基于2D-SLAM 算法的機器人建圖定位分析

朱成杰,張東升

(安徽理工大學(xué) 電氣與信息工程學(xué)院,安徽 淮南 232000)

0 引言

當前,機器人運動控制理論技術(shù)發(fā)展日新月異,但算法理論與實際應(yīng)用結(jié)合的案例仍遠遠落后于理論技術(shù)的發(fā)展,隨著自動駕駛技術(shù)的不斷提高,機器人自主運動能力越發(fā)被一線科研人員重視。 機器人自主運動能力的提高,離不開成本逐漸降低的激光雷達的應(yīng)用,而激光雷達的使用又為SLAM 算法的現(xiàn)實應(yīng)用奠定了基礎(chǔ)[1]。

針對現(xiàn)實應(yīng)用場景的高復(fù)雜度,本文引入了SLAM算法對移動機器人的建圖定位進行分析,并通過ROS(Robot Operating System)的仿真平臺Gazebo 搭建仿真環(huán)境,實現(xiàn)了SLAM 算法建圖定位仿真。 針對仿真存在的一些問題,本文同時引入了實物移動機器人平臺,進行了Gmapping 方法和Hector SLAM 方法的建圖定位測試。 根據(jù)仿真以及實物測試結(jié)果,分析比較提出了更加適用于實際場景的SLAM 算法,為SLAM 算法的應(yīng)用提供了一種可靠方法。

1 SLAM 技術(shù)發(fā)展現(xiàn)狀

SLAM (Simultaneous Localization and Mapping),也稱CML (Concurrent Mapping and Localization),即并發(fā)建圖定位。 根據(jù)SLAM 技術(shù)依賴的傳感器,業(yè)內(nèi)人士將SLAM 技術(shù)分為激光SLAM 技術(shù)和視覺SLAM 技術(shù)兩大類。 激光SLAM 技術(shù)發(fā)展早于視覺SLAM 技術(shù),相對較為成熟可靠,隨著近年來機器視覺的熱度不斷增加,視覺SLAM 技術(shù)也得到了飛速的發(fā)展。 國外學(xué)者將SLAM 技術(shù)的發(fā)展劃分為3 個階段:經(jīng)典階段(Classic Age: 1986—2004 年)、 算 法 分 析 階 段(Algorithmic-Analysis Age: 2004—2015 年)、魯棒感知階段(Robust-Perception Age: 2015—至今)。 當前的SLAM 技術(shù)研究,主要集中在提高SLAM 算法對于不同環(huán)境的適應(yīng)能力以及魯棒性,同時考慮計算效率和輕量化的程序?qū)崿F(xiàn)。 目前,主流應(yīng)用的2D-SLAM 算法有Gmapping,Hector Slam,cartographer(谷歌)等[2-3]。

2 SLAM 算法原理

下面主要介紹Gmapping 方法和Hector SLAM 方法的基本原理[4]。 Gmapping 方法實質(zhì)是對于RBpf 方法的一種改進,具體體現(xiàn)在對粒子的提議分布的改進和選擇性重復(fù)采樣過程的改進。 RBpf 方法直接根據(jù)觀測數(shù)據(jù)z1:t和控制數(shù)據(jù)u1:t求解地圖和位姿的聯(lián)合分布,其策略是先對位姿進行預(yù)估,再進行聯(lián)合分布的求解,即先定位再建圖。 對于位姿的預(yù)估,RBpf 使用了重要性重采樣方法,實現(xiàn)過程可分為:(1)粒子采樣;(2)粒子權(quán)值計算;(3)粒子重采樣;(4)位姿預(yù)估[5]。 其原理如下。

先明確最終實現(xiàn)的是預(yù)估位姿和地圖的聯(lián)合分布。

在公式(3)中,將求解權(quán)值的遞推公式表達了出來,只需求解出提議分布即可[6]。

提高包含正確信息的有效粒子所占比例,或者提高有效粒子所占權(quán)重,無疑會使提議分布的結(jié)果更加接近正確的目標分布結(jié)果。 重復(fù)采樣可以解決有效粒子比重提升的問題,但也帶來了新的問題。 在頻繁的重復(fù)采樣過程中,有效粒子的比重不斷增加,隨之而來的是粒子信息多樣性的破壞,在經(jīng)歷了無數(shù)次的重復(fù)采樣,粒子經(jīng)過迭代復(fù)制,最終將只剩下若干個包含相同地圖信息的粒子,造成粒子信息退化。 為解決這一問題,可以先從目標分布中找到概率大的區(qū)域,然后直接在概率大的區(qū)域進行采樣,利用采樣得到的數(shù)據(jù)建立高斯模型,用此模型模擬提議分布的結(jié)果,這樣勢必可以解決粒子退化問題,同時也相應(yīng)減少了重復(fù)采樣次數(shù)過多帶來的計算問題。 以下公式(4)為模擬提議分布的高斯函數(shù)模型。

據(jù)此模型可求解出下一時刻機器人的位姿信息,進而達到建圖定位的目標。

Hector SLAM 方法是一種基于掃描匹配的SLAM方法,支持數(shù)據(jù)上可以不使用里程計的信息進行定位和建圖。 其使用IMU 以及具有良好容錯性的掃描匹配策略進行建圖定位,在硬件方面主要依靠精度高、干擾噪聲小的激光雷達進行數(shù)據(jù)采集。

3 Gazebo 平臺仿真

Gazebo 是一款3D 動態(tài)模擬器,能在復(fù)雜的室內(nèi)和室外環(huán)境中,準確有效地模擬機器人群。 Gazebo 平臺包括多個物理引擎、豐富的機器人模型庫和環(huán)境庫、各種傳感器模型,可視化圖形界面為移動機器人的設(shè)計提供了方便,同時,可依賴現(xiàn)有機器人模型進行一些算法的運行測試。 本文使用了TurtleBot 機器人模型作為算法的測試載體,避免了算法實現(xiàn)的過程中再搭建機器人的模型,節(jié)約了開發(fā)的時間成本[7-8]。

在仿真世界中,項目引入機器人模型TurtleBot,將算法程序植入到TurtleBot 機器人的運行程序中,進而實現(xiàn)機器人的運行控制與建圖定位。 通過鍵盤控制機器人在仿真世界中的移動,并對環(huán)境進行建圖。 如圖1所示為Gazebo 環(huán)境下搭建的3D 仿真場景,用于機器人在仿真環(huán)境中進行模擬建圖;如圖2 所示為所建仿真場景,用于機器人在仿真環(huán)境下用SLAM 算法建圖的對比。

圖1 仿真場景

圖2 2D 場景

由Gmapping 方法與Hector 方法基本原理可知,Gmapping 方法依賴里程計提供的信息,而Hector 方法只依賴高精度的雷達信息。 為此,仿真設(shè)計實現(xiàn)了里程計正常工作時,Gmapping 方法的建圖以及里程計發(fā)布錯誤信息時的建圖情況[9-10]。

如圖3 所示為里程計信息發(fā)布無誤時,使用Gmapping 方法在仿真場景中所建立的地圖;如圖4 所示為里程計發(fā)布錯誤里程信息時,Gmapping 方法建立的地圖。 基于圖3 及圖4 可以分析出,里程計發(fā)布信息出錯時,地圖場景發(fā)生了明顯的偏移,與仿真搭建的2D 平面結(jié)構(gòu)存在較大的誤差。 在仿真中使用了機器人碰撞墻壁而不停止電機運行的方式,模擬發(fā)布里程計的錯誤信息,進而實現(xiàn)了實際場景機器人運動中車輪懸空的場景模擬。

圖3 Gmapping 正確里程計仿真

圖4 Gmapping 錯誤里程計仿真

4 實物平臺建圖對比

實物測試平臺選取的機器人車體框架尺寸為595 mm×631 mm×242 mm,為滿足機器人的運動需求,采用兩主動輪驅(qū)動,兩萬向輪配合轉(zhuǎn)動,同時輔以行星減速電機作為動力源。 基于算法運算量較大的考量,使用小型工控機作為上位機運行載體,下位機系統(tǒng)運行在以STM32F407 系列芯片為MCU 的核心板上。 現(xiàn)實場景算法建圖模擬中,用高特征值的實驗室環(huán)境來模擬實際生活中高復(fù)雜度的場景。

在實物機器人的建圖定位過程中, 先使用Gmapping 方法進行測試。 區(qū)別于仿真環(huán)境中使用機器人碰撞墻壁產(chǎn)生錯誤里程計信息,實際場景測試中,采用了人為干預(yù)的方法產(chǎn)生錯誤里程計信息,具體措施是將機器人車體抬起懸空以及外力干預(yù)轉(zhuǎn)向等。 因?qū)嶋H生活環(huán)境的復(fù)雜性,使用多角度的外力干擾,能更加真實地模擬機器人在復(fù)雜場景的運行。

如圖5、圖6 所示為使用Gmapping 方法在真實環(huán)境中的建圖效果,其中,圖6 為使用外力干預(yù)導(dǎo)致里程計失效或里程計信息發(fā)布錯誤時的建圖效果。 如圖7、圖8 所示為使用Hector SLAM 方法在相同的真實環(huán)境中所建地圖,其中,圖8 為外力干預(yù)使得里程計信息失效或發(fā)布錯誤信息時所建地圖。 分析上述地圖信息,里程計信息對于兩種SLAM 方法建圖定位的影響存在較大的差別,Gmapping 方法對于里程計的嚴重依賴,使其并不適用于實際場景的建圖定位策略;Hector SLAM方法不依賴里程計信息建圖定位以及其良好的容錯性,顯然更加適合高復(fù)雜度環(huán)境的機器人建圖定位的應(yīng)用。

圖5 Gmapping 正確里程計

圖6 Gmapping 錯誤里程計

圖7 Hector SLAM 正確里程計

圖8 Hector SLAM 錯誤里程計

5 結(jié)語

通過仿真以及實物模擬測試結(jié)果可以得出,HectorSLAM 方法相比主流的Gmapping 方法,更加適合實際場景的機器人建圖定位使用。 但在模擬測試中,仍然存在一些值得注意的問題,如:在使用Hector SLAM 方法進行建圖定位分析時,若外力干預(yù)使得機器人發(fā)生較高速度的轉(zhuǎn)向,所建立的地圖將會發(fā)生較嚴重的漂移和畸變,從而影響實際建圖定位效果。 同時,Hector SLAM 方法依賴較高幀率的激光雷達,當雷達的掃描幀率低于40 Hz 時,建圖的效果也將與理論結(jié)果存在一定偏差。 因此,在使用Hector SLAM 方法作為機器人建圖定位算法時,需要提供較高品質(zhì)的雷達才能達到理想效果。