趙夢成　黎昱宏　張宏宇

摘要：近年來，隨著人工智能的迸發(fā)，計算機(jī)的各項技術(shù)的突破，硬件技術(shù)的發(fā)展。機(jī)器人行業(yè)也取得了新的進(jìn)展。服務(wù)類移動機(jī)器人的研發(fā)也不限于實驗室，慢慢走出實驗室而開始商用。對于服務(wù)類移動機(jī)器人來說，SLAM（同時定位于地圖構(gòu)建）是關(guān)鍵技術(shù)，也是目前研究的主要方向和熱門。

本文主要針對室內(nèi)移動機(jī)器人的探究，使用ROS平臺和Gazebo試驗和仿真SLAM。一開始介紹本文的研究背景和近年來國內(nèi)外的服務(wù)類移動機(jī)器人的現(xiàn)狀。其次介紹了本文所用到的移動平臺，和介紹ROS機(jī)器人操作系統(tǒng)。之后介紹SLAM的概率學(xué)模型，在概率學(xué)模型上添加地圖。最后開始試驗對SIAM的測試，在未知環(huán)境下實現(xiàn)了地圖構(gòu)建和導(dǎo)航。

關(guān)鍵詞：移動機(jī)器人;機(jī)器人操作系統(tǒng);SLAM;粒子

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）09-0274-03

1 引言

1.1 選題背景與意義

20世紀(jì)60年代，機(jī)器人都只是固定在基座上來進(jìn)行已知工作中來運(yùn)動。隨著計算機(jī)性能的大幅度提升，尤其近年來人工智能和機(jī)器學(xué)習(xí)的大爆發(fā)。移動機(jī)器人從實驗室的研究到實地場景應(yīng)用再到機(jī)器人的大規(guī)模生產(chǎn)。

1.2 本文的研究內(nèi)容與主要工作

這篇文章主要介紹了機(jī)器人移動底盤的物理學(xué)模型，SLAM在原理主要分析了濾波器的中的slam方法和優(yōu)化導(dǎo)航包。最后在移動平臺上實現(xiàn)激光雷達(dá)和攝像頭的建圖與導(dǎo)航，并且在ROS平臺上進(jìn)行仿真實驗，Gazebo仿真。

2 基于ROS的移動機(jī)器人平臺搭建

2.1 移動機(jī)器人平臺搭建

本實驗平臺搭建是采用EAI公司的底盤。機(jī)器人下位機(jī)是二輪差分的機(jī)構(gòu)，輪子是兩個主輪和四個萬向輪，可使整機(jī)轉(zhuǎn)彎半徑達(dá)到最小。移動平臺實物如圖1所示。

2.2 ROS系統(tǒng)的介紹

ROS是一個系統(tǒng)，它主要是一個開源的為機(jī)器人打造的一個平臺。它可以為開發(fā)者提供一系列的工具和庫，類似與一些傳統(tǒng)的操作系統(tǒng)[2]。ROS在某一角度可以當(dāng)作機(jī)器人的框架。

2.3 里程計模型

在ROS中，里程計是衡量機(jī)器人從初始位姿到終點位姿的一個標(biāo)準(zhǔn)，具體來說就是使用移動傳感器獲取數(shù)據(jù)[3][4]。底盤的運(yùn)動學(xué)模型主要分為兩種：兩輪差分和三輪全向模型。

2.3.1 里程計信息

本文使用的EAI地盤就是采用兩輪差速運(yùn)動模型。運(yùn)動模型如圖2所示。底盤可以看作以O(shè)點做圓弧運(yùn)動，V，ω為地盤中心點的線速度和角速度，VL，VR左右兩輪的速度，d為輪子離地盤中心的距離。

小車的中心點是以半徑為r做圓弧運(yùn)動，因為整個小車是剛性物體，所以小車的左右兩輪都是在做圓弧運(yùn)動。即兩輪的角速度是相等的，ωL=ωR。即可獲得（1）：

就能得出半徑r。根據(jù)左右輪的角速度相等，就等于小車中心點的角度度。可以得出公式（2）：

化簡就可以得出小車中心點的角速度，同理能計算出小車中心點的線速度。

2.3.2 航跡推算

由兩輪差速運(yùn)動模型可以得出小車中心點的線速度和角速度。在當(dāng)小車進(jìn)行運(yùn)動時從tl時刻運(yùn)動到t2時刻，可以求解得出小車在這一過程中的運(yùn)動學(xué)增量dx，dy，d0，且需要將車體坐標(biāo)系轉(zhuǎn)換成世界坐標(biāo)系[5]（3）：

可以用向量[dx，dy，d0]T來表示t1時刻到t2時刻小車的位姿增量。由迭代關(guān)系我們就可以知道下一時刻的位姿可用上一時刻的位姿求解得。因為里程計測量會混入噪聲則有（4）：

2.4 線性最小二乘

給定線性方程組Ax=b，其中A為m*n矩陣，x為n的狀態(tài)向量。A行作約束條件，列作未知數(shù)的維數(shù)。在實際情況中約束條件多過未知數(shù)的維數(shù)。就需要找到一個離真實解最接近的一個解[6][7]。

2.5.1 權(quán)重評估

在狀態(tài)傳播到當(dāng)前時刻，機(jī)器人是無法知道實際位姿。因為粒子只能從預(yù)測分布進(jìn)行采樣，聯(lián)合權(quán)重一起近似機(jī)器人的后驗概率分布。權(quán)重就是用來評估機(jī)器人預(yù)測分布和實際分布的比值，比值越大，權(quán)重越小。權(quán)重的定義：

每次重采樣后都要進(jìn)行權(quán)重更新。在權(quán)重評估里豎條信號的高低表示權(quán)重的大小，根據(jù)圖示分析，權(quán)重的大小是和后驗概率密切相關(guān)，盡管密度函數(shù)g的密度很大。

2.5.2 重采樣

到目前為止，新的粒子群是根據(jù)先驗概率分布進(jìn)行采樣，并且用觀測模型進(jìn)行權(quán)重評估。粒子群進(jìn)行重采樣，以Wt的概率接受這個粒子，生成一個隨機(jī)數(shù)。根據(jù)其落在區(qū)間決定接受粒子。重復(fù)多次。權(quán)重大的多復(fù)制幾次，權(quán)重小的粒子就會被刪除。整個粒子濾波的算法流程如下：

算法第一行函數(shù)參數(shù)是已知條件，位姿，t時刻的里程計數(shù)據(jù)和激光雷達(dá)數(shù)據(jù)。三至七行程序是粒子運(yùn)動學(xué)傳播。第五行觀測數(shù)據(jù)進(jìn)行權(quán)重評估。第六行由前面得到的兩個數(shù)據(jù)放在一個數(shù)據(jù)集內(nèi)。程序八到十一行對粒子進(jìn)行重采樣。

2.6 FASTSLAM的優(yōu)化

算法流程為：我們已知條件為t-l時刻的粒子群，t時刻的觀測數(shù)據(jù)，t-1時刻的里程計數(shù)據(jù)。求解t時刻的粒子分布。

3 試驗分析

這章將介紹導(dǎo)航算法在機(jī)器人底盤上實現(xiàn)。對處理過的導(dǎo)航包進(jìn)行真機(jī)試驗和在ROS平臺下進(jìn)行仿真試驗。

3.1 仿真對比

本次試驗采樣ROS中兼容的仿真軟件Gazebo，來進(jìn)行仿真。只改變優(yōu)化前后的代碼，比較試驗結(jié)果來說明優(yōu)化程度。

在試驗的過程和試驗結(jié)果中明顯就能看出在想要時間下建圖會出現(xiàn)雙重圖，而且在建圖過程中粒子數(shù)比較多，建圖過程中掃描的地圖反應(yīng)時間較長，通常在環(huán)境中走一圈地圖沒有建完。

對比于在相同環(huán)境相同時間，小車走的路線如圖所示。

根據(jù)建圖過程中和試驗結(jié)果來看，優(yōu)化后的建圖明顯比較完整，并且掃描的粒子數(shù)較為少，掃描出的地圖比陜，基本小車走一圈就能夠建立較為完整的地圖。

參考文獻(xiàn)：

[1]胡春旭.ROS機(jī)器人開發(fā)實踐[M].北京：機(jī)械工業(yè)出版社，2018.

[2]（西）恩里克·費(fèi)爾南德斯（Enrique Fernandez），劉錦濤，張瑞雷等譯.ROS機(jī)器人程序設(shè)計[M].北京：機(jī)械工業(yè)出版社，2016.

[3]卡梅倫·休斯（Cameron Hughes），特雷西·休斯（Tracey Hughes）著劉錦濤，李筆鋒譯.機(jī)器人編程實戰(zhàn)[M].北京：機(jī)械工業(yè)出版社，2017.

[4]R.帕特里克.戈貝爾.ROS進(jìn)階實例[M].中山大學(xué)出版社， 2017.

[5]蔡蕓，滕茹梅，服務(wù)機(jī)器人的應(yīng)用與發(fā)展[Jl.科教導(dǎo)刊一電子版（上旬），2014（5）：139.

[6]孫小凱基于RGB-D信息的物體定位與識別[D].浙江大學(xué)2014.

[7] JohnJ.Craig.機(jī)器人學(xué)導(dǎo)論[M].機(jī)械工業(yè)出版社，2006.

[8] Araya H，Kagoshima M.Semi-automatic control system for hy-draulic shoveI[J]. Automation in Construction， 2001， 10（4）：477-486.

[9] Lowe D G.Distinctive image features from scale-invariant key-points[J].lnternational Journal of Computer Vision， 2004，60（2）：1-110.

【通聯(lián)編輯：梁書】