差. 比如Willow Garage公司的PR2機器人、波士頓動力公司的RTCs導(dǎo)航機器人和斯坦福大學(xué)的STAIR1導(dǎo)航機器人平臺等; 還有針對教學(xué)與科研而開發(fā)的全套尺寸導(dǎo)航機器人, 比如Pioneer系列的導(dǎo)航機器人. 但是該類機器人不僅硬件兼容性較差, 而且價格昂貴[2].

目前, 導(dǎo)航機器人主要基于地圖來實現(xiàn)運動路徑的規(guī)劃、運動控制與自主導(dǎo)航. 然而, 由于許多現(xiàn)有的導(dǎo)航機器人實驗平臺不僅硬件通用性、兼容性較差,而且存在傳感器感知能力與計算能力不足等問題, 從而導(dǎo)致在室內(nèi)環(huán)境地圖構(gòu)建時普遍存在累積誤差的問題. 宋宇等人提出利用一種平方根容積Rao-Blackwillised粒子濾波SLAM算法, 來減少非線性模型的累積誤差,并提高環(huán)境地圖的構(gòu)建精度[3]. 楊鴻等人基于Kinect深度攝像頭, 首先利用SURF算子提取圖像的特征點并匹配, 并結(jié)合RANSAC算法剔除可能存在的誤匹配點, 完成初始配準(zhǔn), 再運用ICP算法對采集到的深度圖像進(jìn)行精確配準(zhǔn), 最后得到三維環(huán)境地圖[4]. 該方法生成的地圖雖然精度較高, 但是計算量巨大, 且較為耗時.Yu等人提出利用雙目視覺獲得深度信息, 并基于場景分割理論構(gòu)建信息不確定數(shù)學(xué)模型, 并根據(jù)概率的方法構(gòu)建三維柵格地圖[5]. 該算法需要對雙目獲取的圖像進(jìn)行融合, 在解決地圖精度的同時, 也存在計算量較大的問題.

針對上述建圖研究中普遍存在的累計誤差問題,本文首先按照模塊化設(shè)計思想開發(fā)一臺導(dǎo)航機器人實驗平臺, 并提出一種融合了先驗估計的最大期望算法,用于修正建圖時由于導(dǎo)航機器人車輪打滑產(chǎn)生的累積誤差. 從而實現(xiàn)準(zhǔn)確的室內(nèi)環(huán)境地圖構(gòu)建.

1 導(dǎo)航機器人硬件系統(tǒng)設(shè)計

本文選用ARM Cortex-M3微處理器作為導(dǎo)航機器人的主控系統(tǒng), 并包含通信、感知、電機、顯示和電源五個終端模塊. 主控系統(tǒng)以集中式控制的方式實現(xiàn)數(shù)據(jù)存儲與運算, 終端只負(fù)責(zé)與主控系統(tǒng)間的數(shù)據(jù)傳輸. 本文設(shè)計的主控系統(tǒng)按照模塊化理念設(shè)計系統(tǒng)的各個部分, 從而保證系統(tǒng)可擴展性[6]. 本文設(shè)計的導(dǎo)航機器人硬件總體結(jié)構(gòu)如圖1所示.

本文設(shè)計的導(dǎo)航機器人底盤如圖2所示. 主控系統(tǒng)是整個機器人的控制中心, 主要負(fù)責(zé)整個系統(tǒng)的控制決策, 以及機器人導(dǎo)航的實時計算. 電源模塊由一個24 V的蓄電池構(gòu)成, 經(jīng)過電壓轉(zhuǎn)換處理后為機器人系統(tǒng)供電. 顯示模塊由深度攝像頭組成, 主要通過把攝像頭攝取圖像信息傳送到主控系統(tǒng)進(jìn)行處理. 通信模塊利用無線網(wǎng)絡(luò)向上位機傳輸數(shù)據(jù), 并由上位機負(fù)責(zé)對數(shù)據(jù)的進(jìn)一步處理. 電機驅(qū)動模塊負(fù)責(zé)執(zhí)行主控系統(tǒng)對步進(jìn)電機的控制指令.

圖1 導(dǎo)航機器人硬件總體結(jié)構(gòu)圖

圖2 本文設(shè)計的機器人底盤

2 導(dǎo)航機器人軟件系統(tǒng)設(shè)計

2.1 驅(qū)動模塊軟件設(shè)計

步進(jìn)電機工作原理是實現(xiàn)電脈沖信號與角位移或線位移之間的轉(zhuǎn)換. 電機在額定功率范圍內(nèi)的轉(zhuǎn)速只與信號的頻率和脈沖數(shù)有關(guān), 與負(fù)載無關(guān). 因此在驅(qū)動模塊的軟件設(shè)計中只需考慮信號的頻率和脈沖數(shù)[7]. 在本系統(tǒng)中由微處理器的定時器產(chǎn)生一定頻率的脈沖信號, 再通過步進(jìn)電機驅(qū)動器轉(zhuǎn)變, 使其達(dá)到不同的速度.

本文設(shè)計的驅(qū)動模塊程序流程圖如圖3所示, 在對驅(qū)動模塊進(jìn)行初始化與復(fù)位后, 確定目標(biāo)距離, 并計算出電機需要走的步數(shù)和脈沖當(dāng)量. 電機根據(jù)接受的信號以一定方向轉(zhuǎn)動固定角度. 同時分別利用脈沖個數(shù)精確控制電機的角位移量, 利用脈沖頻率控制電機轉(zhuǎn)動速度與加速度, 從而實現(xiàn)調(diào)速.

圖3 驅(qū)動模塊流程圖

控制軟件用于步進(jìn)電機的速度的升降, 其結(jié)果對電機工作穩(wěn)定性、速度升降快慢、以及定位精度等均會產(chǎn)生影響. 本文采用變速控制方法. 在啟動時以低于響應(yīng)頻率的速度運行, 再逐漸提高速度直至恒定速度.當(dāng)即將抵達(dá)終點時逐漸減速, 直至低于響應(yīng)頻率速度,最終速度降低至停機. 距離較長時的速度特性曲線如圖4所示.

圖4 機器人運行速度特性曲線

2.3 感知模塊軟件設(shè)計

感知模塊的作用是使機器人具備感知外界環(huán)境的能力, 并對感知到的環(huán)境做出相應(yīng)反應(yīng)[8]. 在感知模塊軟件設(shè)計中, 主要是對激光測距進(jìn)行編程和實現(xiàn). 激光測距的實現(xiàn)就是時差數(shù)據(jù)的采集過程. 本文設(shè)計的激光測距控制程序流程圖如圖5所示. 該程序主要完成激光數(shù)據(jù)的循環(huán)采集, 并將隨時間的變化量傳回主控系統(tǒng).

程序開始時的初始化包括定時器和外部中斷的初始化. 反射光中斷由外部中斷觸發(fā), 中斷程序由定時器實現(xiàn). 比如在實驗中按照 0.5 ms實現(xiàn)一次中斷. 可通過計算前后兩次的中斷次數(shù)得到時間變化量. 從而計算出障礙物與機器人之間的距離.

圖5 激光測距控制程序流程圖

3 最大期望算法的環(huán)境地圖構(gòu)建

常見的地圖構(gòu)建方法首先利用里程計和激光測距儀分別采集距離數(shù)據(jù)和位置數(shù)據(jù). 在對機器人在地圖中的坐標(biāo)進(jìn)行定位后, 再將其坐標(biāo)信息添加至地圖中.然而, 由于機器人從動輪經(jīng)常出現(xiàn)車輪打滑等原因容易產(chǎn)生累積誤差. 傳統(tǒng)建圖方法無法有效地解決地圖的閉合問題. 因此, 本文針對該問題提出了一種融合了先驗估計的最大期望概率建圖方法. 該算法實現(xiàn)過程如文.

將t時刻機器人最可能的位置表示為

首先對公式(1)采用梯度下降方法求解, 再將求解出的位置對應(yīng)的激光測距儀探測數(shù)據(jù)ot, 分別添加至地圖mt. 從而得到新地圖mt+1:

在t=0 時位于坐標(biāo)系原點. 已知t–1 時刻機器人位置st–1概率分布為那么結(jié)合測距數(shù)據(jù)ot和機器人的運動at–1可得:

其中,η表示歸一化量,mt–1是已知的地圖.

利用Markov定位算法更新公式(4):

最后, 利用最大期望概率算法更新后的地圖如公式(7)所示:

在環(huán)境地圖構(gòu)建過程中, 給定機器人位置的返向修正量可以表示為:

4 室內(nèi)環(huán)境建圖實驗

在安裝有運動捕捉系統(tǒng)的實驗室, 利用本文提出的基于最大期望值的增量式建圖算法, 開展二維環(huán)境建圖和導(dǎo)航機器人自主導(dǎo)航實驗. 運動捕捉系統(tǒng)在實驗中用于準(zhǔn)確地提供機器人實時坐標(biāo). 本文設(shè)計的導(dǎo)航機器人在Linux操作系統(tǒng)中完成編程, 并用于實際實驗, 以便驗證本文提出算法在修正累積誤差方面的效果. 該型導(dǎo)航機器人實物圖如圖6所示.

圖6 本文設(shè)計的導(dǎo)航機器人實驗平臺

實驗過程是利用本文設(shè)計的導(dǎo)航機器人在對室內(nèi)環(huán)境建圖的同時, 對機器人自身進(jìn)行定位, 并且地圖和機器人位置信息將不斷更新. 利用本文提出的最大期望算法將電機里程計修正數(shù)據(jù)與傳感器獲取的環(huán)境信息進(jìn)行融合, 并在構(gòu)建好的地圖中進(jìn)行路徑規(guī)劃和自主導(dǎo)航. 導(dǎo)航機器人路徑規(guī)劃和自主導(dǎo)航過程如圖7所示.

圖7 本文設(shè)計的機器人構(gòu)建地圖后進(jìn)行自主導(dǎo)航

本文在地圖中任意選擇6個坐標(biāo)點, 用于本文提出的算法對累計誤差進(jìn)行修正, 并對坐標(biāo)修正的性能進(jìn)行評估. 對應(yīng)的6組實驗結(jié)果如表1所示, 其中的坐標(biāo)單位是米. 由表1中的數(shù)據(jù)可知, 利用本文提出地圖構(gòu)建算法修正后的坐標(biāo)值接近實際值. 此外, 修正后的橫坐標(biāo)與縱坐標(biāo)數(shù)據(jù)與實際坐標(biāo)之間的平均誤差分別為5.3 cm和3.7 cm. 由于機器人的位置誤差已達(dá)厘米級, 從而滿足了室內(nèi)環(huán)境地圖構(gòu)建的要求. 因此, 本文提出的增量式最大期望概率建圖算法能有效地、準(zhǔn)確地對室內(nèi)環(huán)境進(jìn)行地圖構(gòu)建.

5 結(jié)論

本文針對目前導(dǎo)航機器人設(shè)計中存在的通用性差、計算能力和感知能力弱、硬件無法兼容等問題,基于模塊化設(shè)計思想設(shè)計了一臺導(dǎo)航機器人. 并針對導(dǎo)航機器人在建圖時普遍存在的累積誤差問題, 提出了一種融合了先驗估計的增量式最大期望概率建圖算法. 由于導(dǎo)航機器人的工作環(huán)境通常較為復(fù)雜, 在完成環(huán)境地圖的初步構(gòu)建之后, 如何通過導(dǎo)航機器人具備不斷維護(hù)隨環(huán)境動態(tài)更新的地圖, 將是下一步的研究內(nèi)容.

表1 本文算法修正前后坐標(biāo)之間的比較 (單位: m)