基于激光测距仪的室内机器人SLAM研究.pdf

分类号： u d c ： 密级： 武虞舞垮拨夫晕 硕士学位论文 基于激光测距仪的室内机器人s l a m 研究 t h es l a mr e s e a r c ho fi n d o o rr o b o tb a s e do n l a s e rr a n g ef i n d e r s 彭晟远 指导教师姓名： 申请学位级别： 论文定稿日期： 学位授予单位： 学位授予日期： 吴怀宇教授 武汉科技大学信息科学与工程学院 2 0 1 2 年6 月1 9 日 答辩委员会主席： 评阅人： 方康玲教授 方康玲教授 张均湖高级工程师 武汉科技大学 研究生学位论文创新性声明 本人郑重声明：所呈交的学位论文是本人在导师指导下，独立进行研 究所取得的成果。除了文中已经注明引用的内容或属合作研究共同完成的 工作外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。 对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名：夔塾迤 日期：加f 上d f 3 9 研究生学位论文版权使用授权声明 本论文的研究成果归武汉科技大学所有，其研究内容不得以其它单位 的名义发表。本人完全了解武汉科技大学有关保留、使用学位论文的规定， 同意学校保留并向有关部门( 按照武汉科技大学关于研究生学位论文收录 工作的规定执行) 送交论文的复印件和电子版本，允许论文被查阅和借阅， 同意学校将本论文的全部或部分内容编入学校认可的国家相关数据库进行 检索和对外服务。 论文作者签名： 指导教师签名： 日期： 2 一0 1 2 0 5 溺 武汉科技大学硕士学位论文第1 页 摘要 近年来，移动机器人即时定位与地图构建( s i m u l t a n e o u sl o c a l i z a t i o na n dm a p p i n g s l a m ) 已经成为智能机器人研究领域的热点话题。应用传感器感知的信息实现可靠定位 是自主移动机器人最基本、最重要的能力，也是机器人研究中备受关注富有挑战性的一 个研究主题。环境地图的实时构建和机器人的自定位是未知环境导航中的两个关键问题， 本文的主要工作如下： 首先介绍了s l a m 问题设计的两个关键技术，即环境地图的典型表达及机器人位姿 的不同估计方法。针对单独使用里程计进行长距离定位会产生较大的角度误差的问题， 本文运用了一种激光传感器和里程计融合的定位导航方法：采用一种分层聚类的方法提 取激光扫描数据中的线段特征，并用最小二乘法拟合直线。再用提取出的直线特征对前 后帧扫描数据进行i c p 匹配，以修正里程计的角度，完成栅格地图的建立。 为了从降低数据关联的复杂度、提高实时性的角度出发，在贝叶斯栅格地图和粒子 滤波定位这两种技术的基础上，改进了基于r a o b l a c k w e l l i z e d 粒子滤波器的f a s t s l a m 算法中的重采样部分。使用正则化方法进行重采样，即r p f ，把离散的后验概率密度近 似地还原成连续的分布，以来避免重采样中出现的样本枯竭的问题。仿真结果表明，在 数据融合不确定性非常大的环境中，相比卡尔曼与粒子滤波器能够更准确的定位。 最后，利用移动机器人平台m t - r 对本文提出的s l a m 方案进行了大量的实验。机 器人采用本方案可以在室内环境中创建特征地图，同时利用该地图进行定位，扫描匹配 方法可以进一步提高所创建地图的精度。实验结果验证了方案的有效性。 关键词：移动机器人；同步定位与建图；粒子滤波器；扫描匹配 a b s t r a c t t h e s ey e a r st h es l a mp r o b l e mh a sb e e nah o ti s s u ei nr e s e a r c ho ni n t e l l i g e n tr o b o t i ti s ab a s i ca n di m p o r t a n tf u n c t i o nt ou s et h ei n f o r m a t i o nc a p t u r e df r o ms e n s o r st ol o c a t et h er o b o t r e l i a b l y i ti sa l s oac h a l l e n g i n gt o p i co fm u c hc o n c e r n i nt h er e s e a r c ho fr o b o t s i m u l t a n e o u s l o c a l i z a t i o na n dm a p p i n g ( s l a m ) i sa ne s s e n t i a lc a p a b i l i t yf o rm o b i l er o b o t st om o v ei n u l a 妇o w ne n v i r o n m e n t s t h et w ok e yq u e s t i o n so fn a v i g a t i o na r eb u i l d i n gm a pi nr e a lt i m ea n d o b t a i n i n gr o b o t sp o s ep r e c i s e l y f i r s t l yt h i sp a p e ri n t r o d u c e s t h e t w ok e yt e c h n i q u e so fs l a m ，o n eo fw h i c hi s r e p r e s e n t a t i v ee x p r e s s i o nm e a n so fe n v i r o n m e n t a lm a p ，a n da n o t h e ri st y p i c a l l o c a l i z a t i o n m e t h o d so fm o b i l er o b o t s t oa v o i dt h ei n b o r np r o b l e mo ft h eo d o m e t r yw h o s ea n g l ee r r o rw i l l a c c u m u l a t ec e a s e l e s s l yw i t ht i m eg r o w i n g ，am i x e dl o c a l i z a t i o na p p r o a c hw h i c hf u s e st h e o d o m e t r ya n dl a s e ri n f o r m a t i o n i s d e v e l o p e d a na g g l o m e r a t i v eh i e r a r c h i c a lc l u s t e r i n g a l g o r i t h mi s u s e dt oe x t r a c tl i n ef e a t u r e sw h o s ep a r a m e t e r sa r ee x t r a c t e df r o mr a n g es c a n s ， w h i l eu s i n gl e a s ts q u a r e sa l g o r i t h mt of i ts t r a i g h tl i n e s i c pi su s e dt om a t c ht h ec o n s e c u t i v e s c a nd a t at oc o r r e c tt h ea n g l ee r r o ro ft h eo d o m e t r y i na d d i t i o n ，t or e d u c et h ec o m p l e x i t yo fd a t aa s s o c i a t i o na n de n h a n c et h er e a l t i m e p e r f o r m a n c eo ft h ea l g o r i t h m ，a ni m p r o v e dt h er e s a m p l i n gp a r to fr a o - b l a c k w e l l i z e d f a s t s l a ma l g o r i t h mi sp u tf o r w a r du s i n gb a y e s i a ng i r dm a pa n dp a r t i a lf i l t e r w ec a l l e di t r p f , r e g u l a rp a r t i c l ef i l t e r i ta p p r o x i m a t e l yc o u l dr e s t o r et h ed i s c r e t ep o s t e r i o rp r o b a b i l i t y d e n s i t yi n t o as e r i e so fd i s t r i b u t i o n ，s or p fc o u l da v o i dt h ep r o b l e mo fl a c k i n gv a r i e t y s i m u l a t i o nr e s u l t sd e m o n s t r a t et h a tt h ee s t i m a t ee r r o r so ft h e p o s ea n dt h e l a n d m a r k s c a l c u l a t e db yr p fa r ef a rl e s st h a ne k f - b a s e da n dn o r m a lp a r t i c l ef i l t e ra p p r o a c h e su n d e rt h e s a m en o i s ec o n d i t i o n f i n a l l y , m a n ye x p e r i m e n t sa r ep e r f o r m e db a s e do nm o b i l er o b o tm t - rw i t hp r o p o s e d s l a mm e t h o d t h ee x p e r i m e n t a lr e s u l t sd e m o n s t r a t et h a tt h e p r o p o s e d m e t h o dc a n s u c c e s s f u l l yc r e a t eac o n s i s t e n tm a pw h i l el o c a t ei t s e l fu s i n gt h em a p k e y w o r d s ：m o b i l er o b o t ；s i m u l t a n e o u sl o c a l i z a t i o na n dm a p p i n g ( s l a m ) ；p a r t i c l ef i l t e r ； s c a nm a t c h i n g 武汉科技大学硕士学位论文第1 i i 页 目录 摘要i a b s t r a c t i i 第一章绪论1 1 1 移动机器人的研究背景及意义1 1 2 移动机器人s l a m 的研究现状与进展2 1 3 本课题的研究任务和拟解决的关键问题4 1 4 论文各部分的主要内容5 1 5 资助本论文的专项研究基金5 第二章传感器分析及环境特征提取6 2 1 移动机器人的传感器6 2 1 1 里程计6 2 1 2 激光测距仪8 2 2 线段特征提取和地图匹配1 0 2 2 1 线段特征检测1 0 2 2 2 直线拟合1 3 2 3 扫描匹配1 4 2 4 实验结果1 5 2 。5 小结1 6 第三章基于粒子滤波的即时定位与地图构建( s l a m ) 1 7 3 1s l a m 的定义1 7 3 2 增量式的环境建模与自定位的描述1 7 3 3 基于粒子滤波p f 的s l a m 问题研究1 9 3 3 1 粒子滤波器p f 一1 9 3 3 2 粒子滤波p f 改进的趋势2 1 3 4 基于r a o b l a c k w e l l i z e d 的粒子滤波器的s l a m 2 3 3 5 改进粒子重采样的方法r p f 2 5 3 6 仿真实验及结果分析2 6 3 6 1s l a m 仿真2 6 3 6 2u n g m 模型仿真3 0 3 7 小结3 2 第四章移动机器人s l a m 实验研究及分析3 3 4 1 实验平台3 3 第1 v 页 武汉科技大学硕士学位论文 4 2 地图创建与i c p 匹配3 4 4 3 实验与结果分析3 5 4 4 小结3 8 第五章总结与展望3 9 5 1 论文的主要工作3 9 5 2 进一步的研究工作3 9 参考文献4 0 研究生期间发表的论文4 5 致谢4 6 武汉科技大学硕士学位论文第1 页 第一章绪论 自上个世纪六十年代末期美国的斯坦福学院( s ) 的第一台被叫做s h a k e y 的移动机 器人问世，成为了人类科学技术在二十世纪以来的重大成果。机器人的出现是现代自动 化技术与人工智能技术发展的典型体现，也代表着制造技术发展的新水平。随着信号处 理、控制工程、传感器技术、人工智能和计算机等技术的发展，机器人学取得了巨大的 进步，从开始简单的爬行到学会使用两腿直立行走，仅仅用了二十年，而人类的这一进 化过程则经历了上百万年的时间。机器人作为人类的新型劳动工具，改变了生产模式， 特别在减轻劳动强度、提高生产率等方面显示出极大的优越性，将人类从繁重、恶劣、 危险的工作环境中解放出来。机器人已经能够使用工具来模拟人的如“看”、“听”、“说” 等基本行为上升到可以进行一些自主的智能行为，体现在具有思考和决策能力，自主移 动机器人逐步的从传统的工农业、军工业、航空航天发展到日常服务，医疗等方面。在 高度智能化的社会中，以日常服务和医疗为目的移动机器人应用前景十分广阔，现阶段 已有数量达百万之多的机器人应用在全世界的各个行业之中，并且这个数目以每年2 0 以上的量进行增长，使得机器人在技术与应用方面得到了飞速的发展，更像是一场工业 革命。机器人的自动控制技术的发展直接体现机器人的先进水平，是一种高级的机电一 体化的代表，基本上所可以用到的自动控制技术在机器人上都可以得到体现，自动控制 系统决策机器人的行为和思维能力，起着中枢神经的作用。同样对于移动机器人发展相 对应的体系结构、自动控制技术、传感技术、制造技术、和有关的人工智能理论和方法 等提出了更高的要求【lj 。 1 1 移动机器人的研究背景及意义 移动机器人技术在几年来是国际机器人学和人工智能领域的研究的新热点，该技术 在服务业、医疗康复、交通运输、工业、航天和国防以及生活各个方面都有着非常广阔 的应用前景。按照自主性的划分可以分为半自主、自主和遥控三种类型，遥控机器人的 本体上的执行机构是通过外部计算的智能处理单元来处理的，没有智能单元和感应机构 经传感器采集的各种机器人位姿和轨迹信息，处理过后再发出控制命令来控制移动机器 人。在r o b o t c u p 小型组的比赛现场用就的就是遥控型机器人。类似于轨迹规划、简单 的避障这些功能半自主机器人可以实现，但是遇到了复杂的情况无法自定位时，还是要 依靠外部控制来进行运动。 自主机器人对于环境具有更好的能力包括决策、感知和适应，从而可以满足更多不 同的任务需求。移动机器人的自主性，求其是在未知的、不确定的动态环境中的自主性 都提出了挑战性的课题，移动机器的分类还可以有其他方法。根据所需功能和任务的不 同来划分，按移动的方式来分，有轮式滚动移动机器人、类人步行移动机器人、爬行蠕 第2 页武汉科技大学硕士学位论文 动机器人、履带式越野移动机器人和推进式机器人等；按功能和用途不同，可分为康复 机器人、战争机器人、助人机器人、清扫机器人和管道检修机器人等；按照作业环境和 空间来分，还可分为i n d o o r 移动机器人、o u t d o o r 移动机器人、陆地上机器人、水下作 业机器人、无人操控飞机和空间移动机器人等；按控制体系结构的不同，可分为水平式 ( 功能式) 机器人、垂直式( 行为式) 机器人和混合式机器人【2 j 。 随着移动机器人技术的发展，室内自主移动机器人已经成为机器人研究的热点。近 年来结合传感器以及信息处理等技术，移动机器人的控制技术取得了很大的发展，在实 际环境中具备了一定的适应性。 移动机器人s l a m 问题一直以来都是移动机器人研究的热点和难点。特别是在近 年来由于智能控制理论的建立和实践，越来越多的学者和专家已经致力于结合智能控制 来解决移动机器人的s l a m 问题。移动机器人即时定位与地图构建不是一个孤立的， 与其相关的关键问题有：地图创建、机器人定位、运动控制等，路径规划的基础是地图 的创建和障碍物的检测。地图创建与障碍物检测性能的优劣直接影响到机器人路径规划 的成功与否。本文从实现“在实际环境中移动机器人能够成功自主导航和定位”的目的 出发，着重分析了粒子滤波的定位方法与地图创建，在此基础上详细研究了移动机器人 的s l a m 问题。 1 2 移动机器人s l a m 的研究现状与进展 l e o n a r d 和d u r r a n t w h y t e 将移动机器人完成任务定义为三个问题“w h e r ea r ni ? ”、 “w h e r ea r nig o i n g ? ”和“h o wd oig e tt h e r e ”，就是定位、目标识别和路径规划【5 j 。为 了能实现导航，移动机器人需要靠本体感受传感器和环境感知传感器来实现对本体位姿 估计和外部环境位姿的定位。依据环境空间的描述方法，d e s o u z a 等将视觉导航的方法 化为三类 6 】： ( 1 ) 已知地图的导航( m a p b a s e dn a v i g a t i o n ) ：表示地图的方法几何特征( g e o m e t r i c p r i m i t i v e s ) 、拓扑特征( t o p o l o g i c a lf e a t u r e s ) 或占据栅格( o c c u p a n c yg r i d s ) 移动机器人依 据这些已知的环境地图进行导航。 ( 2 ) 地图建立的导航( m a p - b u i l d i n g b a s e dn a v i g a t i o n ) ：在没有已知环境地图的情况 下，移动机器人通过自身的导航运动和传感器的不断感知更新来进行导航。 ( 3 ) 未知环境的导航( m a p l e s sn a v i g a t i o n ) ：相对于上面两种方法，在实时的动态环境 中无法建立明确的地图表达形式，更多的是通过传感器获得的观测信息用来识别或者跟 踪环境中的物体来导航。 但是由于感知信息的不确定性，移动机器人很难实现定位的准确，因而，在未知环 境中的定位成为最关键的问题 定位( w h e r ea mi ? ) 是实现自主能力的最基本问题【3 j ，是为了确定机器人在运行环境 中相对于世界坐标系的位置及其本身的位姿。 移动机器人的定位与其它领域研究课题的关系【4 j 如图1 1 所示。 武汉科技大学硕士学位论文第3 页 图1 1 移动机器人各领域关系 现有的移动机器人自主定位方法主要是局部定位和全局定位。局部是通过测量相对 于机器人初始位姿的距离和方向来确定当前的位姿，但随着时间的累计造成定位的误差 较大，无法精确定位。全局定位则通过测机器人的绝对位置来定位，定位的精度较高， 并且可以用来修正局部定位的定位误差。 现在移动机器人定位的方法大致可分为三类【7 j ： ( 1 ) 相对定位( r e l a t i v ep o s i t i o nm e a s u r e m e n t s ) 主要依靠内部本体感受传感器如里程 计( o d o m e t r y ) 、陀螺仪( g y r o s c o p e s ) 等，通过给定初始位姿，来测量相对于机器人初始 位姿的距离和方向来确定当前机器人的位姿，也叫做航迹推猡! , u ( d e a dr e c k o n i n g ，d r ) 。 ( 2 ) 绝对定位( a b s o l u t ep o s i t i o nm e a s u r e m e n t s ) 主要采用主动或被动标识( a c t i v eo r p a s s i v eb e a c o n s ) 、地图匹配( m a pm a t c h i n g ) 、全球定位系统( g l o b a lp o s i t i o n i n gs y s t e m ， g p s ) 、或导航信标( l a n d m a r kn a v i g a t i o n ) 进行定位。位置的计算方法包括有三角测量法 ( t r i a n g u l a t i o n ) 、三边测量法( t r i l a t e r a t i o n ) 和模型匹配算法( m o d e lm a t c h i n g ) 等。 ( 3 ) 组合定位( c o m b i n e dp o s i t i o nm e t h o d ) ：虽然相对定位这种方法能够根据运动学模 型的自我推算移动机器人的位姿和轨迹而且具有自包含的有点。但是不可避免地会存在 随时间的增加和距离的增加而增加的累积航迹误差。在绝对定位中，地图匹配技术处理 数据速度较慢，而信标或标识牌的建设和维护成本太高，g p s 又只能在室外使用。由于 单一定位的方法的缺陷，移动机器人定位仍然是基于航迹的推算与绝对位姿和轨迹矫正 相结合起来。 移动机器人对环境的感知研究主要是检测障碍物，包括动态障碍物和静态障碍物的 检测，静态障碍物可以看作己知，如果能确定动态障碍物的运动参数，那么对于在动态 环境的实时避障和地图创建这是意义重大的。但是在动态环境中对又在运动的物体的检 测是一个世界性研究的难点。 目前，大多数移动机器人在未知环境中的定位方法采用的都是基于航迹的推算和传 感器获取外部信息相结合，也就是说每当机器人移动一小段的距离就开始构建局部的范 围地图，通过传感器对外部环境的感知与探测，在局部地图中进行定位。周而复始，继 续重复这一过程来对未知环境的增量式进行建模以达到在未知环境中的自定位。 第4 页武汉科技大学硕士学位论文 针对s l a m 问题，尤其是关于定位问题的研究近年来取得了较大的进展。出现了 很多的研究方法，主要可以分为：基于扩展卡尔曼滤波器( e x t e n d e dk a l m a nf i l t e r , e k f ) 定位的e k f s l a m 算法和基于粒子滤波器( p a r t i c l ef i l t e r , p f ) 定位的f a s t s l a m 算法。 粒子滤波算法相比卡尔曼滤波器有更高的准确性和鲁棒性，成为目前研究的热点。粒子 滤波算法都是基于贝叶斯理论的顺序重要性采样( s i s ) 的滤波思想，其核心思想被 h a m m e r s l e y 等人在上世纪5 0 年代就提出t t 8 1 ，并在随后十年得到进一步发展【9 ，由于 种种缺陷并没有受到重视。直到1 9 9 3 年g o r d o n 等人提出了一种新的b o o t s t r a p 基于s i s 的非线性滤波算法【l ，这才拉开了粒子滤波器研究的序幕，然后粒子滤波器在各项领域 中得以迅速的发展，如语音识别、统计分析和目标跟踪的领域。随后f o xd 等【l l j 首先提 出了基于m a r k o v 原理的蒙特卡洛定位方法( m o n t ec a r l ol o c a l i z a t i o n ，m c l ) 应用在移动 机器人s l a m 的定位中。此后，该算法被广泛的应用和研究，成为继卡尔曼滤波定位 和m a r k o v 定位后的一个新的研究热点。t h r u n 等人又在f o xd 的基础上提出了一种混 合传感器数据估计位姿的混合m c l 算法【1 2 1 。发展到m u r p h y 等将粒子滤波器应用到 r a o b l a c k w e l l i s a t i o n 算法上【1 3 1 ，使用r a o b l a c k w e l l i z e d ( r a o b l a c k w e l l i z e dp a r t i c l ef i l t e r , r b p f ) 算法来进行移动机器人的s l a m 研究。最后m o n t e m e r l o 等人将e k f 与粒子滤波 器融合，先后提出了基于r b p f 的f a s t s l a m l 0 算法州和f a s t s l a m 2 0 算法【1 5 j ，其区 别主要是在预测位姿的采样函数上融合了传感器的噪声，使得采样观测序列的影响有更 好的鲁棒性。至于现阶段的改进s l a m 算法大多都是把e k f 用u t 变换代替，p f 中改 进建议分布、重采样策略和加入自适应机制都是基于f a s t s l a m 上的研究。 国内对于粒子滤波器在移动机器人s l a m 自定位问题的研究起步相对较晚，主要 集中在近1 0 年内。如吴庆祥等用m a r k o v 算法对移动机器人的定位研究【2 4 ；哈尔滨工业 大学洪炳熔、历茂海等人在r a o b l a c k w e l l i z e d 粒子滤波的基础上引用进化策略 2 6 1 ，并 结合自适应的重采样方法；浙江大学的项志宇、武二永等人提出基于激光测距仪的 r a o b l a c k w e l l i z e d 粒子滤波s l a m 算法【27 j ；天津大学的孟庆浩、吴月华等人基于声纳 传感器的粒子滤波s l a m 算法 2 8 】；庄严、王伟等人在基于激光测距仪和单目视觉融合 的室内移动机器人s l a m 问题研究 3 4 1 。总体上来说，粒子滤波器定位的s l a m 方法正 在越来越受关注，不管观测噪声和控制噪声是否为高斯分布时，都可以稳定可靠的工作， 尤其是在大尺度环境下，当前国内研究方向主要在提出算法的改进方面，目的都是为了 增强其鲁棒性和减小计算量，同时在非结构化环境下融合多种传感器如单双目视觉，声 纳以及g p s 定位，以达到更高的定位精度。 1 3 本课题的研究任务和拟解决的关键问题 s l a m 的前提是地图创建和自定位，这其中涉及到了传感器的使用。利用传感器进 行位姿评估，包括了地图表示、传感器数据采集、信息融合、粒子滤波器的应用及其改 进的方法等多方面的研究领域，本论文拟从理论与实验两方面，对其各个步骤进行系统 的分析和研究。研究的重点内容为： 武汉科技大学硕士学位论文 第5 页 ( 1 ) 机器人传感器的模型建立，包括激光传感器的测量数据的采集。 ( 2 ) g , j 建地图中的直线特征提，扫描匹配并构建栅格地图 ( 3 ) 粒子滤波器及其改进重采样的方法i 心f ( 4 ) 基于概率框架的同步定位与建图 1 4 论文各部分的主要内容 第一章重点介绍移动机器人的发展历程及研究背景。对移动机器人的s l a m 问题 作了基本的介绍，详细分析了国内外研究形状，概述了本论文的研究内容与研究方向。 第二章为移动机器人定位做铺垫性研究，包括移动机器人常见的传感器模型及其误 差参数，激光数据的特征提取和地图匹配。重点对直线特征提取和扫描匹配的方法进行 比较和分析，并选用占有栅格地图在配合后续定位过程。 第三章首先概述了移动机器人的s l a m 问题，并对其建模。然后分析现有解决方 案的优点和不足，对基于粒子滤波器的f a s t s l a m 进行研究。接着提出粒子滤波定位算 法的一种改进重采样的方法。最后在m a t l a b 上进行仿真验证。 第四章主要进行了基于粒子滤波的定位和全局地图导航的两组实验，移植到m t - r 轮式移动机器人进行物理实验来验证算法的可移植性和可操作性，主要分析了使用r p f 是否能提高定位精度。 第五章主要是总结了论文的研究工作，并提出s l a m 相关问题的研究展望，指出 后续工作方向。 1 5 资助本论文的专项研究基金 本论文先后得到以下专项研究基金的共同资助，特此致谢。 ( 1 ) 国家自然科学基金“全区域覆盖可拓展模块化移动机械臂控制系统研究”，( 项 目号：6 1 0 7 5 0 8 7 ) ； ( 2 ) 湖北省自然科学基金“基于语音伺服的全区域覆盖模块化轮式服务机器人研 究“ ，( 项目号：2 0 1 0 c d a 0 0 5 ) ； 第6 页 武汉科技大学硕士学位论文 第二章传感器分析及环境特征提取 移动机器人通过本体感受传感器和环境感受传感器来进行环境的感知。机器人从传 感器中获取环境的物理信息，其建模可以有助于确定获取信息的不确定性。要进行定位， 需要有两个必要条件：一是机器人装备可以感j ；h j i , 界环境的传感器；二是机器人具备预 先描绘的、与此类型传感器相匹配的地图。 传感器帮助机器人将获取周围环境中的如距离、亮度、温度等数据量化为电信号， 机器人将这些信息进行加工处理，就可形成用来对环境分类、识别的有用信息。机器人 其内部传感器通过累计的测量标定出机器人运动中的相对位姿；而外部传感器通过对机 器人的周边环境感知与测量来获得外部环境的描述，这样就可以在自身的参考坐标系下 给出绝对位姿。 下面介绍m t - r 所配备的内部里程计和外部激光测距仪的原理、模型构建、误差分 析以及地图构建。 2 1 移动机器人的传感器 2 1 1 里程计 里程计( o d o m e t r y ) n 其价格低廉、采样速率高、段距离内能够提供精确的定位精度， 成为移动机器人最常用的定位工具。它的工作原理是通过光电编码器来检测车轮在一定 时间内转过的弧度，( 如图2 1 所示) 进而推算机器人相对位姿的变化。光电编码器可分 为增量式( 单通道) 光电编码器和绝对式( 多通道) 光电编码器，其中增量式光电编码器最 为常见。 0 图2 1 正交光学编码器 里程计的分辨率为： 万：n d r p ( 2 1 ) 式( 2 1 ) 中，万表示里程计的分辨率；d 表示车轮直径( n u n ) ；p 表示编码器的精度； 7 7 表示驱动电动机的减速比。采样间隔a t 内，脉冲增量札( r ) 为左( 右) 车轮的光电编 码器的输出脉冲增量，就可以计算出其增量位移吃( 如) 为： 武汉科技大学硕士学位论文 第7 页 冼= 5 n z ( 2 2 ) 假设左、右车轮之间的间距为w ，机器人在卜1 时刻，位姿s 一。( _ 书y t 小2 一，) 运动到 f 时刻的s t ( x t ，m ，包) ，则单位采样时间的机器人位姿增量为： j a d f ( 沈+ 玉) 7 2( 2 3 ) 【a 0 , = ( a d r 一沈) w 、。 式( 2 3 ) 中，弧长蛆为在缸时间内机器人运动所经过的距离：方向角的变化量e 是机器人在终止和起始位姿的夹角；则我们就可以得到机器人的里程计的输入模型 u t = ( d f ，e ) 1 。 里程计有圆弧和直线模型两种：圆弧模型较直线模型更为通用，不但考虑了运动中 的位移变化，也还考虑了航向角的变化，如图2 2 所示。而直线模型则实际上是圆弧模 型的简化形式，因为在机器人做圆弧运动的时间非常短趋近于零时，可以近似地认为它 的航向角变化趋近于零，在做直线运动，所以就可以用简单的直线描述机器人的运动情 况。有些系统计算量不能太大，而且机器人又在做直线运动，那么正好适用直线模型来 表示，非常简单而且只要里程计模型的获取频率足够高的话，同样也可以对简单的系统 进行建模。 x 图2 2 里程计的圆弧模型 一_ 1 ，y t _ 1 ，q 1 ) a t ( 1 ) 圆弧模型 里程计的圆弧模型，由p a t r i cj e n s f e l t 和h e n r i ki c h r i s t e n s e n 提出的模型 35 1 ，最终认 定用圆弧模型去逼近实际中移动机器人运动的轨迹效果更好。机器人的方向角即起始位 第8 页 武汉科技大学硕士学位论文 姿和终止位姿的差值忪翻i 0 时，其模型可用如下方程描述： f ( s t ，甜r _ 1 ) = t + 等 s i 吧+ 忡喇 儿一等 c o s ( 忡咿c o s q 毋+ a e , ，l q i 0 ( 2 4 ) ( 2 ) 直线模型 在极短的时间内可以近似认为机器人的运动为直线，所以可以用直线模型来表示， 即i a 0 r l = 0 ，那么直线的模型方程可以描述为： l 薯+ 蛆c o s o , i 厂( s ，牝。) = iy t + 蛆s i n o , l ，l a o , l = 0 ( 2 5 ) 【_ ej 直线模型的推导简单，实际上是圆弧模型的简化形式。 试验中使用的m t - r 移动机器人实验平台的内部里程计的默认运行周期为0 1 s ，可 以采用直线模型进行推算，则以直线模型为主，在推测位姿航向角差值中使用圆弧模型， 描述如下： x t + d fc o s ( o , + 幺) i f ( s t ，一1 ) = i 儿+ qs i n ( o , + q ) l ( 2 6 ) l q + 包j 典型的里程计导致的误差为“香蕉型”分布3 7 1 。移动机器人走直线误差还好，但由 于存在积分误差，在到达同一目的地移动机器人走曲线轨迹时误差直线上升，因此还需 要外部传感器( 如激光测距仪) 来校正里程计的误差。 2 1 2 激光测距仪 激光传感器( 1 a s e rr a n g ef i n d e r ) 属于外部传感器。工作原理和声纳相似如图2 3 所示， 主动射出脉冲红外激光束，碰到物体反射后，由接收器接受反射回来的激光束，再通过 计算时间的间隔来计算出目标距p 离。但和声纳相比有着速度快、精度高等优点，本文 使用的就是s i c k 公司的l m s 2 0 0 型。 武汉科技大学硕士学位论文 第9 页 发射器 旋转镜 ( a ) 激光雷达l m s 2 0 0 ( b ) i e 作原理 图2 3 激光雷达l m s2 0 0 以及工作原理 m t - r 机器人所配备的激光传感器l m s 2 0 0 对物体移动距离的最小分辨率为l o m m ， 可以采用1 。0 5 。0 2 5 。3 种扫描角解析度模式，扫描角度范围为1 8 0 。( 采用解析度 为1 。0 5 。) 和1 0 0 。( 采用解析度为0 2 5 。o 本文所采用的是1 8 0 。，分辨率为1 。( 相 对扫描数据点为1 8 1 个) 进行试验，扫描的数据点在极坐标下表示为： 撕= ( 蔬，埘，2 = 1 ，n f 2 7 ) 或在直角坐标下表示为： 撕2 ( 舶，弦) 。，刀= 1 ，n f 2 8 1 式( 2 8 ) 中= 巩c o s # ，= 反s i n , ，n 为扫描的数据点个数。假设激光的测量值 ( 吃，唬) 受到噪声干扰，并且噪声服从高斯白噪声且每个点互相独立，方差分别为2 和 2 ，可i t , y , c r a = + 8 m m ，= 4 3 6 x 1 0 。r a d 。由误差的传递公式【5 6 1 ，“。的协方差矩阵可 表示为 5 7 】： q = i2 ，毒o 2 2 甏刃( 薏卜甏巧( 薏 r 亿9 ， q = 华暖嚣h e r a 2 2 血c o s 2 2 吮s i n 砰2 # 唬 激光传感器的测量值分布如图2 4 所示。z f 表示在f 时刻，第k 束激光的观测值， z 。为观测的量程。在一些特殊的环境中激光测距仪也存在相当大的误差，比如激光可 透过的半通明玻璃和反射率较大的反射镜等，都可能让激光束穿过障碍物使其误认为前 方没有物体。当激光束穿透玻璃或者以很大的入射角射中镜面发生反射时，使返回到接 受器的能量非常小，就可能误判为量程内没有障碍物，致使在量程处有一点的观测分布。 第1 0 页武汉科技大学硕士学位论文 鼍 嚆 号 图2 4 激光测距仪的测量值分布 2 2 线段特征提取和地图匹配 2 2 1 线段特征检测 基于激光测距仪的地图构建流程图如图2 5 所示。线段拟合后即可输出地图，通过 对不同角度扫描的地图进行匹配得到最终的机器人环境地图。 激光原始 数据 滤波 + 聚类 + 拟合 + 匹配 图2 5 激光数据处理流程图 激光测距仪所得到的数据都是点集，并没有直接的地图。在经过滤波除去杂点后进 行特征提取，才可以用来构建移动机器人的环境地图。由于室内环境下一般选择直线作 为特征，所以本论文采用直线特征提取的地图构建方法。直线特征提取的方法有很多， 最常用的有，哈夫变换法、分割合并法以及聚类法。本文使用的是聚类法，它由a r r a s 和s i e g w a r t 提出，该方法因以给测量点赋不同权值为数据处理手段而更具有精确性。 设在极坐标系下，激光测距仪采集的距离测量点为x i ( 肛，谚) ，其对应直角坐标系下 参数x = p c o s 0 ，y = p s i n 0 。全部测量点在一条直线上的条件应满足： , o c o s ( 0 一口) 一，= 0( 2 1 1 ) 由于测量误差的存在，式( 2 1 1 ) 并不成立，即测量点并不全在直线上。此时测量点 与直线之间的误差值可用二者之间的正交线段长度谚表示： 武汉科技大学硕士学位论文 第1 1 页 4 = bc o s ( o , 一口) 一r ( 2 1 2 ) 用权值缈来表示测量点在整个分析过程中所占的重要程度比例。由于在实际环境中 传感器采集的距离数据存在不确定性，所以进行测量点与线段之间的拟合程度，可用加 权后的误差之和来表示： s = c o ，砰= c o , ( p , c o s ( o , 一口) 一r ) 2 ( 2 1 3 ) ff 使用直线参数( 口，r ) 来优化s ，优化目标是使s 趋向最小化，因此直线参数与s 之 间的关系方程为： 式( 2 1 3 ) 与式( 2 1 4 ) 合并可得到： 8 s = 0 d a ( 2 1 4 ) a s 、 、。 = u 卯 竺! 二堑1 翌二型! ：兰 b嘲1 ( 只+ 够) + 蕊( w 一) 嵋彳c o s 2 够 ，一=,c01,p,c厂os(o,-a) ( 2 1 6 ) 设- w 和瓦为加权均值，其中_ w2 甄1 w , p , c o s 谚，瓦2 丽1 w , p , s i n 包。则直 角坐标系下t a n 2 a 与厂的值分别为： 眦口= 轰毒莲斋 亿 ，= x wc o s a + 兀s i n o r( 2 1 8 ) 直角坐标系下的计算比需要浮点计算的极坐标系下的计算更为简单，更利于机器人 实时控制，因此更符合实际要求。 用随机变量来表示模型参数 ，) 和( p ，臼) ，设2 。，= ，) r ，墨。