基于ROS的激光SLAM室内建图定位导航智能机器人设计

基于ROS的激光SLAM室内建图定位导航智能机器人设计

作者：王林荣黄涛

来源：《无线互联科技》第04期

摘;;要：文章基于Linux系统上的ROS平台实现基本的SLAM算法，机器人能够实现构建室内地图、室内自动避障导航及室内定位等功效。底层重要以STM32和树莓派为核心，通过陀螺仪和码盘电机得到机器人方位和行走里程，使用激光雷达获取室内地图信息。在ROS上执行对应脚本，调用Gmapping，ACML算法实现室内地图构建和定位。

核心词：即时定位与地图构建;机器人操作系统;建图;导航;定位

1;;机器人研究现状及发展方向

近年来，随着计算机视觉和人工智能等高新技术的逐步成熟，其被越来越广泛地应用于人们生活中的每个角落。移动机器人在各个领域都有着很大的市场需求，使得有关技术有着更进一步地研究和应用。在国防领域里，无人战机、无人执勤车等被用于情报收集和地形勘探，减少战争风险。在家庭和商业中心，扫地机器人、服务机器人和安保机器人给人们带来便捷服务的同时还能够减少人力成本。在物流领域里，搬运小车更是成为当中不可或缺的一部分，重要应用于物流的分拣和搬运以及机场港口的行李货柜搬运。其中，最被人熟知的就是在亚马逊物流中心工作的Kiva机器人[1]。现在有超出15000台被派驻到10个物流中心进行工作。Kiva系统将物流中心的储存能力相较传统仓库提高了50%以上[2]。

即时定位与地图构建（SimultaneousLocalizationandMapping，SLAM）技术能够很精确地实现环境的地图构建，定位以及多点导航。现在SLAM技术能够分为激光SLAM和视觉SLAM，激光SLAM采用的传感器为激光雷达，而视觉激光则采用深度摄像头。激光SLAM技术较为成熟、误差少，且足以满足现在环境的使用，因此本项目采用了此项技术。

当机器人有了SLAM的功效，就相称于机器人有了一双眼睛。其能够扫描未知环境从而获取地图，以及实时获取自己的现在位置;能够自行途径规划达成指定地图上的地点。如智能扫地机就能够通过SLAM实现精确的地面避障遍历，又自行回到充电地点。在无人驾驶以及无人机上亦同样合用，其需要实现一种共同的目的：避障、定位、途径规划。为了让机器人更加智能化，可在实现此项技术上再加上手机APP的控制和语音识别控制。

2;;硬件系统设计

2.1;机器人平台

选择机器人平台需要考虑的核心因素是稳定性，减少机械构造问题带来的数据误差，微小的误差在定位和导航上都会造成错误。同时，亦需要考虑定位性能，这是机器人能够根据本身运动进行位置估算的重要原则。定位导航算法需要获取机器人的里程计信息，因此在控制平台上必须含有统计行驶路程以及方位的功效。机器人动力系统使用两个390线的码盘电机，使用码盘作为机器人的里程计，通过两轮差速实现转向，并使用九轴陀螺仪控制方位。

在定位导航上的测量单元重要有激光测量、图像测量。其中激光测距单元比较精确、高效，并且其输出不需要太多的解决。激光SLAM在构建地图的时候精度较高，思岚科技的RPLIDAR系列构建的地图精度可达成2cm左右，而半径可达成12m，足以在室内环境下使用。

底层控制板是STM32F1系列，用于控制运动装置以及获取码盘和陀螺仪信息。上层控制板则是运行Linux系统的树莓派，再执行次级系统机器人操作系统（RobotOperatingSystem，ROS），激光雷达扫描室内环境返回数据信息传输到PC端进行建图、定位和导航。机器人实物如图1所示。

2.2;硬件电路设计

运动装置采用390线的码盘减速电机，TB6612FNG芯片作为电机驱动。系统通过PWM脉冲宽度调制来控制电机速度。机器人获取方位以及姿态调节需要使用到陀螺仪，再联合码盘电机采用PID算法进行闭环控制，使得机器人平台更加稳定。电路如图2所示。

3;;软件系统设计

3.1;地图构建算法Gmapping

Gmapping由GiorgioGrisetti和CyrillStachniss等在以Fast-SLAM方案为基本原理提出，是一種基于Rao-Blackwellized粒子滤波的二维激光SLAM办法，现在在机器人定位导航方面应用广泛[3]。

使用Gmapping算法进行机器人定位导航，在扫描到的环境中用每一种粒子代表机器人可能出现的位置。获取精确位置，必须预计机器人的位置和姿态，通过不停地运动和测量，获取其所处环境中的地图信息，逐步减少本身位置的不拟定性，最后获得精确的位置信息。在SLAM中，姿态和地图都是状态变量，因此一种粒子需要同时保存开始到现在的全部位姿和地图信息。这相称于将SLAM中分为定位和建图两部分，减少了算法的计算量和复杂度，可简朴描述为机器人用上一刻的定位和地图预测现在时刻的位置信息，然后计算权重、重采样，接着更新粒子的姿态和地图信息。

激光雷达的测量信息可觉得Gmapping算法提供一种相对集中的粒子分布，把粒子采样范畴更改到激光雷达测量的区域，使得后来的粒子分布更靠近真实分布。而码盘电机和陀螺仪能够提供机器人的位姿信息，结合内容随机采样多个点，再根据这些点的里程计和观察模型计算均值和方差。其计算过程如图3所示。

Gmapping算法只适合室内环境，场景越大，需要的粒子越多，会造成建图失败。在机器人起始位置应当选择地图特性丰富的地方，避免大片的空地，从而更容易提高对的粒子的权重。建图系统框架如图4所示。

粒子滤波的思想基于蒙特卡洛办法来表达概率，能够用在任何形式的状态空间模型上。简朴来说，粒子滤波法是指通过寻找一组在状态空间传输的随机样本，对概率密度函数进行近似，以样本均值替代积分运算（状态方程），从而获得状态最小方差分布的过程。因此，粒子滤波能够比较精确地体现基于观察量和控制量的后验概率分布，能够用于解决SLAM问题[3]。粒子滤波算法重要分成5个环节：

（1）预测阶段，粒子滤波首先根据状态转移函数预测生成大量的采样，这些采样就被称之为粒子，运用这些粒子的加权和来逼近后验概率密度。

（2）校正阶段，随着观察值的依次达成，为每个粒子计算对应的重要性权值。该权值代表了预测的位姿取第N个粒子时获得观察的概率。因此，对全部粒子都进行评价，越有可能获得观察的粒子，获得的权重越高。

（3）重采样阶段，根据权值的比例重新分布采样粒子。由于近似逼近持续分布的粒子数量有限，因此这个环节非常重要。下一轮滤波中，再将重采样过后的粒子集输入到状态转移方程中，就能够获得新的预测粒子了。

（4）滤波阶段，将重采样后的粒子放进状态转移方程通过计算获取新的预测粒子位姿和地图信息，然后再次进行预测、校正和重采样过程，通过不停地循环，使得粒子的范畴值处在靠近真实值的区域内，从而计算出机器人的具体定位。

（5）地图预计，对于每个采样的粒子，通过其采样的轨迹与观察计算出对应的地图预计，选用最靠近真实值的粒子，即可生成规划区域的栅格地图。

3.2;自主避障导航和多点导航

机器人的导航系统重要使用ros-navigation导航功效包集合，导总结来看能够分为数据收集层（传感器数据收集）、全局规划层（global_planner）、局部规划层（local_planner）、行为层（结合机器人状态和上层指令给出机器人现在行为）、控制器层（与下位机通信）[4]。

机器人使用navigation栈导航时，move_base模块负责整个navigation行为的调度，涉及初始化costmap与planner，监视导航状态适时更换导航方略等监视导航状态、适时更换导航方略等。涉及行为的控制，move_base具体实现就是有限状态机，定义了若干recovery_behavior，指定机器人导航过程中出问题后的行为。具体的逻辑流程以下：

move_base首先启动了global_planner和local_planner两个规划器，负责全局途径规划和局部途径规划，通过costmap组件生成自己的代价地图（global_costmap和local_costmap）。通过全局途径规划，计算出机器人到目的位置的全局路线，实现的办法是基于栅格地图的cost搜索找最优。然后通过局部规划，负责做局部避障的规划，具体navigation中实现的算法是DynamicWindowsApproach，具体流程是：由移动底盘的运动学模型得到速度的采样空间;在采样空间中，计算每个样本的目的函数;得到盼望速度，插值成轨迹输出，如图5所示。

在机器人运行过程中，根据机器人的状态做出规划（唤醒规划器），操作（计算正当速度并公布），清理（recovery_behavior）等操作。

3.3;系统软件平台

ROS中提供了一個3D可视化工具Rviz，能够在显示面板区域选择需要显示的选项，还涉及了一种3D可视化区域，用于显示所加载的全部项[5]。在此界面上，能够显示构建的地图和已规划的途径，还能够获得激光测距仪、里程计以及仿真机器人等多个信息。顾客可从不同角度对机器人的运动状态进行观察，可直观地获取机器人现在的位姿和创立的地图等，如图6所示。

总而言之，Rviz能够协助使用者实现全部测量数据信息的图形化显示，同时还能够通过按钮、点击或修改控制变量的方式，控制订位导航机器人的行为。

4;;结语

室内服务机器人将会是将来一种很大的发展方向，在室内环境中GPS无法精拟定