叢佩超，呂昆峰，周加超

(廣西科技大學(xué)機(jī)械與交通工程學(xué)院，廣西柳州 545006))

1 引言

隨著傳感器技術(shù)的日益提升，室內(nèi)場(chǎng)景下的移動(dòng)式機(jī)器人集成了地圖構(gòu)建、導(dǎo)航定位、路徑規(guī)劃等諸多功能，其應(yīng)用范圍日益擴(kuò)大[1，2]。

在復(fù)雜的室內(nèi)環(huán)境中，移動(dòng)式機(jī)器人實(shí)現(xiàn)高精度導(dǎo)航的前提是構(gòu)建優(yōu)質(zhì)的先驗(yàn)地圖。因此，提高同時(shí)定位和地圖(Simultaneous Localization And Mapping，SLAM)構(gòu)建精度一直是機(jī)器人研究領(lǐng)域中的一個(gè)開(kāi)放性研究熱點(diǎn)[3，4]。2016年，Sanjiv Singh等人[5]提出了一種實(shí)時(shí)和低漂移激光雷達(dá)建圖方法，實(shí)現(xiàn)了機(jī)器人位姿運(yùn)動(dòng)估計(jì)的低漂移和低計(jì)算復(fù)雜度。2018年，Zhongze Liu等人[6]提出了一種實(shí)時(shí)6維度激光建圖定位方法，有效地降低了激光測(cè)深位姿累積誤差，并具有良好的建圖性能及有助于機(jī)器人完成路徑規(guī)劃。2020年，F(xiàn)UYU NIE等人[7]提出了一種改進(jìn)的激光回環(huán)檢測(cè)和修正系統(tǒng)通過(guò)對(duì)存在高掃描匹配誤差的子圖進(jìn)行分割，減少了地圖內(nèi)部的誤差。

提高室內(nèi)復(fù)雜場(chǎng)景下的機(jī)器人導(dǎo)航精度，需要降低實(shí)時(shí)建圖與定位的累積誤差。其方法有多種，文獻(xiàn)[8]采用GPS衛(wèi)星定位導(dǎo)航技術(shù)，可在地圖上獲得機(jī)器人的移動(dòng)軌跡并觀察到機(jī)器人所在的位置，但是容易受到數(shù)據(jù)網(wǎng)絡(luò)波動(dòng)影響，甚至搜星困難，導(dǎo)致機(jī)器人導(dǎo)航定位誤差過(guò)大。文獻(xiàn)[9]提出一種無(wú)源RFID(Radio Frequency Identification，射頻識(shí)別)的室內(nèi)移動(dòng)機(jī)器人定位方法，可提高機(jī)器人定位精度，但是該方法需要提前在室內(nèi)布置好射頻標(biāo)簽(Tag)等設(shè)備。文獻(xiàn)[10]基于深度相機(jī)采集的RGB圖像信息，估算機(jī)器人當(dāng)前位姿，但是存在不同幀間的匹配問(wèn)題，且構(gòu)建的地圖有較多的點(diǎn)云重疊，與實(shí)際環(huán)境有較大的偏差，嚴(yán)重降低移動(dòng)機(jī)器人的導(dǎo)航定位精度。

針對(duì)上述問(wèn)題，本文通過(guò)Gazebo仿真平臺(tái)，構(gòu)建搭載Delta3A型號(hào)激光雷達(dá)的虛擬樣機(jī)，引入Gmapping(基于Rao-Blackwellized粒子濾波器算法)、Hector SLAM(基于Gauss-Newton迭代法)及Cartographer三種主流算法的建圖機(jī)理，優(yōu)化Delta3A激光傳感器的參數(shù)配置，降低三種建圖算法所獲二值優(yōu)質(zhì)地圖與原圖的匹配偏差，并在機(jī)器人操作系統(tǒng)[11]中融合A-star和DWA算法，分別進(jìn)行全局和局部路徑規(guī)劃的導(dǎo)航分析。本文在虛擬樣機(jī)仿真分析的基礎(chǔ)上，基于Spark-T移動(dòng)式機(jī)器人，進(jìn)行了相應(yīng)的優(yōu)質(zhì)地圖構(gòu)建與導(dǎo)航定位問(wèn)題分析，進(jìn)一步驗(yàn)證了所用算法的實(shí)效性。

2 實(shí)時(shí)建圖與定位算法分析

SLAM是指根據(jù)移動(dòng)式機(jī)器人在一個(gè)未知環(huán)境下的移動(dòng)，在已知機(jī)器人輸入控制值U1：t和傳感器觀測(cè)值Z1：t的條件下，估計(jì)概率分布P(m|X1：t，Z1：t，U1：t)來(lái)分別表示機(jī)器人定位和地圖構(gòu)建，即P(xt，m|Z1：t，U1：t，x1)。

2.1 HectorSLAM算法

HectorSLAM結(jié)合基于魯棒性掃描匹配的2DSLAM系統(tǒng)[12]，利用激光雷達(dá)的高更新率和低距離測(cè)量噪聲特點(diǎn)，對(duì)機(jī)器人位姿進(jìn)行實(shí)時(shí)估計(jì)。該算法是基于Gauss-Newton迭代法[13]，解決非線性最小二乘問(wèn)題，即通過(guò)觀察自變量和因變量數(shù)值，求解非線性目標(biāo)函數(shù)的系數(shù)參數(shù)，使得函數(shù)模型與觀測(cè)量相近似，Hector SLAM將似然概率達(dá)到最大似然估計(jì)，通過(guò)最小二乘的方式來(lái)表達(dá)E=argmax(xt，m|Z1：t，U1：t，x1)的最大似然問(wèn)題

(1)

式中T=Tx，Ty，Tθ：機(jī)器人的位姿；Si(T)：把激光點(diǎn)i用T轉(zhuǎn)換之后的坐標(biāo)；M(x)：得到坐標(biāo)x的地圖占用概率；[1-M(Si(T))]2：勢(shì)場(chǎng)，其中Si表示得分。

通過(guò)Lagrange插值法[14]解得?M(Si(T))，構(gòu)建離散的柵格地圖，計(jì)算高斯-牛頓方程，解得機(jī)器人位姿。Hector SLAM對(duì)初值敏感，求解?M(Si(T))采用插值法，在理論上存在不連續(xù)的因素，難以處理閉環(huán)問(wèn)題。

2.2 RBPF-SLAM算法

Gmapping基于Rao-Blackwellized粒子濾波器(Rao-Blackwellized Particle Filter，RBPF)，在Fast-SLAM的基礎(chǔ)上進(jìn)行二次優(yōu)化，但仍然存在粒子耗散問(wèn)題[15]。該算法將SLAM問(wèn)題表示為求解機(jī)器人位姿以及基于位姿構(gòu)建地圖兩部分內(nèi)容。其主要思想是：結(jié)合傳感器觀測(cè)量Z1：t=z1，…，zt-1和里程計(jì)信息U1：t=u1，…，ut-1來(lái)求解機(jī)器人位姿X1：t=x1，…，xt和地圖信息mi=m1，m2，…。聯(lián)合概率密度可表示為

p(x1：t，m|z1：t，u1：t-1)=

p(x1：t|z1：t，u1：t-1)*p(m|x1：t，u1：t-1)

(2)

RBPF利用粒子濾波器求解時(shí)，保留高權(quán)重的粒子并舍棄低權(quán)重粒子，重采樣時(shí)存在一定的隨機(jī)性，采樣次數(shù)增加時(shí)，粒子的多樣性會(huì)耗散掉，即存在粒子耗散問(wèn)題。引入自適應(yīng)閾值Neff表示當(dāng)前的求解值和真實(shí)分布的差異性

(3)

當(dāng)Neff過(guò)大時(shí)，則差異性過(guò)小，不進(jìn)行重采樣，當(dāng)Neff過(guò)小時(shí)，則差異性過(guò)大，進(jìn)行重采樣，從而起到減少重采樣次數(shù)，緩解粒子耗散的作用。

2.3 Cartographer算法

Cartographer是基于圖優(yōu)化的算法框架，滿足大場(chǎng)景建圖。采用的是實(shí)時(shí)掃描與建圖匹配方法，同時(shí)進(jìn)行回環(huán)檢測(cè)[16]，通過(guò)分支定界優(yōu)化算法提高回環(huán)檢測(cè)的效率。

Cartographer算法分為局部和全局進(jìn)行實(shí)時(shí)建圖與定位。構(gòu)建局部地圖是通過(guò)將激光點(diǎn)云圖的激光點(diǎn)H={hk}k=1，…，K轉(zhuǎn)換后匹配到子地圖中，在匹配前轉(zhuǎn)換：

(4)

式中ξ=(ξx，ξy，ξθ)：激光點(diǎn)云圖中點(diǎn)束的姿態(tài)；Tξ：表示{hk}k=1，…，K在子地圖中的位置。

通過(guò)子地圖的累加構(gòu)建全局地圖，在累加過(guò)程中進(jìn)行回環(huán)檢測(cè)優(yōu)化，其方法同樣采用求解最小二乘問(wèn)題

(5)

將子地圖的位姿Ξm和傳感器的位姿Ξs匹配，則其殘差E為

(6)

Cartographer構(gòu)建全局地圖時(shí)，對(duì)子地圖進(jìn)行優(yōu)化，即殘差E達(dá)到最小，其過(guò)程如圖1所示。

圖1 Cartographer算法處理流程圖

Cartograher相比Hector SLAM，采用了回環(huán)檢測(cè)，對(duì)建立的子地圖進(jìn)行實(shí)時(shí)優(yōu)化和匹配，在機(jī)器人快速旋轉(zhuǎn)和俯仰等位置下，仍有效地降低地圖的偏移問(wèn)題，構(gòu)圖精度高。相比Gmapping，Cartograph算法構(gòu)建更廣闊的地圖時(shí)，對(duì)計(jì)算量要求較低，求解最小二乘值和優(yōu)化的速度也較快，建圖效率高。

3 建圖與導(dǎo)航仿真

上一章理論性地分析了三種SLAM算法，為驗(yàn)證其可行性和空間復(fù)雜度，本章通過(guò)搭建載有Delta3A激光雷達(dá)的虛擬機(jī)器人，在Gazebo仿真平臺(tái)中控制可變參數(shù)，將三種算法建圖效果可視化，并對(duì)機(jī)器人進(jìn)行全局路徑規(guī)劃和局部路徑規(guī)劃，測(cè)試其導(dǎo)航精度。

3.1 同時(shí)定位與地圖構(gòu)建仿真

3.1.1 激光雷達(dá)參數(shù)配置

通過(guò)launch文件和xacro文件優(yōu)化Delta3A激光雷達(dá)的參數(shù)配置，相關(guān)優(yōu)化過(guò)程如下：

0 0 0 0 0 0

5.5

-3

3

優(yōu)化完成后，Delta3A激光雷達(dá)傳感器的性能得到極大地提升，其最大測(cè)量范圍約為16米，采樣率為8000次/秒，優(yōu)化后的傳感器可有效降低前述三種算法在建圖時(shí)因激光點(diǎn)云信息丟失而造成的誤差。

3.1.2 建圖與分析

在Gazebo仿真平臺(tái)中搭建室內(nèi)環(huán)境，并投影成二值地圖，如圖2所示。

圖2 模擬實(shí)驗(yàn)中使用的室內(nèi)環(huán)境

為評(píng)估三種SLAM算法所獲地圖質(zhì)量，對(duì)二值地圖與其構(gòu)建地圖間的誤差進(jìn)行分析。為此，計(jì)算二值地圖與算法地圖的最佳擬合對(duì)齊(如圖3所示)。具體工作過(guò)程如下：每個(gè)算法獲得的地圖進(jìn)行二值化，該地圖僅包含場(chǎng)景邊界和障礙物，使用Generalized Dual Bootstrap-ICP圖像配準(zhǔn)算法，將二值化地圖與各自的地面對(duì)齊。由于室內(nèi)模型的二值地圖和三種SLAM算法所獲地圖都是對(duì)齊的，然后使用Matlab軟件中的Knnsearch函數(shù)計(jì)算地圖間的誤差，這種誤差測(cè)量提供了一個(gè)標(biāo)準(zhǔn)化的距離測(cè)量值，如表1所示。

圖3 二值地圖(紅色)與算法地圖(黑色)擬合對(duì)齊

表1 二值地圖中各算法的誤差估計(jì)值

根據(jù)圖2和表1，分析三種算法在Gazebo仿真平臺(tái)中的仿真結(jié)果。在相同的環(huán)境中，Cartographer算法生成的二值地圖與原地圖的重疊率最高，且誤差估計(jì)值比另外兩種算法小，具有較優(yōu)的建圖效果。此外，Gmapping算法構(gòu)建的地圖與原地圖重疊率相比Cartographer低，且其誤差估計(jì)值在5.3670，而Hector SLAM的建圖結(jié)果呈現(xiàn)出最高的誤差值，其主要原因是當(dāng)機(jī)器人處于較大的速度時(shí)容易發(fā)生顯著的地圖漂移。同時(shí)，Cartographer是一種基于圖優(yōu)化的算法，其在生成一個(gè)子地圖后，會(huì)進(jìn)行一次局部的閉環(huán)檢測(cè)，故在室內(nèi)復(fù)雜大場(chǎng)景下所獲地圖的質(zhì)量比Hector SLAM和Gmapping算法更高。

3.2 路徑規(guī)劃仿真

移動(dòng)式機(jī)器人通過(guò)Cartographer算法獲得高精度的室內(nèi)地圖后，可以此為基礎(chǔ)進(jìn)行優(yōu)良的路徑規(guī)劃。移動(dòng)式機(jī)器人自主導(dǎo)航功能取決于全局和局部路徑規(guī)劃算法。兩種規(guī)劃算法主要基于傳感器數(shù)據(jù)、里程計(jì)數(shù)據(jù)、地圖服務(wù)器等信息，具體的導(dǎo)航框架如圖4所示。

圖4 導(dǎo)航框架

3.2.1 全局路徑規(guī)劃

全局路徑規(guī)劃可通過(guò)地圖服務(wù)器提供的全局代價(jià)地圖，并融合A-star算法[17]來(lái)實(shí)現(xiàn)全局導(dǎo)航。A-star算法使用啟發(fā)式函數(shù)，在起點(diǎn)到終點(diǎn)的多個(gè)路徑中，選取恰當(dāng)?shù)男旭偮窂?。其啟發(fā)式函數(shù)，如下

F(n)=G(n)+H(n)

(6)

式中：G(n)表示從初始節(jié)點(diǎn)到指定節(jié)點(diǎn)n的移動(dòng)代價(jià)，H(n)表示從指定節(jié)點(diǎn)n到最終點(diǎn)的估算代價(jià)。

在地圖中給定機(jī)器人導(dǎo)航目標(biāo)點(diǎn)和方向，機(jī)器人會(huì)根據(jù)實(shí)時(shí)環(huán)境規(guī)劃出最佳導(dǎo)航路徑，當(dāng)起始點(diǎn)到目標(biāo)點(diǎn)之間沒(méi)有障礙物時(shí)，其運(yùn)動(dòng)軌跡為一條直線，進(jìn)而實(shí)現(xiàn)機(jī)器人的全局路徑規(guī)劃，如圖5所示。

圖5 基于Cartographer地圖的全局路徑規(guī)劃

3.2.2 局部路徑規(guī)劃

采用動(dòng)態(tài)窗口法 (Dynamic Windows Approach，DWA[18])可實(shí)現(xiàn)移動(dòng)式機(jī)器人的局部路徑規(guī)劃。該算法主要是在機(jī)器人控制過(guò)程中進(jìn)行多組速度離散采樣，并在系統(tǒng)內(nèi)部計(jì)算單元中先模擬這些速度下機(jī)器人的前進(jìn)軌跡，并將每組軌跡進(jìn)行評(píng)價(jià)，選取最優(yōu)軌跡及速度傳送給機(jī)器人的速度控制器，以驅(qū)動(dòng)機(jī)器人實(shí)現(xiàn)避障。

仿真過(guò)程：當(dāng)機(jī)器人完成全局路徑規(guī)劃后，在直線行駛路徑上擺放障礙物，機(jī)器人會(huì)相應(yīng)地做出局部路徑規(guī)劃，不再按照直線軌跡行駛，而產(chǎn)生新的行進(jìn)路線，實(shí)時(shí)避開(kāi)障礙物，完成機(jī)器人的局部路徑規(guī)劃，仿真結(jié)果如圖6所示。

圖6 基于Cartographer的局部路徑規(guī)劃

4 實(shí)體機(jī)器人實(shí)驗(yàn)

此外，本文還在真實(shí)場(chǎng)景中使用實(shí)體機(jī)器人進(jìn)行測(cè)試，以便在沒(méi)有理想模擬工況下研究三種建圖算法。因?yàn)樵谀M環(huán)境中有相對(duì)較優(yōu)的條件，如：激光傳感器無(wú)噪聲累積、測(cè)量精度不受距離限制等。在真實(shí)環(huán)境中，本文使用Spark-T機(jī)器人(如圖7所示)。在復(fù)雜環(huán)境中進(jìn)行三次不同算法的建圖與定位，并在獲得相對(duì)優(yōu)質(zhì)的地圖后，進(jìn)行其全局與局部路徑規(guī)劃的實(shí)驗(yàn)分析。

圖7 Spark-T移動(dòng)機(jī)器人

4.1 移動(dòng)式機(jī)器人系統(tǒng)

本文研究的移動(dòng)式機(jī)器人由上位機(jī)和下位機(jī)構(gòu)成，上位機(jī)負(fù)責(zé)遠(yuǎn)程狀態(tài)監(jiān)控、數(shù)據(jù)處理與分析等工作，下位機(jī)配備了連接Delta3A激光雷達(dá)等傳感器的工控機(jī)，并在主控PC中預(yù)裝Ubuntu16.04和ROS Kinetic，其系統(tǒng)架構(gòu)如圖8所示。

圖8 軟、硬件系統(tǒng)架構(gòu)圖

4.2 室內(nèi)定位與構(gòu)建地圖實(shí)驗(yàn)

為驗(yàn)證三種算法在相同實(shí)驗(yàn)環(huán)境下的建圖效果，使用Spark-T機(jī)器人進(jìn)行了三次不同軌跡和初始位置的建圖測(cè)試，并在RVIZ可視化界面[19]中實(shí)時(shí)反饋、記錄建圖效果?，F(xiàn)實(shí)復(fù)雜環(huán)境如圖9所示。

圖9 現(xiàn)實(shí)環(huán)境

測(cè)試結(jié)果表明：三種SLAM算法都能成功構(gòu)建地圖，如圖10所示。機(jī)器人在真實(shí)室內(nèi)復(fù)雜環(huán)境構(gòu)建地圖的效果比仿真環(huán)境下略差，這是由于：激光雷達(dá)傳感器掃描地圖時(shí)存在機(jī)器人位置和噪聲的估計(jì)誤差。

圖10 真實(shí)環(huán)境下建圖效果

盡管現(xiàn)實(shí)環(huán)境與虛擬環(huán)境之間存在差異，但現(xiàn)實(shí)環(huán)境與仿真環(huán)境獲得的結(jié)果都遵循前面分析算法的特性。Hector SLAM在真實(shí)環(huán)境中構(gòu)建的地圖與模擬環(huán)境地圖具有相似特性，較快速度下均產(chǎn)生地圖漂移，Gmapping建圖效果相比Hector SLAM較優(yōu)，雖然未發(fā)生嚴(yán)重的地圖偏移，但是非常依賴?yán)锍逃?jì)信息，其間接地影響了建圖精度，對(duì)復(fù)雜的大場(chǎng)景物體特征細(xì)節(jié)處理不足。Cartographer在測(cè)試結(jié)果中表現(xiàn)最優(yōu)，比其余兩種算法更少地受到傳感器噪聲影響，這是因?yàn)镃artographer在室內(nèi)復(fù)雜的大環(huán)境下建圖采用了先創(chuàng)建子地圖，并通過(guò)后端回環(huán)檢測(cè)降低了子地圖的誤差，利用分支界定法提高求解子地圖與全局地圖匹配問(wèn)題的效率，最終獲得構(gòu)建地圖的最優(yōu)解。

除了對(duì)建圖誤差分析外，本文還將每種算法對(duì)計(jì)算機(jī)的負(fù)載進(jìn)行了實(shí)驗(yàn)分析，以此來(lái)驗(yàn)證三種算法的空間復(fù)雜度。實(shí)體樣機(jī)配備了英特爾G4560型號(hào)CPU、8GBDDR4內(nèi)存，實(shí)驗(yàn)結(jié)果如圖11、表2所示。

圖11 三種SLAM算法的CPU占存隨時(shí)間變化

表2 三種SLAM算法CPU占存的平均值標(biāo)準(zhǔn)差σ

通過(guò)對(duì)比可知：在相同實(shí)驗(yàn)環(huán)境下，將CPU占存作為評(píng)價(jià)指標(biāo)時(shí)，Gmapping算法對(duì)系統(tǒng)負(fù)載最高，其次是Cartographer算法和Hector SLAM算法，這與前面對(duì)三種算法分析的結(jié)論相符合。從上述實(shí)驗(yàn)結(jié)果可知：無(wú)論從建圖效果還是空間復(fù)雜度來(lái)評(píng)價(jià)三種算法，基于Delta3A激光雷達(dá)傳感器的Cartographer算法表現(xiàn)最佳。

4.3 路徑規(guī)劃實(shí)驗(yàn)分析

4.3.1 復(fù)雜環(huán)境的全局路徑規(guī)劃

基于Cartographer算法構(gòu)建的先驗(yàn)地圖，進(jìn)行復(fù)雜環(huán)境下移動(dòng)式機(jī)器人的全局路徑規(guī)劃實(shí)驗(yàn)。將先驗(yàn)地圖導(dǎo)入Spark-T機(jī)器人系統(tǒng)，在其操作系統(tǒng)中對(duì)障礙物會(huì)產(chǎn)生安全膨脹邊界，該邊界可起到保護(hù)機(jī)器人的作用。當(dāng)機(jī)器人確定前進(jìn)目標(biāo)點(diǎn)后，融合A-star算法在其當(dāng)前位置與目標(biāo)位置間會(huì)由全局路徑規(guī)劃器生成一條最佳路徑，機(jī)器人根據(jù)該路徑進(jìn)行移動(dòng)，可完成全局導(dǎo)航任務(wù)，如圖12所示。

圖12 基于先驗(yàn)地圖的全局路徑規(guī)劃

4.3.2 復(fù)雜環(huán)境下的局部路徑規(guī)劃

為測(cè)試復(fù)雜環(huán)境地圖下的機(jī)器人局部路徑規(guī)劃能力，即局部避障。當(dāng)機(jī)器人開(kāi)始循跡全局路徑時(shí)，在其移動(dòng)路線上擺放動(dòng)態(tài)障礙物。當(dāng)機(jī)器人遇到移動(dòng)障礙物時(shí)，局部路徑規(guī)劃器重新規(guī)劃前進(jìn)路徑，實(shí)現(xiàn)機(jī)器人在復(fù)雜環(huán)境下的實(shí)時(shí)避障動(dòng)作，完成局部路徑規(guī)劃，在繞過(guò)障礙物后繼續(xù)向目標(biāo)點(diǎn)運(yùn)動(dòng)，如圖13所示。

圖13 基于先驗(yàn)地圖的局部路徑規(guī)劃

通過(guò)上述實(shí)驗(yàn)分析可知：基于Cartographer算法構(gòu)建的先驗(yàn)地圖，采用A-star算法為全局路徑規(guī)劃算法、DWA算法為局部路徑規(guī)劃算法，可實(shí)現(xiàn)移動(dòng)式機(jī)器人在室內(nèi)復(fù)雜環(huán)境下的高精度導(dǎo)航定位。

5 結(jié)論

本文分別通過(guò)計(jì)算機(jī)仿真和實(shí)驗(yàn)測(cè)試，分析了三種代表性的二維SLAM算法。仿真和實(shí)驗(yàn)結(jié)果表明：采用Cartographer算法可有效解決室內(nèi)復(fù)雜場(chǎng)景的實(shí)時(shí)建圖與定位累積誤差問(wèn)題，且該算法具備高時(shí)效、低功耗等優(yōu)勢(shì)?；谠搩?yōu)質(zhì)先驗(yàn)地圖，融合A-star和DWA路徑規(guī)劃算法，可有效提升移動(dòng)式機(jī)器人的導(dǎo)航精度。

本文采用的Delta3A單線激光雷達(dá)具有結(jié)構(gòu)簡(jiǎn)單、功耗低、成本低等優(yōu)點(diǎn)，但其局限于平面式掃描；多線激光雷達(dá)可多維度檢測(cè)物體特征，但成本偏高。本文下一步工作將融合慣性測(cè)量單元信息，提高單線激光雷達(dá)在多維度對(duì)物體信息感知的性能，進(jìn)一步改善復(fù)雜場(chǎng)景下室內(nèi)移動(dòng)式機(jī)器人的SLAM系統(tǒng)。