趙連強　柳國良　李鵬遠

摘要：本文以在室內(nèi)環(huán)境工作的移動機器人自主導(dǎo)航為應(yīng)用背景，構(gòu)建基于ROS平臺并具有自動規(guī)劃路徑功能的AGV機器人。在建立機器人導(dǎo)航用環(huán)境地圖方面，對只依賴激光雷達數(shù)據(jù)的Hector SLAM地圖創(chuàng)建進行了改進，將激光雷達、里程計及慣導(dǎo)（IMU）等多個傳感器數(shù)據(jù)進行融合，通過里程計輔助的方式改進ICP配準精度，有效降低了HectorSLAM建圖打滑現(xiàn)象產(chǎn)生的影響，并進行基于A*算法和行為動力學的路徑規(guī)劃研究。實驗結(jié)果表明，本AGV機器人能夠完成室內(nèi)環(huán)境的路徑自動規(guī)劃。

關(guān)鍵詞：AGV;路徑規(guī)劃;建圖;環(huán)境

本系統(tǒng)采用樹莓派4B處理器為主控制芯片，利用慣性測量單元（IMU）、輪式編碼器以及激光雷達作為導(dǎo)航數(shù)據(jù)源，進行了相關(guān)的硬件設(shè)計。軟件部分基于機器人開源操作系統(tǒng)（Robot Operating System，ROS）平臺，對機器人的環(huán)境建模和路徑規(guī)劃進行了研究。主要完成基于ROS的移動機器人平臺構(gòu)建、基于多傳感器信息融合的HectorSLAM環(huán)境地圖創(chuàng)建、基于A*算法和行為動力學方法的路徑規(guī)劃研究、基于ROS的移動機器人導(dǎo)航實驗等。

一、硬件結(jié)構(gòu)

（一）控制器

機器人控制器采用樹莓派4B，運行Ubuntu Mate或Raspbian系統(tǒng)，安裝ROS機器人操作系統(tǒng)，作為機器人端ROS節(jié)點控制器。硬件組成框架圖如下：

樹莓派4B對比3B+升級明顯，主要功能包括高性能Cortex-A72 64位四核處理器，2路micro-HDMI端口支持分辨率高達4K的雙顯示屏，高達4KP60的硬件視頻解碼及4GB的RAM，雙頻2.4/5.0GHz無線局域網(wǎng)，藍牙5.0，千兆以太網(wǎng)，USB3.0和POE功能（通過單獨的POE HAT插件）。

樹莓派主要負責獲取激光雷達、IMU等傳感器數(shù)據(jù)并發(fā)布相應(yīng)話題來供虛擬機訂閱，并訂閱虛擬機發(fā)出的速度信號控制小車移動。

（二）電源供電

該機器人的電源為電池模塊，由兩塊鋰離子電池組成，內(nèi)置電池保護板。一塊8.4V 2400mAh給樹莓派、激光雷達、IMU、編碼器供電，一塊12V 6000mAh給減速電機供電。

（三）通信鏈路

Ros機器人主機以50ms為周期發(fā)布速度、位置等控制信息，樹莓派接收速度控制信號并將采集到減速電機的位置信息發(fā)布出去。

（四）電機參數(shù)

工作電壓：12V。

額定功率：4W。

額定電流：0.36A。

堵轉(zhuǎn)電流：3.2A。

減速比：1：30。

減速后空載轉(zhuǎn)速：366±26RPM。

額定扭矩：1KG·CM。

該電機全金屬減速箱，可靠性更高。

（五）傳感器

激光雷達：激光雷達是以發(fā)射激光束來探測目標位置、速度等特征參數(shù)的雷達系統(tǒng)。雷達向目標發(fā)射激光束，將接收到的目標回波與發(fā)射信號進行比較，作適當處理后，可獲得目標的相關(guān)參數(shù)，如目標方位、距離、高度、速度、姿態(tài)以及形狀等，從而對周圍的物體進行識別。

機器人上的激光雷達可以感知環(huán)境二維平面的深度信息。程序可以通過環(huán)境深度信息來判斷障礙物距離小車的遠近借此來達到避障的目的。Ros中的slam開源包gmapping可以通過獲取激光雷達的數(shù)據(jù)對周圍環(huán)境建立地圖。通過對激光雷達數(shù)據(jù)的處理，可以實現(xiàn)對機器人的定位、計算機器人所在二維平面的姿態(tài)、計算機器人的速度等。

本機器人用的LDS1.5激光雷達是地面移動機器人常用的一種傳感器，其工作原理是用一個高速旋轉(zhuǎn)的激光測距探頭將周圍360。的障礙物分布狀況測量出來，形成障礙物輪廓的俯視二維點陣輸入ROS系統(tǒng)里。

供電電壓：5V。

測量距離：120～3500mm。

掃描頻率：1.8kHZ。

掃描角度：360°。

分辨率：1°。

陀螺儀和加速度計：IMU MPU6050分別為陀螺儀和加速度計提供了三個16位的ADC，將被檢測的模擬量轉(zhuǎn)化為可輸出數(shù)字量。傳感器的測量范圍是用戶可控的，陀螺儀的可測范圍為±250，±500，±1000，±2000°/秒（dps），加速度計的可測范圍為±2，±4，±8，±16g，可以精確跟蹤快速和慢速的運動。通過對加速度計積分可以計算車速，對角速度積分可以計算小車的歐拉角。角速度積分算出的俯仰角、翻滾角可以通過重力加速度在車模x，y，z軸的分量來輔助校正。IMU在小車上可以比較精確地感知小車當前的狀態(tài)。

二、建圖導(dǎo)航算法

（一）ROS的通信機制

ROS系統(tǒng)中的通信方式有三種，分別為話題（msg）、服務(wù)（srv）和動作（action），其中話題屬于基本的發(fā)布/訂閱通信方式，適用于單個節(jié)點發(fā)布消息，一個或多個節(jié)點接受消息的情況;服務(wù)屬于實時獲取結(jié)果的情況，應(yīng)用于請求/響應(yīng)式的應(yīng)用環(huán)境，適用于基本功能的調(diào)用或者狀態(tài)的查看。

ROS是一種分布式軟件框架，節(jié)點可以運行在不同的計算平臺上，節(jié)點之間以松耦合的方式進行組合，通過Topic、Service進行通信。ROS的分布式十分強大，在不同計算機上運行不同的節(jié)點就如同在一臺計算機上運行。

（二）SLAM建圖

SlAM按傳感器分類可以分為兩大類：視覺SLAM和激光SLAM。視覺SLAM對環(huán)境有較高要求，需要環(huán)境有豐富的紋理，且計算量大。視覺SLAM在重定位和場景區(qū)分上有著極大優(yōu)勢。激光SLAM對環(huán)境要求較低，計算量小，且激光雷達本身帶有幾何信息，建立出來的地圖更直觀精確。本次我們采用的是激光SLAM。

Gmapping是應(yīng)用最為廣泛的2D slam方法，主要是利用RBPF（Rao-Blackwellized Particle Filters）方法，所以需要了解粒子濾波的方法（利用統(tǒng)計特性描述物理表達式下的結(jié)果）。Gmapping在RBPF算法上做了提議分布和選擇性重采樣的改進，可以實時構(gòu)建室內(nèi)環(huán)境地圖，所需計算量較小且精度較高。相比Hector SLAM，其對激光雷達的頻率要求低、魯棒性高（在機器人快速轉(zhuǎn)向時Hector容易發(fā)生錯誤匹配，地圖發(fā)生錯位，主要原因是優(yōu)化算法容易陷入局部最小值）;而相比Cartographer，在小場景地圖構(gòu)建時，不需要太多粒子且沒有回環(huán)檢測，計算量小且精度相差不大。隨著場景的增大所需粒子增加，每個粒子都會攜帶一幅地圖，所需的內(nèi)存和計算量都會增加，不適合構(gòu)建大場景地圖。因為沒有回環(huán)檢測，回環(huán)閉合時可能會造成地圖錯位，雖然增加粒子數(shù)目可以使地圖閉合但要以增加計算量和內(nèi)存為代價。所以Gmapping不能像cartographer那樣構(gòu)建大的地圖。優(yōu)點：在長廊及低特征場景中建圖效果好;缺點：依賴里程計（odometry），無法適用不平坦區(qū)域;無回環(huán)。綜合以上考慮，本機器人采用gmapping算法。

（三）機器人的定位

里程計是機器人定位的重要組成部分。以小車的起始點建立坐標系（odom坐標系），記錄小車移動的里程，可以得到小車在odom坐標系下的坐標，以此來推算出小車的位置。

1.激光里程計（rf20）

編碼器里程計和視覺里程計是自控中應(yīng)用較多的兩種里程計類型。電機編碼的里程計在低速情況下比較可靠，但不可避免地會出現(xiàn)因為輪子打滑等因素造成的漂移問題;而視覺里程計對于運動估計問題來說是一個比較靈活的解決方案，能適用不同的機器人，缺點在于計算量大，占用較大資源空間，對傳感器要求較高。激光里程計吸收了上述兩種方法的優(yōu)點，能快速而精確地從連續(xù)范圍掃描中估計激光雷達的平面運動，且運算成本低。表現(xiàn)取決于激光的分辨率和環(huán)境因素，轉(zhuǎn)換評估準確。

rf20是一種快速而精確的方法，用于從連續(xù)范圍掃描中估計激光雷達的平面運動。對于每個掃描點，根據(jù)傳感器速度制定范圍流約束方程，并最小化所得幾何約束的魯棒函數(shù)以獲得運動估計。與傳統(tǒng)方法相反，該方法不搜索對應(yīng)關(guān)系，而是以密集測距法的方式基于掃描梯度執(zhí)行密集掃描對準。最小化問題以粗到精的方案解決以應(yīng)對大位移。

實際測試中，激光里程計在小車做直線運動時比較準確，但是在遇到長直道，激光雷達采集不到任何特征點的時候無法準確地測量小車移動。由于激光雷達本身是在旋轉(zhuǎn)的，所以當小車在做快速旋轉(zhuǎn)運動的時候激光里程計測量出來的旋轉(zhuǎn)數(shù)據(jù)也有較大的誤差。

當小車做在做直線運動的時候，激光里程計是比較準確的，但是當小車在做旋轉(zhuǎn)運動的時候，由于激光雷達自身的旋轉(zhuǎn)，會導(dǎo)致激光里程計的旋轉(zhuǎn)不準確。所以使用ekf功能包來將激光里程計的數(shù)據(jù)與IMU的數(shù)據(jù)融合出一個較為準確的數(shù)據(jù)。

這個包用于評估機器人的3D位姿，使用了來自不同源的位姿測量信息，它使用帶有6D（3D position and 3D ori-entation）模型信息的擴展卡爾曼濾波器來整合來自輪子里程計，IMU傳感器和視覺里程計的數(shù)據(jù)信息?；舅悸肪褪怯盟神詈戏绞饺诤喜煌瑐鞲衅餍畔崿F(xiàn)位姿估計。

實際測試中，在小車低速運行時可以比較準確地得到小車的位姿態(tài)，但是由于IMU計算出來的速度受車模加速度的影響，在車模做頻繁的加減速運動時，融合后的里程計消息還是有一定程度的漂移。

2.編碼里程計

為了精確地控制車模的速度，我們根據(jù)采集到的編碼器數(shù)據(jù)測量車子的速度，并且對這個速度積分可以得出車模運行的里程。在通過IMU傳感器便可以計算出車模的里程。在實際應(yīng)用中更多的還是通過輪式里程計來進行測量小車的位移。我們經(jīng)過測試，這樣計算出來的里程計信息有著較高的精度，使得車模在運行時的定位精度有著很大的提升。

通過對里程計信息的推算可以得出小車在地圖上的位置，但是里程計定位會帶來很多誤差。amcl是根據(jù)已知地圖配合激光雷達的數(shù)據(jù)進行定位，不存在誤差累計的問題，所以我們在里程計定位的基礎(chǔ)上引入了amcl功能包來進行機器人在地圖上的輔助定位，可以消除里程計在運動過程中的累計誤差。

三、路徑規(guī)劃

機器人在得到目標點后，同樣會以傳感器作為眼睛，來獲取道路信息，并思考分析如何行走才不會與其他物體相撞，并用較少的時間正確到達目的地。這就稱之為路徑規(guī)劃。路徑規(guī)劃主要涉及了三大問題：明確起點與終點，規(guī)避障礙物，盡可能做到路徑優(yōu)化。而我們根據(jù)對環(huán)境信息掌握的程度的不同，將機器人的路徑分為了兩個部分：全局路徑規(guī)劃與局部路徑規(guī)劃。

（一）全局路徑規(guī)劃

global_planner與navfn;兩種全局路徑規(guī)劃都擁有自己的插件，在move_base調(diào)用時只需要將插件名字以參數(shù)的形式傳人便可以直接調(diào)用。全局路徑規(guī)劃的算法主要包括A*與Dijkstra算法。

Dijkstra算法是典型的最短路徑算法，用于計算一個節(jié)點到其他所有節(jié)點問的最短路徑。其特點是以起始點為中心向外層層擴展，直到終點為止。

A*算法是Dijkstra算法的升級版。f（n）=g（n）+h（n），其中估價值h（n）的選取是保證找到最優(yōu)解的條件。估價值≤實際值的情況，搜索的點數(shù)多，范圍大，效率低，但能得到最優(yōu)解。估價值>實際值的情況，搜索的點數(shù)少，范圍小，效率高，但不能保證得到最優(yōu)解。估價值與實際值越接近，估價函數(shù)取得就越好。

（二）局部路徑規(guī)劃

機器人在獲得目的地信息后，先經(jīng)過“全局路徑規(guī)劃”規(guī)劃出一條大致可行的路線;再調(diào)用局部路徑規(guī)劃器，根據(jù)costmap的信息及路線規(guī)劃出在局部時做出的具體行動策略。

DWA（Dynamic Window Approach）算法：其原理是在速度空間（v，w）中采樣多組速度，并模擬出這些速度在一定時間內(nèi)的運動軌跡，再通過評價函數(shù)對這些軌跡打分，選擇出最優(yōu)的速度發(fā)送給下位機。ROS中主要使用了DWA算法。每當move_base處于規(guī)劃狀態(tài)時，就調(diào)用DWA算法，選擇出最優(yōu)的速度指令，發(fā)送給機器人底盤執(zhí)行。

四、結(jié)論

本文研究了基于ROS平臺上的室內(nèi)環(huán)境下的一種自動規(guī)劃路徑的AGV倉儲運輸小車的設(shè)計。通過對算法的改進，能夠滿足一般環(huán)境下的運輸要求。

作者簡介：趙連強（1982— ），男，漢族，河南新鄉(xiāng)人，本科，講師，研究方向：汽車傳感器。