胡曉強(qiáng) 劉漢忠 賈良冠 張盟 吳正朕

摘 ?要：目前主流的機(jī)器人操作平臺(tái)ROS（Robot Operating System）建圖媒介是Kinect雙目攝像頭，采用CMOS紅外傳感器感知黑白光譜的方式來構(gòu)建目標(biāo)地圖。計(jì)算量大，建圖輪廓不清晰，地圖構(gòu)建與實(shí)際地圖偏移量較大，重定位精度差。本文提出基于ROS平臺(tái)的激光雷達(dá)Slam-GMapping的重定位技術(shù)，包括RBPF粒子濾波算法、激光雷達(dá)Slam-GMapping建圖和機(jī)器人的重定位。實(shí)驗(yàn)結(jié)果表明：激光雷達(dá)Slam-GMapping相比于Kinect，能夠更好地構(gòu)建目標(biāo)地圖，建圖效果更加優(yōu)越，建圖精度更高;該重定位技術(shù)的定位方位更加精確，定位誤差更小。

關(guān)鍵詞：ROS;激光雷達(dá);RBPF;Slam-GMapping;重定位

中圖分類號(hào)：TP273 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2019）12-0159-03

Abstract：Aiming at the current mainstream robot operating platform ROS（Robot Operating System） mapping medium is Kinect binocular camera，which uses CMOS infrared sensor to sense black and white spectrum to build the target map. The calculation is large，the outline of the map is unclear，the offset between the map construction and the actual map is large，and the relocation accuracy is poor. In this paper，the relocation technology of laser radar Slam-GMapping based on ROS platform is proposed，including RBPF particle filter algorithm，Slam-GMapping mapping of laser radar and robot relocation. The experimental results show that Slam-GMapping of lidar can better construct target map than Kinect，with better mapping effect and higher mapping accuracy. The repositioning technology has more accurate positioning orientation and smaller positioning error.

Keywords：ROS;lidar;RBPF;Slam-GMapping;relocation

0 ?引 ?言

ROS（Robot Operating System）是一種基于圖狀架構(gòu)，對(duì)不同節(jié)點(diǎn)的進(jìn)程能接受、發(fā)布、聚合各種信息（例如傳感，控制，狀態(tài)，規(guī)劃等等），且兼具硬件抽象、底層設(shè)備控制[1]、常用功能實(shí)現(xiàn)、進(jìn)程間消息以及數(shù)據(jù)包管理功能，支持Ubuntu的開源機(jī)器人軟件平臺(tái)。Slam-GMapping采用RBPF的方法，運(yùn)用重采樣自適應(yīng)技術(shù)[2]，充分考慮粒子耗散問題和粒子逐漸更新權(quán)重而收斂的特性[3]，降低了機(jī)器人位置在粒子濾波中的不確定性。從而使機(jī)器人對(duì)里程計(jì)信息獲取、激光束點(diǎn)陣的優(yōu)化采集等信息采集的質(zhì)量有大幅度提升，建圖更加完整，準(zhǔn)確。然而Slam-GMapping建圖依據(jù)車輪里程計(jì)信息，需要由里程計(jì)信息實(shí)時(shí)結(jié)算機(jī)器人當(dāng)前的姿態(tài)和位置，這就使得機(jī)器人導(dǎo)航時(shí)必須放在上次建圖的同一位置，才能相對(duì)確保機(jī)器人導(dǎo)航的準(zhǔn)確性。本文介紹一種基于ROS平臺(tái)的激光雷達(dá)Slam-GMapping的重定位方法，能夠很好地解決上述問題。

1 ?激光雷達(dá)Slam-GMapping方法

1.1 ?RBPF粒子濾波算法

機(jī)器人在一個(gè)未知環(huán)境中移動(dòng)，其目的是獲得當(dāng)前環(huán)境的地圖。地圖可以用一個(gè)儲(chǔ)存每個(gè)網(wǎng)格單元顏色的矩陣表示，單元格的顏色只能為黑色或白色。RBPF算法以先估計(jì)機(jī)器人的軌跡而后再去根據(jù)已知的軌跡計(jì)算地圖的方式，解決了同步定位與地圖構(gòu)建（SLAM）相互矛盾的問題，其具體流程：

（1）初始化：初始化機(jī)器人的位姿（位置和方向），每個(gè)粒子初始化權(quán)重為1/N，總和為1。初始化位置確定后，粒子放在其附近。

（2）預(yù)測：粒子濾波首先根據(jù)狀態(tài)轉(zhuǎn)移函數(shù)預(yù)測生成大量的采樣，這些采樣就被稱之為粒子，利用這些粒子的加權(quán)和來逼近后驗(yàn)概率密度。

（3）調(diào)整與校正：隨著觀測值的依次到達(dá)，為每個(gè)粒子計(jì)算相應(yīng)的重要性權(quán)值。這個(gè)權(quán)值代表了預(yù)測的位姿取第N個(gè)粒子時(shí)獲得觀測的概率。如此這般下來，對(duì)所有粒子都進(jìn)行評(píng)價(jià)，越有可能獲得觀測的粒子，獲得的權(quán)重越高。

（4）姿態(tài)估計(jì)：利用所有粒子的位置、方向和權(quán)重值來計(jì)算加權(quán)平均值、中央值和最大權(quán)重的粒子值[4]，并用這些估計(jì)機(jī)器人的姿態(tài)。

（5）重采樣：根據(jù)權(quán)值的比例重新分布采樣粒子。去除權(quán)重小的粒子，以權(quán)重大的粒子為中心創(chuàng)建粒子特性。重復(fù)步驟（2）到步驟（5），再將重采樣過后的粒子集輸入到狀態(tài)轉(zhuǎn)移方程中，就能夠獲得新的預(yù)測粒子。通過采樣的軌跡和計(jì)算推測出地圖。

1.2 ?Slam-GMapping建圖

2 ?試驗(yàn)

采用主控為工業(yè)機(jī)，驅(qū)動(dòng)為STM32開發(fā)板，12V帶編碼器的電機(jī)，12V-4800mA電池，搭配激光雷達(dá)完成實(shí)驗(yàn)。如圖3所示，是在實(shí)驗(yàn)室環(huán)境中以右上角為起點(diǎn)建立的目標(biāo)地圖。

將機(jī)器人改變坐標(biāo)位置，放置于地圖左下方，用目標(biāo)地圖導(dǎo)航，未使用算法前，機(jī)器人坐標(biāo)系發(fā)生偏轉(zhuǎn)，如圖4所示。

運(yùn)用基于ROS平臺(tái)的激光雷達(dá)Slam-GMapping的重定位方法，機(jī)器人重定位TF坐標(biāo)系更新為機(jī)器人現(xiàn)在位置，如圖5所示。

機(jī)器人先進(jìn)行目標(biāo)地圖的提取，然后分割目標(biāo)地圖為單位柵格大小。同時(shí)構(gòu)建自己所在新的位置地圖，再按照0階馬爾科夫場分割實(shí)時(shí)地圖為同目標(biāo)地圖單位長度相同的柵格大小。然后經(jīng)過平移、旋轉(zhuǎn)變換等，完成實(shí)時(shí)地圖與目標(biāo)地圖的匹配，完成機(jī)器人的重定位。

3 ?結(jié) ?論

測試表明，基于ROS平臺(tái)的激光雷達(dá)Slam-GMapping的重定位方法可以讓機(jī)器人在原來構(gòu)建的目標(biāo)地圖中，完成對(duì)自己所在的新的位置的重定位，而不必再人工重復(fù)繁瑣地校正機(jī)器人的位姿，來獲得更好的實(shí)驗(yàn)效果。用基于ROS平臺(tái)的激光雷達(dá)Slam-GMapping的重定位算法校正相比于人工校正，精確度更高、時(shí)間更短、效率更高、定位精度更高、出錯(cuò)率更低。目前，此方法已經(jīng)在學(xué)校所在實(shí)驗(yàn)室多次試驗(yàn)，均達(dá)到良好的效果。

參考文獻(xiàn)：

[1] Li T，Shi D，Wu Q，et al. Sodium para-aminosalicylate delays pericarp browning of litchi fruit by inhibiting ROS-mediated senescence during postharvest storage [J]. Food Chemistry，2019，278：552-559.

[2] 羅元，余佳航，汪龍峰，等.改進(jìn)RBPF的移動(dòng)機(jī)器人同步定位與地圖構(gòu)建 [J].智能系統(tǒng)學(xué)報(bào)，2015，10（3）：460-464.

[3] He H，Jia Y，Sun L. Simultaneous Location and Map Construction Based on RBPF-SLAM Algorithm [C]//第30屆中國控制與決策會(huì)議.第30屆中國控制與決策會(huì)議論文集（4）.沈陽：《控制與決策》編輯部，2018：755-758.

[4] 伍永健，陳躍東，陳孟元.量子粒子群優(yōu)化下的RBPF-SLAM算法研究 [J].智能系統(tǒng)學(xué)報(bào)，2018，13（5）：829-835.

[5] 屈盼讓，薛建儒，於二軍，等.基于柵格圖拼接的多層次路口地圖 [J].計(jì)算機(jī)仿真，2019，36（1）：342-347.

[6] 白宗文.基于HALCON與圖像拼接的文物修復(fù)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn) [J].電子設(shè)計(jì)工程，2013，21（9）：24-26.

作者簡介：胡曉強(qiáng)（1997-），男，漢族，江蘇徐州人，本科，研究方向：機(jī)器人、自動(dòng)化。