馮鉑凱， 張 陽

（沈陽建筑大學機械工程學院， 遼寧 沈陽 110168）

0 引言

2020 全國乃至全世界都籠罩在新冠肺炎疫情的陰霾下，2020 年年初黨中央國務院下達修建火神山、 雷神山的指令。但是在建設初期，大型機器及工程機械無法及時到位。 小型搬運機器人在此種場景下無疑會發(fā)揮極大的作用。

自主移動機器人的應用性日漸增強， 但由于應用領(lǐng)域與應用環(huán)境地形的多樣性， 實際實驗周期長且無法完全仿真可能遇見的情況， 所以采用軟件模擬真實環(huán)境進行試驗。

本文主要針對二維地圖條件下， 將復雜地形拆分為子模塊并通過創(chuàng)新的方法生成隨機地圖。 在隨機地圖中融合傳感器數(shù)據(jù)構(gòu)成可供路徑規(guī)劃仿真使用的環(huán)境。

1 隨機地圖構(gòu)建

在自主駕駛實現(xiàn)中， 需要用不同地圖信息構(gòu)建的數(shù)據(jù)集作為訓練對象[1]。 普遍使用的方法是人工設置障礙物位置或使用隨機數(shù)生成隨機位置。 當環(huán)境復雜時，該方法效率較低。

在構(gòu)建隨機地圖的需求下， 柵格地圖具有同時滿足多維度語義信息以及占用內(nèi)存小的優(yōu)點。 在此基礎(chǔ)上，提出了一種有效提高柵格地圖語義維度的方法， 該方法對于路徑規(guī)劃算法驗證具有重要意義。

1.1 障礙物特征建模

實際生活中有多種障礙物類型，依據(jù)機器人可通過性以及能量損耗性可將障礙物分為：無法通過、有向通過、損耗通過等三類如表1 中所示。 其中，無法通過障礙物常見的有墻、小溪或溝壑等；有向通過障礙物常見的有橋梁、隧道等；損耗通過障礙物常見的有草地或砂石路面等。

其中，在模型簡化時采用上述模塊表示，在實際地圖生成時常使用特征顏色進行簡化。

將無法通過類障礙物定義為A，且

表1 常見障礙物類型及模型簡化

式中：n—同類障礙物編號；xk—障礙物橫坐標；yk—障礙物縱坐標。

有向通過類障礙物定義為B，且

式中：n—同類障礙物編號；xk—障礙物橫坐標；yk—為障礙物縱坐標；θk—障礙物與橫坐標夾角；αk—障礙物可能存在的爬坡角度。

損耗通過類障礙物定義為C，且

式中：n—同類障礙物編號；xk—障礙物橫坐標；yk—障礙物縱坐標；γk—路面能量損耗系數(shù)。

如上，為各子模塊創(chuàng)建對象，針對其障礙物特征設置數(shù)組，將柵格地圖每單元進行編號如圖1 所示，通過映射及索引即可獲取地圖中障礙物信息。

圖1 索引坐標局部

1.2 柵格隨機地圖構(gòu)建

本文選用25×25 的柵格地圖作為演示。 主要地圖構(gòu)建規(guī)則如下：

（1）生成25*25 的邊界，并在其范圍內(nèi)隨機生成互不重疊的滿足最小長寬比的矩形 （本文以創(chuàng)建五個矩形塊為例，矩形作為特殊任務房間）如圖所示2（a）。

（2）標出坐標原點及各矩形塊中心，利用三角剖分法[2，3]所有點連接獲得如圖2（b）的圖像。

（3） 利用最小生成化樹算法找出B 中連線的最短路徑，如圖2（c）所示，該路徑保證所有任務房間機器人可達。

（4）由于在柵格地圖中，像素級斜線無法保證障礙物特征的連續(xù)性，故將路徑投影到X，Y 軸得到如圖2（d）所示的紅線。

（5）在地圖隨機生成過程中，易出現(xiàn)無障礙路徑與無法通過障礙物的交叉，如圖2（e）在地圖中插入藍線作為“河流”，因“河流”的無法通過特性，故將交叉點識別并轉(zhuǎn)換為特定方向的有向障礙物。

（6）在剩余柵格單元中，隨機放置三種類型子模塊，并將其通過索引顯示在柵格地圖中完成地圖構(gòu)建， 最終效果如圖2（f）所示。

圖2 隨機地圖生成規(guī)則演示

2 傳感器模型構(gòu)建

機器人工作初期無法準確獲取全局地圖特征， 故地圖整體對于機器人來說是未知的。 此處引入占據(jù)柵格地圖概念。 機器人傳感器掃過的柵格即可被認為地圖狀態(tài)已知，并與建立的隨機地圖局部特征匹配獲得“真實”地圖數(shù)據(jù)[4，5]。

2.1 占據(jù)柵格地圖

如圖3 所示， 每個柵格用二值數(shù)值0 和1 填充，0 表示該柵格被占用，1 表示該柵格沒有被占用。 每個網(wǎng)格存儲一個[0，1]之間的概率值，這個值越大，表示網(wǎng)格被占用的可能性越大；這個值越小，表示網(wǎng)格被占用的可能性越小。 對于單一柵格用p（s=1）表示無障礙狀態(tài)的概率，用p（s=0）表示有障礙下的概率，引入測量值z，z∈{0，1}。

圖3 局部柵格示意圖

2.2 激光雷達傳感器模型構(gòu)建

激光用于測量傳感器到障礙物之間的位置關(guān)系，包含兩個參數(shù)：激光角度和激光距離。 為簡化模型，認為雷達發(fā)送激光后立即收到回波，不存在時間延遲。

本文主要涉及到三個坐標系：世界坐標系、機器人坐標系以及傳感器坐標系，如圖4（a）所示。 2D 激光雷達的測量結(jié)果都是相對于自身傳感器中心的， 即以2D 激光雷達中心為坐標原點， 所有的測量結(jié)果最終都要轉(zhuǎn)換到世界坐標系，完成計算。

當只考慮激光雷達其中一條激光檢測狀態(tài)時， 如圖4（b）所示，假設機器人的位姿為（x，y，θ），測量的障礙物的距離為d，計算障礙物點的位置

再通過計算障礙物在柵格地圖中的位置（i，j），進而獲取障礙物柵格的集合。

圖4 激光雷達建模

3 實驗測試與分析

本文將使用基于人工勢場法[6，7]的跟隨機器人系統(tǒng)驗證仿真平臺的可用性和穩(wěn)定性。 該算法將目標和障礙物分別看做對機器人有引力和斥力的物體， 機器人沿引力與斥力的合力來進行運動[8]。

其中，橫向引力勢場函數(shù)為：

式中：dob—機器人與靜態(tài)障礙物的最小距離；B—斥力場增益；dsafe—單個障礙物的安全距離。

機器人通過自身傳感器檢測目標及障礙物信息，獲得目標相對運動軌跡并通過坐標轉(zhuǎn)換獲得世界坐標系下的目標運動軌跡。

仿真結(jié)果如圖5 所示。

圖5 實驗結(jié)果演示

其中柵格灰度值為226（如柵格編號59）的柵格為有向通過障礙物，灰度值為153（如柵格編號3）的柵格代表機器人未知環(huán)境。 為驗證有向障礙物的物理特征，人為增加對照柵格，且根據(jù)障礙物特征參數(shù)標記方向（圖5 中59、84 柵格中黑線代表方向）。 柵格60中圓點為跟隨目標。當目標以圖5 中灰度值為76 的細線軌跡運動時，機器人實時跟隨結(jié)果路徑如圖6 所示。

圖6 目標及機器人運動軌跡

由圖6 可知， 機器人在跟隨目標運動過程中因有向障礙物阻擋，自行規(guī)劃出跟隨路徑。

4 結(jié)束語

本文提出一種基于柵格地圖的低占用內(nèi)存復雜地形下隨機地圖生成方法，并設置傳感器數(shù)據(jù)建模。使用基于人工勢場法的跟隨機器人系統(tǒng)對該仿真環(huán)境進行驗證。低內(nèi)存的復雜地形地圖， 在路徑規(guī)劃算法驗證中可以提供更多測試數(shù)據(jù)， 并且地圖隨機生成特性更為積累測試數(shù)據(jù)集提供便利。