方育鑫 林盛鑫 史禮帆 任斌

(東莞理工學(xué)院 國(guó)際微電子學(xué)院,廣東東莞 523808)

隨著科技的不斷發(fā)展和人工智能的迅速進(jìn)步,智能化機(jī)器人技術(shù)應(yīng)用在生活中的逐漸普及,自主導(dǎo)航與環(huán)境感知成為機(jī)器人領(lǐng)域的重要研究方向。自主導(dǎo)航能夠使機(jī)器人具備在未知環(huán)境中自主移動(dòng)和完成任務(wù)的能力,廣泛應(yīng)用于無人車、無人機(jī)、服務(wù)機(jī)器人等領(lǐng)域。移動(dòng)機(jī)器人的實(shí)時(shí)定位和地圖構(gòu)建是實(shí)現(xiàn)自主導(dǎo)航的關(guān)鍵。通過感知和理解環(huán)境信息,機(jī)器人可以進(jìn)行路徑規(guī)劃、障礙物避障等操作。因此,研究自主導(dǎo)航與環(huán)境感知對(duì)于推動(dòng)機(jī)器人技術(shù)發(fā)展具有重要的科學(xué)意義和應(yīng)用價(jià)值。

國(guó)內(nèi)外在自主導(dǎo)航與環(huán)境感知方面的研究取得了一系列重要成果。在自主導(dǎo)航方面,國(guó)外的ROS(Robot Operating System)系統(tǒng)成為廣泛使用的開源平臺(tái),提供了強(qiáng)大的功能和工具支持。國(guó)內(nèi)的相關(guān)研究也取得了許多進(jìn)展,如無人車、智能家居等領(lǐng)域的應(yīng)用逐漸增多。在環(huán)境感知方面,深度相機(jī)、激光雷達(dá)等傳感器設(shè)備的發(fā)展和進(jìn)步使得機(jī)器人能夠獲取更加準(zhǔn)確和豐富的環(huán)境信息。

本研究旨在基于ROS系統(tǒng)和深度相機(jī),實(shí)現(xiàn)小車的自主導(dǎo)航與環(huán)境感知功能。具體研究?jī)?nèi)容包括視覺SLAM(Simultaneous Localization and Mapping)技術(shù)、路徑規(guī)劃算法和定位算法。通過研究這些技術(shù),設(shè)計(jì)合理的系統(tǒng)架構(gòu),實(shí)現(xiàn)小車在室內(nèi)環(huán)境中的自主導(dǎo)航和定位。

1 系統(tǒng)設(shè)計(jì)

1.1 ROS介紹

ROS是一個(gè)開源的機(jī)器人操作系統(tǒng),提供了一套功能豐富的工具和庫(kù),用于構(gòu)建機(jī)器人的控制系統(tǒng)。ROS采用模塊化的設(shè)計(jì)理念,利用ROS基于節(jié)點(diǎn)的通信模型和消息傳遞機(jī)制,使得不同模塊之間可以進(jìn)行高效的數(shù)據(jù)交換和協(xié)同工作。這為將視覺SLAM算法與移動(dòng)機(jī)器人平臺(tái)的集成提供良好的基礎(chǔ)。在本研究中,選擇ROS作為軟件開發(fā)平臺(tái),以便快速開發(fā)和集成各個(gè)模塊,并與深度相機(jī)進(jìn)行數(shù)據(jù)交互和控制。

1.2 深度相機(jī)原理與選擇

視覺傳感器成為機(jī)器人系統(tǒng)中被廣泛使用的感知設(shè)備,相比于激光雷達(dá),具有獲取豐富、高維度信息的優(yōu)勢(shì)。在本研究中,使用RGB-D相機(jī)作為主要的感知設(shè)備,RGB-D能夠獲取環(huán)境的RGB圖像和圖像深度信息。RGB-D獲取深度信息的主要原理是利用結(jié)構(gòu)光技術(shù),相較于雙目深度相機(jī),RGB-D對(duì)計(jì)算機(jī)的計(jì)算性能要求較小。它具有功耗低、采集視角廣的特點(diǎn),支持2 m內(nèi)的環(huán)境深度數(shù)據(jù)采集和最高1 280*960精度的RGB圖像采集性能,基本滿足室內(nèi)測(cè)試要求。

1.3 硬件平臺(tái)搭建

小車由三層金屬板構(gòu)成基本框架,上層通過固定件安裝深度相機(jī)和激光雷達(dá),以便更好地獲取環(huán)境。中層裝有樹莓派4B、STM32、里程計(jì)、IMU傳感器等核心器件,其中樹莓派4B安裝ROS系統(tǒng)作為控制核心,將樹莓派安裝于中層有利于和各個(gè)傳感器進(jìn)行連接,確保數(shù)據(jù)交互的穩(wěn)定。小車底盤采用兩輪差速驅(qū)動(dòng)結(jié)構(gòu),該結(jié)構(gòu)由兩個(gè)驅(qū)動(dòng)輪和一個(gè)支撐輪組成,其中兩個(gè)驅(qū)動(dòng)輪可以實(shí)現(xiàn)前進(jìn)、后退和旋轉(zhuǎn)功能,具有尺寸小巧、機(jī)動(dòng)性高等優(yōu)點(diǎn),適應(yīng)多樣化的環(huán)境和任務(wù)需求。通過單獨(dú)控制左右兩個(gè)驅(qū)動(dòng)輪的轉(zhuǎn)速差異,可以實(shí)現(xiàn)精確的方向控制。

1.4 系統(tǒng)結(jié)構(gòu)

移動(dòng)機(jī)器人軟件系統(tǒng)結(jié)構(gòu)由三大模塊組成,分別是控制模塊、感知模塊和驅(qū)動(dòng)模塊,系統(tǒng)結(jié)構(gòu)圖如圖1所示?；赗OS的通訊機(jī)制——一種節(jié)點(diǎn)的分布式框架,每一個(gè)節(jié)點(diǎn)都可以獨(dú)立運(yùn)行,節(jié)點(diǎn)可以分布于主機(jī)和各個(gè)從機(jī)中,從而分散計(jì)算壓力。各個(gè)模塊之間可以獨(dú)立工作,并通過消息傳遞進(jìn)行數(shù)據(jù)交互。

圖1 系統(tǒng)結(jié)構(gòu)圖

控制模塊由樹莓派4B和PC構(gòu)成,樹莓派4B作為主機(jī),PC作為從機(jī),在分布式通訊下進(jìn)行通信,利用地圖構(gòu)建算法、路徑規(guī)劃算法和定位算法處理感知模塊數(shù)據(jù),并進(jìn)行決策和控制小車的運(yùn)動(dòng)。感知模塊由深度相機(jī)、激光雷達(dá)和里程計(jì)等傳感器組成,負(fù)責(zé)獲取環(huán)境信息,每一個(gè)傳感器作為一個(gè)節(jié)點(diǎn),節(jié)點(diǎn)和主機(jī)之間可以進(jìn)行數(shù)據(jù)交互,為后續(xù)機(jī)器人實(shí)現(xiàn)自主導(dǎo)航和定位提供數(shù)據(jù)。執(zhí)行模塊驅(qū)動(dòng)底盤,負(fù)責(zé)將控制模塊的命令執(zhí)行。

通過良好的軟件系統(tǒng)架構(gòu)設(shè)計(jì),實(shí)現(xiàn)了各個(gè)模塊的協(xié)同工作和功能整合。

2 RTAB-MAP算法

RTAB-Map(Real-Time Appearance-Based Mapping)算法是一種實(shí)時(shí)的基于外觀的SLAM算法,是視覺SLAM算法的一種,主要使用RGB-D相機(jī)數(shù)據(jù)來實(shí)時(shí)定位和構(gòu)建三維稠密地圖。視覺SLAM基礎(chǔ)框架包括:視覺里程計(jì)、位姿優(yōu)化、閉環(huán)檢測(cè)、制圖,RTAB-MAP算法針對(duì)性地解決了視覺SLAM中閉環(huán)檢測(cè)出現(xiàn)的問題。RTAB-MAP算法在2019年進(jìn)行擴(kuò)展升級(jí)的基于內(nèi)存管理的閉環(huán)檢測(cè)技術(shù)[1],該技術(shù)針對(duì)SLAM的實(shí)時(shí)性將定位點(diǎn)數(shù)據(jù)分為3個(gè)部分:STM(Short-Term Memory)、LTM(Long-Term Memory)、WM(Work Memory),在構(gòu)建實(shí)時(shí)地圖和同步定位有更高的精確性和實(shí)時(shí)性。

2.1 RTAB-MAP算法閉環(huán)檢測(cè)技術(shù)原理

SLAM要求有實(shí)時(shí)性,但視覺傳感器在實(shí)際獲取數(shù)據(jù)時(shí)是源源不斷的,將地圖全部定位點(diǎn)數(shù)據(jù)稱為“全部定位點(diǎn)”,將“全部定位點(diǎn)”進(jìn)行閉環(huán)檢測(cè)與匹配定位所需時(shí)間過長(zhǎng),不能滿足實(shí)時(shí)性,所以在閉環(huán)檢測(cè)時(shí)只使用“全部定位點(diǎn)”中的“部分定位點(diǎn)”。但有時(shí)需要對(duì)“全部定位點(diǎn)”進(jìn)行訪問,這時(shí)就需要對(duì)定位點(diǎn)數(shù)據(jù)進(jìn)行管理,RTAB-MAP將這些數(shù)據(jù)分為3個(gè)部分,即LTM、STM、WM, RTAB-MAP會(huì)將那些不太可能形成閉環(huán)的定位點(diǎn)從WM轉(zhuǎn)移到LTM中,這些轉(zhuǎn)移的點(diǎn)將不參與下次閉環(huán)檢測(cè),因此選擇哪些WM中的定位點(diǎn)轉(zhuǎn)移到LTM中非常重要。RTAB-Map的思想是假設(shè)頻繁訪問的定位點(diǎn)比其他定位點(diǎn)更容易形成閉環(huán),因此,一個(gè)定位點(diǎn)被連續(xù)訪問的次數(shù)可以用來衡量它形成閉環(huán)的權(quán)重。當(dāng)WM轉(zhuǎn)移定位點(diǎn)到LTM時(shí),優(yōu)先選擇具有最低權(quán)重的定位點(diǎn),如果具有最低權(quán)重的定位點(diǎn)有多個(gè),則選擇存儲(chǔ)時(shí)間最長(zhǎng)的那個(gè)。對(duì)于具有形成閉環(huán)概率最高的那個(gè)定位點(diǎn),將它的那些沒有在WM中的鄰接定位點(diǎn)重新從LTM中取出放回到WM中,通過“取回”和轉(zhuǎn)移這兩個(gè)操作靈活地管理不同數(shù)據(jù)庫(kù)中存儲(chǔ)的定位點(diǎn)[2]。

RTAB-Map閉環(huán)檢測(cè)時(shí)不使用STM中的定位點(diǎn)。當(dāng)STM定位點(diǎn)達(dá)到一定數(shù)量時(shí),STM中存儲(chǔ)時(shí)間最長(zhǎng)的定位點(diǎn)移動(dòng)到WM中。RTAB-Map使用離散貝葉斯濾波器估計(jì)閉環(huán)形成概率,將新的定位點(diǎn)與WM中的定位點(diǎn)進(jìn)行比較。發(fā)現(xiàn)新舊定位點(diǎn)之間有高概率形成閉環(huán)時(shí),就檢測(cè)到一個(gè)閉環(huán),并將它們連接在一起。

2.2 RTAB-MAP算法閉環(huán)檢測(cè)技術(shù)基本流程

1)創(chuàng)建定位點(diǎn):使用詞袋法創(chuàng)建圖像的簽名,利用詞袋法提取從相機(jī)取得的圖像特征的視覺詞匯向量[3]。詞袋法具體步驟:首先提取圖像特征,然后通過聚類算法(如K均值聚類)對(duì)大量圖像特征描述子進(jìn)行聚類,構(gòu)建視覺詞典,最后通過詞典中的單詞的關(guān)鍵點(diǎn)數(shù)量形成圖像簽名,以在線增量式的方法創(chuàng)建定位點(diǎn)。

2)權(quán)重更新:通過相似度s來更新定位點(diǎn)權(quán)重,相似度由公式(1)表示

(1)

Npair表示匹配定位點(diǎn)簽名間的單詞對(duì)個(gè)數(shù),Nzt和Nzc分別表示簽名Zt和Zc的總單詞數(shù)目。

3)貝葉斯過濾器更新:估計(jì)當(dāng)前定位點(diǎn)Lt和存儲(chǔ)在WM中的定位點(diǎn)形成閉環(huán)的概率來記錄閉環(huán)假設(shè)。

4)閉環(huán)假設(shè)選擇:當(dāng)一個(gè)閉環(huán)假設(shè)成立,新的定位點(diǎn)Lt則和舊的定位點(diǎn)建立起了閉環(huán),并對(duì)定位點(diǎn)Lt的權(quán)重進(jìn)行更新。

5)取回:對(duì)于具有形成閉環(huán)概率最高的那個(gè)定位點(diǎn),將它的那些沒有在WM中的鄰接定位點(diǎn),從LTM中取出放回到WM中。

6)轉(zhuǎn)移:當(dāng)圖像數(shù)據(jù)處理時(shí)間超出一定閾值時(shí),將WM中權(quán)重最低且存儲(chǔ)時(shí)間最長(zhǎng)的定位點(diǎn)轉(zhuǎn)移至LTM。

2.3 地圖構(gòu)建

經(jīng)過閉環(huán)檢測(cè)后,RTAB-Map算法將構(gòu)成閉環(huán)的定位點(diǎn)采用GTSAM(GeorgiaTech Smoothing and Mapping)地圖優(yōu)化策略進(jìn)行處理[4]。這一步驟的目的是將局部地圖拼接成全局地圖,提升整體建圖的準(zhǔn)確性和一致性。在閉環(huán)重構(gòu)過程中,每次產(chǎn)生回環(huán)時(shí)都會(huì)對(duì)全局地圖進(jìn)行重構(gòu),也就是將閉環(huán)中的幀和新的特征點(diǎn)集成到全局地圖中,以便不斷完善和更新整個(gè)地圖。這樣的重構(gòu)過程將持續(xù)進(jìn)行直到不再檢測(cè)到新的圖像幀時(shí)停止。

通過這樣的閉環(huán)處理和全局地圖拼接,RTAB-Map算法能夠?qū)崿F(xiàn)更準(zhǔn)確、一致且完整的地圖構(gòu)建,適用于各種機(jī)器人應(yīng)用場(chǎng)景,提供更可靠的導(dǎo)航和定位服務(wù)。

3 路徑規(guī)劃與定位

ROS小車的路徑規(guī)劃和定位是基于ROS的move_base和amcl功能包來實(shí)現(xiàn)的[5]。

move_base是ROS中一個(gè)重要的導(dǎo)航功能包,它通過全局路徑規(guī)劃和局部路徑規(guī)劃的組合,實(shí)現(xiàn)了機(jī)器人的自主導(dǎo)航和避障功能。

定位是指通過傳感器獲取機(jī)器人當(dāng)前的位置,使機(jī)器人能夠知道自己在哪里[6]。在ROS中,常用的定位算法是AMCL(Adaptive Monte Carlo Localization)。

路徑規(guī)劃和定位在ROS中是緊密結(jié)合的,路徑規(guī)劃需要依賴定位信息來獲取機(jī)器人的當(dāng)前位置,而定位則需要路徑規(guī)劃提供的地圖等信息來更準(zhǔn)確地估計(jì)位置。通過結(jié)合路徑規(guī)劃和定位,ROS小車可以在已知環(huán)境中進(jìn)行導(dǎo)航和避障,實(shí)現(xiàn)自主移動(dòng)功能。

3.1 路徑規(guī)劃算法

3.1.1 A*算法

A*(A-star)算法是一種有效的尋路算法,它結(jié)合了Dijkstra算法和BFS算法的算法優(yōu)勢(shì)[7]。有效地找到起始節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)之間的最短路徑。原理圖如圖2所示,A*算法的基本流程如下:

圖2 A*算法原理

1)初始化:從定義一個(gè)起始節(jié)點(diǎn)和一個(gè)目標(biāo)節(jié)點(diǎn)開始,給起始節(jié)點(diǎn)賦一個(gè)0的代價(jià)值,創(chuàng)建OpenList和CloseList,并將起始點(diǎn)放入OpenList。

2)選定節(jié)點(diǎn):從OpenList中選擇總代價(jià)最小的節(jié)點(diǎn),如果這個(gè)點(diǎn)是終點(diǎn),那么得到最短路徑;如果不是終點(diǎn),將選定的節(jié)點(diǎn)從OpenList移動(dòng)到CloseList,表明它已經(jīng)被訪問過。

3)擴(kuò)展節(jié)點(diǎn):生成當(dāng)前選定節(jié)點(diǎn)的鄰居節(jié)點(diǎn),并計(jì)算它們的當(dāng)前代價(jià),如果鄰居節(jié)點(diǎn)不在OpenList中或者其當(dāng)前代價(jià)小于當(dāng)前節(jié)點(diǎn)的當(dāng)前代價(jià),就將這個(gè)鄰居節(jié)點(diǎn)加入OpenList。

4)重復(fù)步驟2)、3):繼續(xù)選擇總代價(jià)最小的節(jié)點(diǎn),擴(kuò)展其鄰居節(jié)點(diǎn),更新代價(jià),將鄰居節(jié)點(diǎn)添加到OpenList的過程,直到找到目標(biāo)節(jié)點(diǎn)或OpenList中沒有更多節(jié)點(diǎn)。

5)回溯路徑:一旦到達(dá)目標(biāo)節(jié)點(diǎn),使用存儲(chǔ)在每個(gè)節(jié)點(diǎn)中的父節(jié)點(diǎn)信息,每個(gè)節(jié)點(diǎn)都有一個(gè)父節(jié)點(diǎn),表示當(dāng)前節(jié)點(diǎn)是從哪個(gè)節(jié)點(diǎn)擴(kuò)展而來的。回溯從目標(biāo)節(jié)點(diǎn)到起始節(jié)點(diǎn)的路徑,這條路徑表示從開始節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的最短路徑。

A*算法背后的關(guān)鍵思想是使用啟發(fā)式函數(shù)來估計(jì)從每個(gè)節(jié)點(diǎn)到目標(biāo)的代價(jià)。代價(jià)計(jì)算公式為

f=g+h,

(2)

其中f為總代價(jià)、g為當(dāng)前代價(jià)、h為預(yù)估代價(jià)。

這種啟發(fā)式算法通過優(yōu)先考慮估計(jì)代價(jià)較低的節(jié)點(diǎn)來引導(dǎo)搜索,使算法首先探索最有希望的路徑。通過同時(shí)考慮實(shí)際成本和啟發(fā)式成本,A*在尋找最優(yōu)路徑和計(jì)算效率之間取得了平衡。

3.1.2 DWA

DWA(Dynamic Window Approach)算法是一種用于移動(dòng)機(jī)器人路徑規(guī)劃和局部避障的經(jīng)典算法。DWA算法是在速度空間中采樣多組數(shù)據(jù),并模擬移動(dòng)機(jī)器人以這些速度在下一時(shí)間段內(nèi)的軌跡并對(duì)軌跡進(jìn)行評(píng)價(jià),選取最優(yōu)軌跡對(duì)應(yīng)的速度來驅(qū)動(dòng)機(jī)器人運(yùn)動(dòng)[8]。DWA算法通過動(dòng)態(tài)窗口的選擇和評(píng)估函數(shù)的計(jì)算,實(shí)現(xiàn)了移動(dòng)機(jī)器人在復(fù)雜環(huán)境中的安全導(dǎo)航和路徑規(guī)劃。

1)機(jī)器人模型:假設(shè)v(t)和w(t)分別表示機(jī)器人在世界坐標(biāo)系下t時(shí)刻的線速度和角速度,Δt表示采樣周期,機(jī)器人在Δt內(nèi),近似作直線運(yùn)動(dòng)。機(jī)器人運(yùn)動(dòng)模型如式(3)

(3)

其中x(t)、y(t)、θ(t)表示t時(shí)刻機(jī)器人在世界坐標(biāo)系下的位姿。

2)速度采樣:動(dòng)態(tài)窗口法將避障問題描述為速度空間中帶約束的優(yōu)化問題[9],根據(jù)環(huán)境因素和硬件結(jié)構(gòu)的速度空間中的多組速度進(jìn)行約束。

機(jī)器人最大速度和最小速度的約束為

(4)

加減速度約束:受電機(jī)性能的約束,模擬機(jī)器人采樣周期內(nèi)的速度被約束在一定范圍內(nèi)[10]。

(5)

其中vc、wc表示當(dāng)前速度,vb、wb表示最大減速度,va、wa表示最大加速度。

機(jī)器人安全距離約束:機(jī)器人在移動(dòng)過程中需要考慮當(dāng)前速度以最大減速度減速時(shí)是否會(huì)與障礙物發(fā)生碰撞,在這一背景下對(duì)機(jī)器人移動(dòng)速度存在一定約束。

(6)

其中dist(v,w)是機(jī)器人以速度,(v,w)估計(jì)時(shí)離障礙物的最短距離。

3)評(píng)價(jià)函數(shù):如果在速度空間中存在多組可行的采樣速度,則需要使用適當(dāng)?shù)脑u(píng)價(jià)函數(shù)進(jìn)行細(xì)致地評(píng)價(jià)以確定最優(yōu)軌跡。DWA算法中采用的評(píng)價(jià)函數(shù)指標(biāo)綜合了多種因素,包括偏置角、線速度、仿真軌跡終點(diǎn)與遇到障礙物的最近距離。該算法通過對(duì)潛在軌跡的評(píng)估函數(shù),識(shí)別出最適合機(jī)器人運(yùn)動(dòng)的路徑,保證了機(jī)器人在復(fù)雜環(huán)境下的導(dǎo)航和移動(dòng)的安全性。

評(píng)價(jià)函數(shù)為

G(v,w)=σ(αhead(v,w)+

γuel(v,w)+βdist(v,w)),

(7)

其中α、γ、β表示加權(quán)系數(shù),head(v,w)表示軌跡終點(diǎn)和目標(biāo)點(diǎn)的方向角偏差,uel(v,w)用于評(píng)價(jià)當(dāng)前速度,dist(v,w)表示與當(dāng)前路線障礙物的距離的最短距離。

3.2 全局定位

在地圖中實(shí)現(xiàn)機(jī)器人的全局定位可以采用AMCL功能包。AMCL是一個(gè)在ROS中廣泛使用的定位功能包,它基于自適應(yīng)蒙特卡洛定位算法,能夠?qū)崿F(xiàn)機(jī)器人在地圖中的定位。它結(jié)合了機(jī)器人傳感器數(shù)據(jù)和已知地圖信息,通過生成一組粒子來表示機(jī)器人在地圖上的可能位置,并根據(jù)傳感器數(shù)據(jù)的更新對(duì)這些粒子進(jìn)行重采樣,以提高定位的精確性和穩(wěn)定性[11]。

使用AMCL功能包可以方便地在ROS中實(shí)現(xiàn)機(jī)器人的定位功能。它提供了參數(shù)配置、消息發(fā)布和訂閱等接口,可以與地圖構(gòu)建、路徑規(guī)劃等其他功能包進(jìn)行集成,實(shí)現(xiàn)完整的機(jī)器人導(dǎo)航系統(tǒng)。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 室內(nèi)建圖實(shí)驗(yàn)

在一個(gè)室內(nèi)場(chǎng)景中分別測(cè)試移動(dòng)機(jī)器人用激光雷達(dá)和用深度相機(jī)進(jìn)行建圖。首先確保小車和PC連接到同一個(gè)TP-link wifi下,在PC端通過小車IP配置分布式通訊;然后啟動(dòng)雷達(dá)SLAM的launch文件,深度相機(jī)SLAM則啟動(dòng)rtabmap的launch文件,再啟動(dòng)鍵盤控制節(jié)點(diǎn)和rviz可視化界面,控制小車遍歷實(shí)驗(yàn)場(chǎng)景完成建圖,如圖3所示。

圖3 激光雷達(dá)建圖

4.2 室內(nèi)導(dǎo)航實(shí)驗(yàn)

分別測(cè)試移動(dòng)機(jī)器人用激光雷達(dá)和用深度相機(jī)進(jìn)行導(dǎo)航。利用上一個(gè)實(shí)驗(yàn)完成的建圖進(jìn)行導(dǎo)航,分別啟動(dòng)激光雷達(dá)和深度相機(jī)導(dǎo)航的launch文件,這里需要注意的是相機(jī)只有前向視野,所以在進(jìn)行深度相機(jī)導(dǎo)航時(shí)只允許小車進(jìn)行前向運(yùn)動(dòng)。在rviz可視化界面為小車指定目標(biāo)點(diǎn),小車進(jìn)行自主導(dǎo)航順利到達(dá)目標(biāo)點(diǎn),如圖4所示。

圖4 深度相機(jī)建圖

4.3 實(shí)驗(yàn)分析

基于ROS系統(tǒng),在室內(nèi)建圖實(shí)驗(yàn)中,激光雷達(dá)的建圖(如圖5所示)在精確度上優(yōu)于用深度相機(jī)建圖(如圖6所示),深度相機(jī)所構(gòu)建的三維深度圖在地圖輪廓上準(zhǔn)確性。深度相機(jī)的優(yōu)勢(shì)在于它能夠提供豐富的空間地圖維度信息,包括物體的形狀、紋理和顏色等。在室內(nèi)導(dǎo)航實(shí)驗(yàn)中,運(yùn)用激光雷達(dá)和深度相機(jī)進(jìn)行導(dǎo)航移動(dòng)機(jī)器人都能合理規(guī)劃路徑實(shí)現(xiàn)自主導(dǎo)航和避障,激光雷達(dá)導(dǎo)航得益于其建圖的精確性,更適用于二維平面場(chǎng)景的使用。但是,如果對(duì)于空間維度信息的豐富性和感知能力更為重要,深度相機(jī)則提供了更多優(yōu)勢(shì)和可能性。

圖5 激光雷達(dá)導(dǎo)航

圖6 深度相機(jī)導(dǎo)航

5 結(jié)語

介紹了ROS作為一個(gè)靈活、強(qiáng)大的機(jī)器人開發(fā)框架的優(yōu)勢(shì),并解釋了其在導(dǎo)航系統(tǒng)中的重要性;然后,介紹了深度相機(jī)的工作原理和應(yīng)用;接著討論了建圖算法和路徑規(guī)劃算法的原理與實(shí)現(xiàn),通過將導(dǎo)航算法與深度相機(jī)數(shù)據(jù)結(jié)合起來,能夠?qū)崿F(xiàn)自主導(dǎo)航和動(dòng)態(tài)避障;最后,進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,基于ROS和深度相機(jī)的導(dǎo)航小車能夠完成導(dǎo)航和避障,具有廣泛的應(yīng)用潛力。

結(jié)合ROS的強(qiáng)大功能和深度相機(jī)的感知能力,隨著技術(shù)的不斷進(jìn)步,這將為機(jī)器人導(dǎo)航領(lǐng)域帶來更多可能性和創(chuàng)新;期待未來能夠看到更多基于ROS和深度相機(jī)的智能導(dǎo)航解決方案的出現(xiàn)。