移动机器人传感器与导航控制

0 引言

本文综述了传感器、系统、方法和技术方面的最新进展，旨在寻找移动机器人在其环境中的位置。我们在本文中不考虑自动引导车，使用磁带、埋在地下的引线或地面上的彩色条纹作为引导的情况下进行导航。如果能够实现移动机器人导航控制，构建室内环境地图是一个关键问题。机器人导航通常被称为鸡生蛋还是蛋生鸡的问题，也是导航系统的本质。现阶段导航算法已经逐渐成熟，这些方法中的大多数都是通过为机器人接收到的每个新传感器扫描迭代定位和增量映射，逐步构建映射。虽然这些方法速度快，可以很好地实时更新，但在映射大型循环环境时，它们通常会失败。这是因为在有周期的环境中，机器人的累积误差可以无限制地增长，当关闭周期时，必须及时向后纠正误差(现有的大多数方法都无法做到这一点)。针对移动机器人在复杂未知的环境下进行环境的混合导航与三维地图重建等复杂问题进行了深入研究，全文阐述了移动机器人的运动控制、视觉导航、机器人避障等问题。本文将移动机器人导航技术分为三个层次：在已知环境中进行导航；在局部环境已知环境中进行导航；在全局环境未知环境中进行导航。

本文提出的一种基于二维激光测距仪的移动机器人并行映射和定位的增量方法。同时，建立了基于自然语言约束性的混合导航算法，将路标和大致方位和距离的关系映射建立导航地图，提取关键引导路径实现机器人路径规划，在网格环境中，进行环境定位和地图导航，路径规划可以实现避障找到最优路径。在救援机器人感知周围环境状态和外部环境信息的过程中，从而实现根据路径规划运动控制决策的避障算法。实验结果表明，即使在没有任何测程数据的情况下，也可以生成大型循环环境的精确地图。证明了该移动机器人导航算法的可行性、有效性和鲁棒性。

1 移动机器人

1.1 轮子模型

本文如图1所示，为本文所研究的移动机器人。该救援机器人在差动底盘部署有视觉传感器。通过该视觉传感器实现地图重建与导航算法。

如图1所示，为底座轮子的差动模型，在实际服务机器人应用中需要将底座的轮子的差动模型转换为T（z，θ）矩阵的形式。从图中可以看到，该轮子模型就是绕z轴旋转，左右转弯只影响该轮车的姿态，前后行走影响该轮车的位置，所以可以将该底座轮车的差动模型转换为T（z，θ）矩阵绕Z轴旋转的模型：

图1 差动驱动式移动机器人几何模型

其中θ为轮车绕z轴旋转的角度。

1.1.1 双轮差动运动控制

采用双轮差动方式运动的移动机器人，其左右轮轮速分别为vl，vr，车体宽度为d，整车运动轨迹的圆半径为r，在vl≤vr的情况下，由左右轮差速所构造的运动轨迹分析如下：

左轮若当做质点运动，则：

右轮若当做质点运动，则：

在实际中，左右轮位于机器人本体上，运动的角速度相同，所以有。

车体质点运动速度为：

于是，，推导出：

当vl＞vr时，情况与此相同：

则公式变为，r趋向正负无穷的时候，车走直线，r=0时车原地旋转，r＞0时车体向左侧旋转，r＜0时车体向右侧旋转。

此公式用于理想情况下的机器人运动轨迹估算，但在实际应用时，还有机器人运动左右轮转动方向的摩擦力，机器人左右轮装配加工的误差，机器人轴向受力时，机器人轴向被挤压，时，机器人轴向被拉伸，只有当时，机器人轴向力会消失），机器人质量分布不均匀（导致机器人左右轮所受摩擦力不同），温湿度等因素的影响（材质摩擦系数变化），所以需要根据实际情况调整vl和vr的值，并非是理论给定的轮速。

1.1.2 机器人位置

在分析移动机器人导航控制中，往往把移动机器人的本体当作一个刚体，其姿态通常用一个转换正交旋转矩阵来完成：

可以用该矩阵将全局参考框架{XI，YI}中的运动映射到局部参考框架{XR，YR}中的运动。这个运算由标记，因为该运算依赖于θ的值：

1.2 前向运动学

给定中心处在两论之间的一个点P，各轮距P的距离为l、轮子直径r、θ和各轮的转速，前向运动学模型会预测全局参考框架中的机器人的总速度：

2 执行器与传感器

人们的感受到外部世界的信息是通过人眼，耳朵、鼻子和嘴等感知器官来对外部世界进行建模的。机器人也是一样，机器人正是通过执行器与传感器来模拟人类的感官，从而实现机器人的只能控制，实现速度、定位、壁障和规划等运动控制。

2.1 激光雷达

光学探测器有许多重要的应用，它们的灵敏度足以测量单个光子。一般来说，利用光子计数接收器可以使传感器和通信系统的光学应用在功率和体积上更有效率。这些接收器可能需要狭窄的空间、时间和/或光谱滤波器来减少不必要的背景噪声或杂波。利用激光照明的有源传感器，可以根据激光发射器的狭窄空间、时间和/或光谱特征调整接收滤波器，从而提高灵敏度和信号效率。高分辨率三维（3D）空间成像是一个重要的应用兴趣。

地面车辆可以通过机载或星载微波雷达探测、跟踪和成像。然而，遮蔽物，如伪装网和树冠树叶，会降低这些雷达的性能。长波长微波雷达可以穿透叶子，但一般以牺牲成像分辨率为代价。高分辨率三维成像激光雷达（ladar）传感器技术和系统的开发，这些技术和系统可用于机载平台成像和识别隐藏在伪装或树叶下的军用地面车辆。在本文中，这种三维成像直接探测雷达技术的其他应用包括机器人视觉、自动车辆导航、制造质量控制、工业安全和地形。

2.2 视觉相机

视觉伺服对于准确可靠地将机器人导航到特定位置和方向非常有用。到目前为止，自校准技术只考虑了静态自校准的情况，其中这些估计的内部参数不用于控制机器人。许多视觉应用中的共同目标是识别和跟踪具有独特视觉特征或“标签”的人体对象。相机放置的一般框架。该框架可以使用模拟方法测量任何特定相机放置的性能。可以通过基于迭代网格的线性编程获得最佳放置策略。其次，我们专注于跟踪隐私保护视觉监控网络中使用的特定彩色标签。通过构建用于标签检测的颜色分类器并在多个摄像机之间使用极线几何来进行遮挡处理，我们提出的系统可以识别，跟踪和视觉混淆需要保护监视视频中的隐私的个人。

场景对象中的深度感知可用于在移动系统中跟踪或应用视觉伺服。3D飞行时间（ToF）摄像机提供范围图像，可实时进行测量以改善这些类型的任务。然而，从这些距离图像计算的距离随着积分时间参数而变化很大。这种在线调整对于以最佳状态捕获图像是必要的，而不管相机安装在机器人臂上时由于其移动引起的距离（相机和物体之间）的变化。

3 移动机器人导航控制

3.1 移动机器人建图

环境地图一般的类型：1）拓扑结构描述地图（缺点是拓扑节点的识别匹配）。2）几何地图（可以栅格描述，也可以线段多边形描述）。在地图创建时候用到的数学工具有：1）简单的基于数据存储结构的搜索。2）单线的三角公式计算。3）使用概率的表述和推理方法直接处理。机器人的地图是它所环境的模型，我们称建立一个地图的过程为mapping（地图构建）。为了帮助我们的机器人建立一张地图，常见的地图类型有：

3.1.1 尺度地图

通常，在尺度地图中，位置表示一个坐标值，这是地图最基本的形式。因为大部分的移动机器人都在自我定位时使用了一些坐标系。

图2 尺度地图

3.1.2 拓扑地图

图3 拓扑地图

地铁路线图其尺度和大小跟实际情况是有差别的，但是这张图的目的是为了展示哪列车会在哪站停以及哪些站点连接了不同的线路，我们称这种地图为拓扑地图。在图中位置表示为节点，他们的链接表示为弧。精确到坐标在这种图上并不重要，重要的是节点之间的连接。下图中左边的拓扑图和右边的拓扑图是等价的，弧被用来表述节点间的连接代价或是限制条件，这种图在轨迹规划测验中很有用。

图4 等价拓扑图

3.1.3 语义地图

语义地图在机器人的高层规划以及人机交互中有重要作用，通过物体之间位置关系描述出其所在位置。

机器人建图的难点：

1）地图构建本质上是一个感知问题，即确定从传感器获取的数据代表什么，同时，基于传感器就意味这以下两件事：

（1）我们的测量是有噪声的，因此我们需要可靠的估计算法。

（2）我们的测量往往是在相对坐标系下进行的，它需要被转化到绝对坐标系中。

2）地图构建还涉及到其他机器人问题，例如轨迹规划和导航问题。因为地图构建往往发生在一个机器人在漫游的时候。

3）现实世界的物体可能会随时间变化，理论上，地图应该被实时更新来反映现实。

图5 语义地图

3.2 移动机器人导航

在激光SLAM系统中，Gmapping获取扫描的激光雷达信息以及里程计数据可动态的生成2D栅格地图。导航包则利用这个栅格地图，里程计数据和激光雷达数据做出适合的路径规划和定位，最后转换为机器人的速度指令。下图为激光SLAM系统的框架，方框里为传感器获得的数据或者生成的数据。

图6 激光SLAM系统框架

导航系统总结来看可以分为数据收集层（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当前行为）、控制器层（与下位机通信）。

如图7所示，指定机器人导航过程中具体的逻辑流程如下：

1）move_base首先启动了global_planner和local_planner两个规划器，负责全局路径规划和局部路径规划，通过costmap组件生成自己的代价地图（global_costmap和local_costmap）。

2）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Dynamic Windows Approach，具体流程是：

（1）由移动底盘的运动学模型得到速度的采样空间；

（2）在采样空间中，计算每个样本的目标函数；

（3）得到期望速度，插值成轨迹输出。

3）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（计算合法速度并发布），清理（recovery_behavior）等操作。

4 实验

本文首先对视觉导航效果进行了实验分析。如图8(a)所示，为机器人导航位置起始点。如图8(b)所示，为机器人导航过程位置点。

图7 导航系统框架

图8 (a) 机器人导航位置起始点

图8 (b) 机器人导航路程位置点

如图8(a)、图8(b)和图8(c)所示，为实时的激光采集视频效果，该导航方式在定位导航过程中路径规划的策略，验证了避障和导航方式可有效，可靠地实现高精度的定位。根据视觉导航的三维地图提出了有限的使用方法在模糊环境中实现机器人导航。

图8 (c) 机器人导航位置起始点

5 结语

针对移动机器人导航问题进行了深入的研究。本文首先对底盘进行建模，实现了差动控制，将移动机器人如何移动的问题分为决策系统技术问题分别进行了深入的研究。在传感器技术飞速发展的今天，机器人避障性能的优化可以更加依赖于多传感器信息融合技术，在传感器数据的可靠性得到保障的前提下，模糊算法、遗传算法以及神经网络等可以脱离理论，逐步走向实际的控制中，显著提高控制性能、优化障碍物的躲避效果。鉴于以往方法的优缺点，提出了一种依靠超声波传感器，多传感器数据融合感知，并结合速度反馈建立模糊规则，进而优化避障效果的先进避障算法。基于行为规划的设计思想，兼顾考虑优雅退化能力，机器人控制软件的设计满足了适应实际复杂环境的初衷。其次在全局环境未知环境中进行导航，分析了感知周围环境状态和外部环境信息，从而实现路径规划运动控制决策。尽管到目前为止，无人驾驶车辆仍旧不能在车辆较多且拥堵的路段实现真正的无人驾驶，但是现阶段已经接近了在较为空旷的路段上的行走规划。该算法在传统方法的基础上，成功克服了超声波检测障碍、定位精度等方面缺陷。最后，移动机器人依靠路径规划实现自主避障，完成从起始目标到终点目标进行最优路径。路径规划不仅需要遵守最短的距离的规则，同时还要兼顾时间或者最低消耗等等。