基于ROS的室内移动机器人自主导航技术

摘要随着机器人技术的发展，近些年来室内移动机器人的研究热度越来越高。本文主要利用ROS操作系统对室内移动机器人的建图定位与自主导航关键技术进行研究。ROS是目前开发较为完整具有广阔应用前景的开源机器人操作系统，具有分布式、模块化、代码复用等优良特点。同时ROS还提供了许多开源库，在这些库的基础之上研究同时定位与地图构建和机器人自主导航技术可以节省大量时间。ORB-SLAM2是比较优秀的视觉SLAM算法之一，它具有计算量比较小、能够实时运行等优点。在介绍ORB-SLAM2的框架之前，首先会介绍视觉SLAM的一些基础知识，在此基础之上简要介绍ORB-SLAM2的前端和后端，最后在ROS环境下对该算法进行验证并和VINS-MONO进行对比。机器人自主导航的核心可以归结为机器人的定位和路径规划。机器人定位解决机器人在环境中的位置问题，知道机器人的位置后利用路径规划技术寻找一条代价最小的路线完成机器人的自主导航。本文利用蒙特卡洛完成机器人定位，结合A*全局路径规划算法验证移动机器人的导航效果并和Dijkstra算法进行对比。关键词：ROS、自主导航、视觉SLAM、路径规划AbstractInrecentyears,withthedevelopmentofrobottechnology,researchonindoormobilerobotshasbecomeincreasinglypopular.Thisarticlefocusesonthekeytechnologiesofmapping,localization,andautonomousnavigationofindoormobilerobotsusingtheROSoperatingsystem.ROSiscurrentlythemostcompleteopensourcerobotoperatingsystemwithbroadapplicationprospects.Ithasexcellentfeaturessuchasdistributedcomputing,modularity,andcodereuse.Atthesametime,ROSalsoprovidesmanyopensourcelibraries,whichcansavealotoftimeinresearchonsimultaneouslocalizationandmapping(SLAM)androbotautonomousnavigationtechnologybasedontheselibraries.Inrecentyears,researchonvisualSLAMhasbecomeincreasinglypopular.Amongthealgorithms,ORB-SLAM2isoneofthebetterones,asithastheadvantagesoflowcomputationalcomplexityandreal-timeoperation.BeforeintroducingtheframeworkofORB-SLAM2,somebasicknowledgeofvisualSLAMwillbediscussed.Onthisbasis,thefront-endandback-endofORB-SLAM2willbebrieflyintroduced.Finally,thisalgorithmwillbevalidatedintheROSenvironmentandcomparedwithVINS-MONO.Thecoreofrobotautonomousnavigationcanbeattributedtorobotlocalizationandpathplanning.Robotlocalizationsolvestheproblemoftherobot'spositionintheenvironment,andthenusespathplanningtofindapathfromthestartingpointtotheendpointtocompletetherobot'sautonomousmovement.ThisarticleusesAdaptiveMonteCarloinROSforrobotlocalization,andcombinesA*globalpathplanningalgorithmtoverifythenavigationeffectofmobilerobotsandcompareitwithDijkstra'salgorithm.Keywords:ROS,autonomousnavigation,VSLAM,pathplanning目录TOC\o"1-3"\h\u第一章绪论 )在A算法中，这两种距离函数都可以用作启发式函数（heuristicfunction），用于估计两个节点之间的距离。启发式函数是A算法中的一个关键部分，它提供了一个估计值，帮助算法决定搜索方向和优先级。选择合适的启发式函数可以有效地引导搜索过程，加快路径搜索速度并找到最优解。在选择欧几里得距离或曼哈顿距离作为启发式函数时，需要考虑地图的特点和搜索的要求。欧几里得距离适用于地图中没有障碍物或障碍物分布均匀的情况，因为它是基于直线路径的最短距离。曼哈顿距离适用于地图中存在大量障碍物或障碍物分布不均匀的情况，因为它能够沿着垂直和水平方向避开障碍物，提供更准确的路径长度估计。ROS下A*算法仿真验证基于代价地图的路径规划环境模型在获取移动机器人所需要的栅格地图之后就可以对移动机器人进行路径规划。但是移动机器人的路径规划不仅仅需要静态的全局地图，由于环境中可能存在移动的障碍物，因为还需要动态的全局地图，根据实时的场景不断调整规划的路径来实现动态的路径规划，基于上述的需求，引入ROS路径规划中的代价地图（costmap）。代价地图的表示基于栅格地图，每一个栅格都有其对应的代价值，这些代价值的作用在路径规划中会得到体现。代价值的数值从0到255之间，根据其数值的大小可以将每一个栅格分为未知区域，占用区域和自由区域。未知区域表示该区域并没有被SLAM探测到，机器人是否可以通过未知区域可以根据实际情况自由设定，占用区域代表的含义就是障碍物，在路径规划中是要严格避开的，也就是机器人严禁通过该区域，自由区域表示在之前的SLAM建图过程中已经被探测到是没有障碍物的，可以理解为机器人能够通过的区域。为了满足机器人实时导航的功能，代价地图被分为全局代价地图和局部代价地图。全局代价地图的作用是结合用全局路径规划算法计算出一条从出发点到目的地的全局代价最小的路线。而局部代价地图的作用则是根据传感器实时测量的障碍物信息，在机器人周围规划出一条局部最优路线。虽然这两个地图生成的目的不同，但是他们都是基于栅格地图，并且都由多个图层叠加。代价地图主要由三个图层组成：静态层（staticlayer）、障碍物层（obstaclelayer）和膨胀层（inflalayer）。如下图（3-3）静态层就是SLAM建图的时候由机器人传感器采集建立的地图，一旦建立好之后就确定不变，这样意味着这张图层包含的就是一些静态的信息。障碍物层是在进行路径规划和导航的时候机器人的传感器根据周围信息实时测量得到的信息图层，他的主要作用就是在机器人移动的时候为机器人实时提供障碍物信息。膨胀层的定义更为灵活，可以理解在机器人周围自动加一层保护壳，这些保护壳为了保护机器人也不可以和障碍物进行接触，因为在路径规划的时候也会被绕开。膨胀层的一个重要参数是膨胀半径，代表的含义就是机器人周围保护壳的半径大小，可以根据实际需求自行设置，保证机器人和障碍物之间有一定的缓冲区，减少行驶过程中意外的发生。图3-4：代价地图模型A*算法及其性能验证针对A*算法，我们在ROS下对其进行验证并用Dijkstra算法的性能和A*对比。本次实验测试采用ROS系统下的Gazebo机器人仿真环境，利用生成的地图数据，分别运行A算法和Dijkstra算法，并统计这两种算法在不同情况下的搜索路径长度和运行时间和执行时间。在仿真过程中采用两个大小不一样的地图，分别为20*20的小地图和100*100的大地图。每次测试取三次实验数据的平均值以减少误差，最终得到以下表格。地图大小指标A*Dijkstra20*20路径长度（m）1927运行时间（ms）0.160.23执行时间（s）1626100*100路径长度（ms）67128运行时间（s）0.591.28执行时间（s）84143对于小规模地图来说(20x20)，A算法和Dijkstra算法的运行时间相差不大，但是A算法找到的路径更短。随着地图规模的增加，A算法与Dijkstra算法寻路的时间增长速度都会呈指数级别上升，但是A算法始终保持较低的运行时间，且找到的路径更短。尽管A算法和Dijkstra算法均为最短路径问题提供了有效解决方案，但是在实际应用中，由于A算法具有更低的运行时间和更短的路径长度，在寻找最短路径问题中表现得更加出色。因而可以得到如下结论；在相同输入条件下，A算法在搜索路径长度和运行时间方面均优于Dijstra算法。不仅如此，随着地图规模的增加，A算法的性能表现进一步突出，其表现远胜于Dijkstra算法。这表明A*算法在解决实际问题中具有更高的效率和精度。结论ORB-SLAM2具有计算量小实时性强等优点是主流视觉SLAM中较为优秀的算法，在条件良好的情况下ORB-SLAM2的建图与定位性能也比较突出，但是ORB-SLAM2也存在一定的缺陷，在环境恶劣的条件下ORB-SLAM2的表现不如带有惯导的视觉SLAM算法。A*算法作为一种启发式的搜索方法应用十分的广泛，他的搜索范围和搜索时间要由于Dijlstra算法，并且在后期也有许多可以开发和优化的地方。参考文献[1]Cesar,Cadena,Luca,等.Past,Present,andFutureofSimultaneousLocalizationandMapping:TowardtheRobust-PerceptionAge[J].IEEETransactionsonRobotics,2016.[2]陈星筑.基于ORB视觉SLAM半稠密三维建图方法研究[D].电子科技大学,2021.DOI:10.27005/ki.gdzku.2021.004966.[3]韩波.面向动态环境的视觉SLAM技术研究[D].浙江大学,2021.DOI:10.27461/ki.gzjdx.2021.000351.[4]Mur-ArtalR,JDTardós.ORB-SLAM2:AnOpen-SourceSLAMSystemforMonocular,Stereo,andRGB-DCameras[J].IEEETransactionsonRobotics,2017.[5]RubleeE,RabaudV,KonoligeK,etal.ORB:anefficientalternativetoSIFTorSURF[C]//IEEEInternationalConferenceonComputerVision,ICCV2011,Barcelona,Spain,November6-13,2011.IEEE,2011.[6]CalonderM,LepetitV,StrechaC,etal.BRIEF:BinaryRobustIndependentElementaryFeatures[J].Springer,Berlin,Heidelberg,2010.[7]饶尊煜.基于ORB-SLAM2的特征提取与建图技术研究[D].宁夏大学,2021.DOI:10.27257/ki.gnxhc.2021.001283.[8]杭程.面向动态场景的视觉SLAM系统研究[D].南京邮电大学,2022.DOI:10.27251/ki.gnjdc.2022.001719.[9]石庠.双目SLAM导航智能小车[D].南京航空航天大学,2020.DOI:10.27239/ki.gnhhu.2020.000919.[10]Mur-ArtalR,MontielJMM,TardosJD.ORB-SLAM:AVersatileandAccurateMonocularSLAMSystem[J].IEEETransactionsonRobotics,2015,31(5):1147-1163.[11]TongQ,LiP,ShenS.VINS-Mono:ARobustandVersatileMonocularVisual-InertialStateEstimator[J].IEEETransactionsonRobotics,2017,PP(99):1-17.[12]SturmJ,EngelhardN,EndresF,etal.AbenchmarkfortheevaluationofRGB-DSLAMsystems[J].IEEE,2012.[13]KerlC,SturmJ,CremersD.RobustOdometryEstimationforRGB-DCameras[C]//RoboticsandAutomation(ICRA),2013IEEEInternationalConference