融合激光SLAM 實現(xiàn)平衡車智能導(dǎo)航

權(quán)鈺涵，張嘯，劉冬，3，羅睿，3，賀云，3

（1.沈陽航空航天大學(xué) 自動化學(xué)院，遼寧 沈陽 110136；2.中國科學(xué)院沈陽自動化研究所，遼寧 沈陽 110016；3.中國科學(xué)院機器人與智能制造創(chuàng)新研究院，遼寧 沈陽 110169）

0 引言

隨著科技的發(fā)展，交通工具的變化日新月異。新型的交通工具給人們帶來了許多方便，但是同樣也伴隨著出現(xiàn)了許多棘手的問題，主要是操作的復(fù)雜性、體積的大小、安全性及續(xù)航時間，這幾點因素也是人們選擇時所關(guān)注的，其中安全性和便捷性是尤為重要的。

在校園內(nèi)、小區(qū)內(nèi)或者非機動車行駛道路上，平衡車被越來越多使用，但是對于初學(xué)者并不友好，容易摔倒和發(fā)生碰撞，尤其是在人員密集的地方，容易發(fā)生撞人事件。從專業(yè)的角度上來說，除了人為駕駛技術(shù)外，還因為平衡車平衡穩(wěn)定性比較差和不具有自主導(dǎo)航避障功能。

本文研究的是一種具有智能導(dǎo)航和建圖作用的兩輪直立平衡車，由以下四部分構(gòu)成：

(1)傳感器系統(tǒng)：編碼器、單線激光雷達(dá)、MPU6050(加速度傳感器+陀螺儀傳感器)、藍(lán)牙HC-06。

(2)控制系統(tǒng)：樹莓派。

(3)驅(qū)動系統(tǒng)：Arduino UNO R3 主板、TB6612FNG 電機驅(qū)動模塊、電源。

(4)執(zhí)行機構(gòu)：主體使用亞克力板拼裝，由兩個直流電機帶動差速車輪實現(xiàn)機器人行走。其中驅(qū)動系統(tǒng)和執(zhí)行機構(gòu)構(gòu)成機器人系統(tǒng)。

具體實現(xiàn)是“PC+嵌入式”，可以使用嵌入式系統(tǒng)樹莓派充當(dāng)機器人本體的控制系統(tǒng)，而PC 則實現(xiàn)遠(yuǎn)程監(jiān)控，通過前者實現(xiàn)數(shù)據(jù)采集與直接的底盤控制，而后者則遠(yuǎn)程實現(xiàn)圖形顯示以及功能運算。其中建圖與導(dǎo)航采用的是激光SLAM—2D 單線束激光雷達(dá)，具有環(huán)境感知和定位功能。

采用的算法有PID 控制算法(控制平衡)、卡爾曼濾波算法(數(shù)據(jù)融合)、Cartographer算法(構(gòu)建地圖)、map_server 算法(讀取和保存地圖)、Navigation 導(dǎo)航算法(定位AMCL、路徑規(guī)劃move_base、teb_local_planner 局部路徑規(guī)劃算法)、ros_arduino_bridge。

本文的重點研究目標(biāo)是導(dǎo)航，主要是建圖優(yōu)化和Teb 路徑規(guī)劃算法優(yōu)化，以及多傳感器數(shù)據(jù)融合所選取的濾波算法。最終的效果是在實現(xiàn)平衡直立的基礎(chǔ)上，可以進行前進、后退、轉(zhuǎn)彎、爬坡、原地轉(zhuǎn)圈和貨物托運等功能，在這一切可以穩(wěn)定實現(xiàn)的前提下，進行導(dǎo)航(建圖、地圖服務(wù)、定位和路徑規(guī)劃)和SLAM 建圖。在指定目標(biāo)點后，進行路徑規(guī)劃(全局、局部)，然后根據(jù)選擇最優(yōu)路徑，途中會繞開障礙物，直至到達(dá)目標(biāo)點。還可以用手機APP 通過藍(lán)牙模塊控制機器人的運動狀態(tài)，從而實現(xiàn)鍵盤控制SLAM 建圖。

通過具體實驗數(shù)據(jù)，在算法方面，相比于互補濾波算法，采用卡爾曼濾波算法獲得的融合數(shù)據(jù)要好許多，最終使平衡車達(dá)到平衡的狀態(tài)，相比于采用一二階互補濾波要更加穩(wěn)定。同時就調(diào)研結(jié)果而言，目前國外做的智能導(dǎo)航平衡車較多，但國內(nèi)很少，國內(nèi)比較多的是單獨的平衡車，不具有導(dǎo)航功能。主要原因是過去幾年雷達(dá)成本比較高，不像現(xiàn)在雷達(dá)成本越來越低；而且開發(fā)難度比較大，要兼顧平衡性和導(dǎo)航性能，同時得借助ROS 開發(fā)，所需的知識儲備比較大。另外在國內(nèi)平衡車的用途主要是民用，在非機動車道上行駛，不易控制，安全系數(shù)低，但在加上建圖與導(dǎo)航功能之后，安全性大大提高，可以減少交通事故，有利于它的普及，除此之外，它還可以用于工廠內(nèi)貨物托運和巡邏，或者勘探一些人為無法接觸的區(qū)域和事物等。

1 基本原理

1.1 系統(tǒng)總體設(shè)計

就整個車體而言，主要由三部分組成：車體結(jié)構(gòu)、硬件部分及軟件部分。車體結(jié)構(gòu)主要是指車模，本車模主要由兩個直流驅(qū)動電機、兩個獨立車輪及固定底盤構(gòu)成[1]。硬件部分包括主控模塊樹莓派、激光雷達(dá)傳感器、驅(qū)動芯片Arduino 主板、六軸傳感器MPU6050、電機驅(qū)動芯片TB6612FNG、HC-06 藍(lán)牙傳感器和AB 相雙向霍爾磁敏編碼器等[2]。軟件部分主要由手機APP 和主控程序構(gòu)成，主要是借助Linux 系統(tǒng)在ROS 操作系統(tǒng)上開發(fā)的，用的開發(fā)軟件有Vscode、Arduino IDE、MATLAB。系統(tǒng)整體控制框圖如圖1 所示。

圖1 系統(tǒng)整體控制框圖

1.2 實驗平臺

本系統(tǒng)主要有車模底盤、電源電路、電機驅(qū)動電路、MPU6050 六軸傳感器模塊、電機測速模塊電路、HC-06藍(lán)牙模塊電路、單線激光雷達(dá)傳感器模塊電路、Arduino驅(qū)動模塊電路和樹莓派主控電路。由于雷達(dá)模塊和樹莓派電路設(shè)計簡單，只需要連接端口就行，因此在繪制電路圖和制作PCB 的時候不需要考慮了[3]。具體如圖2所示。

圖2 硬件電路圖及PCB

MPU6050 模塊使用的工作電壓為3.3 V，通過IIC 接口與MCU 通信，該芯片在內(nèi)部整合了一套DMP 數(shù)據(jù)處理器，將四元數(shù)通過硬件解算出來，解決了姿態(tài)解算困難的問題[6]，消除了陀螺儀和加速率傳感器之間的耦合，從而減小了給定的干擾和自身漂移帶來的影響，同時DMP 引擎還可以減少對復(fù)雜的融合信息、感測器同步化以及位置傳感器等方面的干擾[7]。所研究的兩輪自平衡車采用的是集成編碼器——AB 相增量式霍爾(磁)編碼器，本身具有上拉整形和不側(cè)漏的功能，且波形穩(wěn)定[8]，相比于光電編碼器更加穩(wěn)定，對于平衡車的速度控制更加優(yōu)越，有利于實現(xiàn)自平衡，并且作為里程計編碼器，在建圖和定位時可以大大減小位姿誤差。同時，為了便于控制導(dǎo)航平衡車運動，采用了HC-06 藍(lán)牙模塊，然后通過客戶端藍(lán)牙APP 直接控制車模的基本動作。通過SPI 或IIC 通信方式實現(xiàn)藍(lán)牙與MCU 之間數(shù)據(jù)通信[8]，基本功能傳輸流程如圖3 所示。

圖3 藍(lán)牙通信基本框圖

采用的雷達(dá)是思嵐的Mapper M2M1，如圖4 所示，自帶定位功能，有效測距是40 m，頻率是9 200 Hz，可進行每秒 10 次以上的地圖數(shù)據(jù)融合和最大10 萬平米地圖數(shù)據(jù)繪制。激光雷達(dá)每秒進行9 200 次的測距動作[9]。

圖4 SLAMTEC Mapper 框圖

為了方便控制，在樹莓派上也安裝ROS1，通過電腦進行遠(yuǎn)程監(jiān)控，實時觀測建圖導(dǎo)航信息，用鍵盤控制車模建圖?？紤]到平衡車的特殊性，搭建車模的硬件需要注意其物理特性，主要是陀螺儀和雷達(dá)的安裝位置，為了車模平衡更加穩(wěn)定和避免SLAM 的建圖發(fā)生畸變，所以車模的重心不能太高，經(jīng)過測試和調(diào)節(jié)，最終的安裝結(jié)構(gòu)如圖5 所示。

圖5 車模及導(dǎo)航示意圖

2 軟件設(shè)計及算法優(yōu)化

在程序設(shè)計上，涉及多傳感器數(shù)據(jù)的融合以及不同系統(tǒng)上程序的移植，具體軟件設(shè)計流程如圖6 所示。

圖6 程序流程圖

智能導(dǎo)航平衡車中，軟件的主要功能如下：

(1)所涉及傳感器信號的采集與處理；

(2)電機驅(qū)動模塊的PWM 輸出；

(3)小車基本動作的實現(xiàn)，主要是平衡直立控制、速度控制和方向控制；

(4)SLAM 建圖與導(dǎo)航，確定初始位姿，設(shè)置目標(biāo)點，繞開障礙物，規(guī)劃最優(yōu)全局(局部)路徑；

(5)小車運行流程控制，包括各模塊程序初始化、車模的啟動與結(jié)束，以及車模狀態(tài)監(jiān)控；

(6)通過上位機和PC 端實時監(jiān)測車模的狀態(tài)以及在線調(diào)節(jié)相關(guān)參數(shù)。

2.1 卡爾曼濾波器設(shè)計

卡爾曼濾波方程是一種綜合分析利用線性系統(tǒng)的狀態(tài)方程,通過觀察到的系統(tǒng)在其輸入和給定時間內(nèi)的各種狀態(tài)，對系統(tǒng)在其輸出和給定時間內(nèi)的狀態(tài)信號進行了最優(yōu)估計的一種算法。由于這些觀察到的數(shù)據(jù)中涉及系統(tǒng)運行過程中的各種噪聲和其他干擾等因素，因此這種最優(yōu)估計方程可以被簡單地看作是一種濾波。主要指的是預(yù)測和濾波兩個過程，可設(shè)離散差分和觀測方程為[10]：

其中，x(k)是n維狀態(tài)向量；u(k)是m維控制向量；z(k)是l 維狀態(tài)觀測向量；Φ(k+1,k)是n×n的轉(zhuǎn)移矩 陣；G(k+1,k)是n×m維矩陣；Γ(k+1,k)是n×p的噪聲驅(qū)動矩陣；H(k)是l×n的量測矩陣，v(k)為量測噪聲序列。

MPU6050 六軸傳感器的輸出方式為慣性傳感器的模擬量，利用Arduino UNO 自帶的ADC 進行數(shù)模轉(zhuǎn)換，從而獲得傳感器的輸出電壓大小，而且要對加速度和陀螺儀傳感器的輸出進行變換，使卡爾曼濾波器接收到的是角度和角速度變化量[11]，其轉(zhuǎn)換公式如式(3)所示：

式中,W為陀螺儀測得的角速度，Vout、Voffset和Vsen分別為陀螺儀的輸出電壓、靜態(tài)輸出電壓和靈敏度，K表示放大電路的放大系數(shù)[11]。

檢測角度和加速計輸出電壓轉(zhuǎn)換公式如下：

其中，A為加速計檢測到的重力加速度，Uout為加速計的輸出電壓，Uoffset為加速計的平衡狀態(tài)輸出電壓，Usen為加速計靈敏度[11]。

事實上，車模在高速旋轉(zhuǎn)運動時本身就可能會自動產(chǎn)生一定程度晃動的旋轉(zhuǎn)時間和運動加速度，這在研究過程中就是自身的干擾信號，它會疊加在輸出信號上，無法精確地反饋車模的傾斜角度，具體如圖7 所示。

圖7 小車運動引起的的加速度信號波動

2.2 PID 控制算法

前面已經(jīng)說到車模的控制任務(wù)可以分為三部分，第一部分是控制小車平衡，第二部分是控制小車速度，第三部分是控制小車方向，通過一系列的分析之后，得出車模在直立行走過程中的直立、速度及方向控制都使用了PD 控制，通過對這三種算法的輸出結(jié)果疊加來完成電機加速的控制，最終使小車達(dá)到平衡狀態(tài)，故而PD 調(diào)節(jié)要非常平滑緩慢，不能出現(xiàn)跳躍性調(diào)節(jié)。

在小車運動能過程中，由于車輪與地面之間存在靜摩擦，電機電樞得電，此時電機轉(zhuǎn)子并沒有發(fā)生相對轉(zhuǎn)動，因此要根據(jù)實際情況添加一個死區(qū)常量用來提高系統(tǒng)的凈穩(wěn)定性，如圖8 所示。

圖8 電機死區(qū)補償

2.3 Cartographyer 算法地圖構(gòu)建

Cartographyer 算法是由Google 所發(fā)布的一種基于地圖優(yōu)化技術(shù)的SLAM 算法,它的結(jié)構(gòu)主要由Local SLAM 和Global SLAM 兩個部分所組成。Local SLAM是用里程計和IMU 數(shù)據(jù)通過軌跡計算,得出小車的原始位姿估計值ξ=(ξx,ξy,ξθ)，ξx,ξy表示位置，ξθ表示姿態(tài)角，作為初始值將于雷達(dá)數(shù)據(jù)進行匹配，同時對位姿估計器的值進行更新，在雷達(dá)的一幀幀數(shù)據(jù)經(jīng)過運動濾波后，再通過疊加，形成子圖submap[13]。而在Global SLAM 部分，進行回環(huán)檢測和后端優(yōu)化，減小地圖累計誤差，最終形成一張完整可用于導(dǎo)航的地圖。

在智能導(dǎo)航平衡車中，采用Cartographyer 可以實現(xiàn)大場景高精度(5 cm)的2D 柵格地圖。在前端匹配環(huán)節(jié)，每得到一次雷達(dá) scan 數(shù)據(jù)后，便與時間戳鄰近的submap 進行掃描匹配，插入到匹配度高的最優(yōu)位置上，直至最后沒有新的scan 插入，此時一個submap 便構(gòu)成，以此類推到最后一個submap[13]。由一個起點和數(shù)個終點構(gòu)成一個激光點云圖，其中每一個scan 為激光點云圖，將點云集合用H表示，其表達(dá)形式為H={hk}k=1,2,..,k，hk∈R2。

當(dāng)獲得新的scan時，要插入到submap中，通過轉(zhuǎn)換系數(shù)Tξ進行坐標(biāo)轉(zhuǎn)換，轉(zhuǎn)換公式如下:

在scan 插入submap 之前，需要利用ceres 庫的掃描匹配器對每個狀態(tài)的位姿進行優(yōu)化，將求解scan 位姿問題轉(zhuǎn)化為求解非線性最小二乘方程的解[14]。隨著生成的submap 數(shù)目越多，掃描匹配過程中的累計誤差也在逐漸增大，因此需要采取稀疏姿態(tài)調(diào)整方法優(yōu)化scan 與submap 的位姿，也就是閉 環(huán)檢測，將匹配程度好的位姿加入到優(yōu)化當(dāng)中[16]。掃描匹配用的方法是深度優(yōu)先的分支定界加速算法，每當(dāng)新的scan 出現(xiàn)時，在附近窗口搜索最優(yōu)匹配幀，若此幀符合要求，便形成一個閉環(huán)，這個過程中建立了一個搜索窗口，把整個解空間當(dāng)作一棵樹來表示，其根節(jié)點代表搜索窗口，樹中的每一個節(jié)點的子節(jié)點都是對該節(jié)點所代表的搜索空間的一個劃分，每個葉子節(jié)點對應(yīng)一個解，整個搜索過程的基本思想就是不斷地分割搜索空間，稱為分支，再為新產(chǎn)生的分支葉子節(jié)點給定一個適當(dāng)?shù)纳辖纾Q為定界，若子節(jié)點中有定界超過了最優(yōu)解的值，將對該節(jié)點進行舍棄[17]。

運用此方法能夠高效地確定激光點云與子圖的匹配度，并估計出車模的位姿。在了解了建圖原理之后，配置revo_lds.lua 和demo_revo_lds.launch 文件，配置前需要通過rqt 看tf tree，然后在launch 文件里修改lua 文件的名字和topic，lua 文件需要配置的是：map_frame=“map”(地圖坐標(biāo)系)；tracking_frame=“base_footprint”(將所有傳感器數(shù)據(jù)轉(zhuǎn)換到該坐標(biāo)系下)；published_frame=“odom”(tf: map-＞odom)，其他一些參數(shù)根據(jù)實際調(diào)試和硬件屬性配置。

對于建圖場景比較復(fù)雜的，進行必要的特征點提取，只保留一部分有效雷達(dá)數(shù)據(jù)，去除無效點，具體效果如圖9 所示。

圖9 有效特征點提取前后對比圖

2.4 Teb 局部路徑規(guī)劃算法

本車模作為實驗?zāi)Ｐ停诵哪康氖瞧胶廛嚨膶?dǎo)航技術(shù)驗證，為此在室內(nèi)和走廊進行模擬驗證。此過程中，活動的實驗人員等同于動態(tài)障礙物，桌椅等物品就是靜態(tài)障礙物，同時也設(shè)置了傾斜角度為15°～30°的斜坡，負(fù)載為10 kg，路面相對平坦一點，在此約束場景下，進行車模測試。

就導(dǎo)航模塊而言，關(guān)鍵技術(shù)有5 點,分別是全局地圖、自身定位、路徑規(guī)劃、運動控制和環(huán)境感知，主要介紹一下自身定位和路徑規(guī)劃。由于Cartographyer 本身就有重定位功能，并且選用的雷達(dá)傳感器Mapper 也有定位功能，因此此處不再運用AMCL 定位。至于路徑規(guī)劃，通俗來說，就是從一個點到另一個指定目標(biāo)點的過程，在這個過程中，導(dǎo)航平衡車根據(jù)目標(biāo)位置計算最優(yōu)路線，途中會遇到靜態(tài)和動態(tài)的障礙物，然后繞開障礙物，重新規(guī)劃路線，直至到達(dá)發(fā)布的目標(biāo)位姿。規(guī)劃過程中，有全局路徑規(guī)劃和局部路徑規(guī)劃，使用Dijkstra 或A*算法進行全局路徑規(guī)劃，在本地路徑規(guī)劃上，move_base 默認(rèn)調(diào)用的是Dwa，經(jīng)過與Teb 局部路徑規(guī)劃對比，選用后者，主要是因為它的最優(yōu)目標(biāo)是規(guī)劃最優(yōu)時間，Teb 算法將避障硬約束為軟約束，以尋找代價最小的軌跡解決方案。

由于實際環(huán)境是變化的，障礙物的出現(xiàn)是隨機的，因而對于導(dǎo)航而言靜態(tài)地圖并不適合。為了在導(dǎo)航過程中實時獲取障礙物數(shù)據(jù)，在靜態(tài)地圖的基礎(chǔ)上添加膨脹區(qū)數(shù)據(jù)。主要是由全局代價地圖和本地代價地圖構(gòu)成，前者用于全局路徑規(guī)劃，后者用于本地路徑規(guī)劃。需要配置的yaml 文件有四個，分別是全局和本地路徑規(guī)劃調(diào)用的通用參數(shù)、全局代價參數(shù)設(shè)置、本地代價參數(shù)設(shè)置和基本的局部規(guī)劃器參數(shù)配置。其中膨脹半徑inflation_radius 和代價比例系數(shù)cost_scaling_factor 給全局和本地各單獨設(shè)置，以便于遠(yuǎn)離障礙物，避免進入膨脹區(qū)域而陷入假死狀態(tài)，Teb 中的是否考慮動態(tài)障礙物設(shè)為true，動態(tài)障礙物膨脹距離設(shè)為0.45 m，動態(tài)障礙物權(quán)重設(shè)為10 以及膨脹帶權(quán)重設(shè)為0.2，以上是車模實際測試參數(shù)，個別與仿真不一致。

測試過程中，可實現(xiàn)任意角度原地轉(zhuǎn)彎，但在遇到突然出現(xiàn)的行人時，車模在停止的過程中會出現(xiàn)慣性過沖的現(xiàn)象，易造成車模傾倒，經(jīng)分析，主要問題是雷達(dá)橫向檢測范圍太小和車模的PID 參數(shù)欠優(yōu)，未能及時檢測到動態(tài)障礙物，為此增大了雷達(dá)的掃描角度，由原來的-30°～30°改變?yōu)?60°～60°，PID 參數(shù)整定見表1。

表1 三個閉環(huán)控制環(huán)節(jié)PID 參數(shù)

3 分析與討論

基于前面的理論分析，可以直觀地從圖10 中看出，對里程計編碼器和六軸傳感器采集到的數(shù)據(jù)采用卡爾曼濾波器進行數(shù)據(jù)融合，獲得的效果相比于一二階互補濾波算法要好很多，極大地減小了干擾，有利于車模平衡。具體對比如圖10 所示(曲線1 指原始角度波形；曲線2 指經(jīng)低階互補濾波后的角度輸出曲線；曲線3 指經(jīng)卡爾曼濾波后的角度輸出波形)。

圖10 角度輸出曲線

在車模運行過程中，經(jīng)測試，當(dāng)傾斜角度超過18°時(設(shè)定為15°)，車模重心偏移嚴(yán)重，將無法保持直立，濾波也就不再適用，這也符合實際情況，超過臨界值將無法自主調(diào)整。

在對數(shù)據(jù)進行濾波融合處理之后，便是讓車模直立起來，并能穩(wěn)定地進行速度和方向控制，為此需要PID參數(shù)調(diào)節(jié)。為了更精準(zhǔn)地整定，要充分理解PID 控制算法的基本原理和每個參數(shù)在整個控制系統(tǒng)中的作用。調(diào)試的時候直接在Linux 下面的vscode 編輯器修改參數(shù)，采用快速調(diào)節(jié)法(先調(diào)P，后調(diào)D，逐步逼近臨界值，最后對臨界值×0.8)，三環(huán)調(diào)節(jié)順序是先調(diào)角度，再調(diào)速度，最后調(diào)方向。

優(yōu)化前后的效果對比如圖11 所示。運用Cartographer 算法構(gòu)建地圖時，經(jīng)過后端優(yōu)化后，去除了畸變疊圖，大大提高了地圖精度，獲得的圖與實際環(huán)境更加吻合、輪廓更加清晰。同時也得出結(jié)論，當(dāng)建圖效果不太理想并且計算量過大時，調(diào)節(jié)ceres 的匹配權(quán)重，將地圖權(quán)重增大，平移旋轉(zhuǎn)權(quán)重減小。

圖11 優(yōu)化算法前后的實際建圖效果

在路徑規(guī)劃上，采用move_base 里面的teb_local_planner 算法，加入了全局和本地代價地圖，為障礙物設(shè)置了膨脹層，在rviz 里面發(fā)布了目標(biāo)點之后，能夠繞開障礙物快速尋求最短路徑，獲得最優(yōu)時間，同時加入了Cartographer 的重定位功能，使得智能導(dǎo)航平衡車走過的路徑都在柵格地圖上顯示出來。值得注意的是實際測試中車模有時會陷入假死狀態(tài)，根據(jù)代價比例系數(shù)越小，代價值越大，為此在全局代價參數(shù)yaml 文件中設(shè)inflation_radius=0.5、cost_scaling_factor=8.0，全局代價參數(shù)yaml 文件中設(shè)inflation_radius=0.3、cost_scaling_factor=4.0，從而解決了假死這一問題，效果如圖12 所示。

圖12 優(yōu)化后導(dǎo)航示意圖

4 結(jié)論

為了提高平衡車的安全性、靈活性和智能化，通過雷達(dá)傳感器、AB 相增量式霍爾(磁)編碼器輪式里程計和六軸傳感器MPU6050 來獲取車模的姿態(tài)，利用卡爾曼濾波器進行數(shù)據(jù)融合，運用了Cartographer 算法的建圖和純定位功能，加入了Teb 路徑規(guī)劃算法、Cartographer 和路徑規(guī)劃算法融合以上幾種傳感器的數(shù)據(jù)信息，實現(xiàn)了平衡車的自主建圖和導(dǎo)航避障功能。在仿真沒有任何問題的條件下，搭建了實物實驗平臺，在實際環(huán)境中進行了測試，測試結(jié)果達(dá)到了預(yù)期效果。對于建圖過程中出現(xiàn)的畸變疊圖情況，進行了優(yōu)化，消除了疊圖，采用的導(dǎo)航算法可以快速繞開障礙物到達(dá)目標(biāo)點，完全可以實現(xiàn)無人駕駛。相信在不久的將來，雷達(dá)的成本會越來越低，融合SLAM 技術(shù)的智能導(dǎo)航平衡車將發(fā)展為新的輕盈便捷的代步工具，那時肯定會受到廣大客戶的青睞。