基于ROS的室內移動機器人自主導航技術

摘要隨著機器人技術的發(fā)展，近些年來室內移動機器人的研究熱度越來越高。本文主要利用ROS操作系統對室內移動機器人的建圖定位與自主導航關鍵技術進行研究。ROS是目前開發(fā)較為完整具有廣闊應用前景的開源機器人操作系統，具有分布式、模塊化、代碼復用等優(yōu)良特點。同時ROS還提供了許多開源庫，在這些庫的基礎之上研究同時定位與地圖構建和機器人自主導航技術可以節(jié)省大量時間。ORB-SLAM2是比較優(yōu)秀的視覺SLAM算法之一，它具有計算量比較小、能夠實時運行等優(yōu)點。在介紹ORB-SLAM2的框架之前，首先會介紹視覺SLAM的一些基礎知識，在此基礎之上簡要介紹ORB-SLAM2的前端和后端，最后在ROS環(huán)境下對該算法進行驗證并和VINS-MONO進行對比。機器人自主導航的核心可以歸結為機器人的定位和路徑規(guī)劃。機器人定位解決機器人在環(huán)境中的位置問題，知道機器人的位置后利用路徑規(guī)劃技術尋找一條代價最小的路線完成機器人的自主導航。本文利用蒙特卡洛完成機器人定位，結合A*全局路徑規(guī)劃算法驗證移動機器人的導航效果并和Dijkstra算法進行對比。關鍵詞：ROS、自主導航、視覺SLAM、路徑規(guī)劃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目錄TOC\o"1-3"\h\u第一章緒論 )在A算法中，這兩種距離函數都可以用作啟發(fā)式函數（heuristicfunction），用于估計兩個節(jié)點之間的距離。啟發(fā)式函數是A算法中的一個關鍵部分，它提供了一個估計值，幫助算法決定搜索方向和優(yōu)先級。選擇合適的啟發(fā)式函數可以有效地引導搜索過程，加快路徑搜索速度并找到最優(yōu)解。在選擇歐幾里得距離或曼哈頓距離作為啟發(fā)式函數時，需要考慮地圖的特點和搜索的要求。歐幾里得距離適用于地圖中沒有障礙物或障礙物分布均勻的情況，因為它是基于直線路徑的最短距離。曼哈頓距離適用于地圖中存在大量障礙物或障礙物分布不均勻的情況，因為它能夠沿著垂直和水平方向避開障礙物，提供更準確的路徑長度估計。ROS下A*算法仿真驗證基于代價地圖的路徑規(guī)劃環(huán)境模型在獲取移動機器人所需要的柵格地圖之后就可以對移動機器人進行路徑規(guī)劃。但是移動機器人的路徑規(guī)劃不僅僅需要靜態(tài)的全局地圖，由于環(huán)境中可能存在移動的障礙物，因為還需要動態(tài)的全局地圖，根據實時的場景不斷調整規(guī)劃的路徑來實現動態(tài)的路徑規(guī)劃，基于上述的需求，引入ROS路徑規(guī)劃中的代價地圖（costmap）。代價地圖的表示基于柵格地圖，每一個柵格都有其對應的代價值，這些代價值的作用在路徑規(guī)劃中會得到體現。代價值的數值從0到255之間，根據其數值的大小可以將每一個柵格分為未知區(qū)域，占用區(qū)域和自由區(qū)域。未知區(qū)域表示該區(qū)域并沒有被SLAM探測到，機器人是否可以通過未知區(qū)域可以根據實際情況自由設定，占用區(qū)域代表的含義就是障礙物，在路徑規(guī)劃中是要嚴格避開的，也就是機器人嚴禁通過該區(qū)域，自由區(qū)域表示在之前的SLAM建圖過程中已經被探測到是沒有障礙物的，可以理解為機器人能夠通過的區(qū)域。為了滿足機器人實時導航的功能，代價地圖被分為全局代價地圖和局部代價地圖。全局代價地圖的作用是結合用全局路徑規(guī)劃算法計算出一條從出發(fā)點到目的地的全局代價最小的路線。而局部代價地圖的作用則是根據傳感器實時測量的障礙物信息，在機器人周圍規(guī)劃出一條局部最優(yōu)路線。雖然這兩個地圖生成的目的不同，但是他們都是基于柵格地圖，并且都由多個圖層疊加。代價地圖主要由三個圖層組成：靜態(tài)層（staticlayer）、障礙物層（obstaclelayer）和膨脹層（inflalayer）。如下圖（3-3）靜態(tài)層就是SLAM建圖的時候由機器人傳感器采集建立的地圖，一旦建立好之后就確定不變，這樣意味著這張圖層包含的就是一些靜態(tài)的信息。障礙物層是在進行路徑規(guī)劃和導航的時候機器人的傳感器根據周圍信息實時測量得到的信息圖層，他的主要作用就是在機器人移動的時候為機器人實時提供障礙物信息。膨脹層的定義更為靈活，可以理解在機器人周圍自動加一層保護殼，這些保護殼為了保護機器人也不可以和障礙物進行接觸，因為在路徑規(guī)劃的時候也會被繞開。膨脹層的一個重要參數是膨脹半徑，代表的含義就是機器人周圍保護殼的半徑大小，可以根據實際需求自行設置，保證機器人和障礙物之間有一定的緩沖區(qū)，減少行駛過程中意外的發(fā)生。圖3-4：代價地圖模型A*算法及其性能驗證針對A*算法，我們在ROS下對其進行驗證并用Dijkstra算法的性能和A*對比。本次實驗測試采用ROS系統下的Gazebo機器人仿真環(huán)境，利用生成的地圖數據，分別運行A算法和Dijkstra算法，并統計這兩種算法在不同情況下的搜索路徑長度和運行時間和執(zhí)行時間。在仿真過程中采用兩個大小不一樣的地圖，分別為20*20的小地圖和100*100的大地圖。每次測試取三次實驗數據的平均值以減少誤差，最終得到以下表格。地圖大小指標A*Dijkstra20*20路徑長度（m）1927運行時間（ms）0.160.23執(zhí)行時間（s）1626100*100路徑長度（ms）67128運行時間（s）0.591.28執(zhí)行時間（s）84143對于小規(guī)模地圖來說(20x20)，A算法和Dijkstra算法的運行時間相差不大，但是A算法找到的路徑更短。隨著地圖規(guī)模的增加，A算法與Dijkstra算法尋路的時間增長速度都會呈指數級別上升，但是A算法始終保持較低的運行時間，且找到的路徑更短。盡管A算法和Dijkstra算法均為最短路徑問題提供了有效解決方案，但是在實際應用中，由于A算法具有更低的運行時間和更短的路徑長度，在尋找最短路徑問題中表現得更加出色。因而可以得到如下結論；在相同輸入條件下，A算法在搜索路徑長度和運行時間方面均優(yōu)于Dijstra算法。不僅如此，隨著地圖規(guī)模的增加，A算法的性能表現進一步突出，其表現遠勝于Dijkstra算法。這表明A*算法在解決實際問題中具有更高的效率和精度。結論ORB-SLAM2具有計算量小實時性強等優(yōu)點是主流視覺SLAM中較為優(yōu)秀的算法，在條件良好的情況下ORB-SLAM2的建圖與定位性能也比較突出，但是ORB-SLAM2也存在一定的缺陷，在環(huán)境惡劣的條件下ORB-SLAM2的表現不如帶有慣導的視覺SLAM算法。A*算法作為一種啟發(fā)式的搜索方法應用十分的廣泛，他的搜索范圍和搜索時間要由于Dijlstra算法，并且在后期也有許多可以開發(fā)和優(yōu)化的地方。參考文獻[1]Cesar,Cadena,Luca,等.Past,Present,andFutureofSimultaneousLocalizationandMapping:TowardtheRobust-PerceptionAge[J].IEEETransactionsonRobotics,2016.[2]陳星筑.基于ORB視覺SLAM半稠密三維建圖方法研究[D].電子科技大學,2021.DOI:10.27005/ki.gdzku.2021.004966.[3]韓波.面向動態(tài)環(huán)境的視覺SLAM技術研究[D].浙江大學,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]饒尊煜.基于ORB-SLAM2的特征提取與建圖技術研究[D].寧夏大學,2021.DOI:10.27257/ki.gnxhc.2021.001283.[8]杭程.面向動態(tài)場景的視覺SLAM系統研究[D].南京郵電大學,2022.DOI:10.27251/ki.gnjdc.2022.001719.[9]石庠.雙目SLAM導航智能小車[D].南京航空航天大學,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