基于自適應方法的移動機器人同時定位與地圖構建研究

陳群英

(西安培華學院，西安 710125)

0 引言

機器人就是將傳感器、微電子、計算機等新技術為一體的產物，移動機器人在 20 世紀 60 年代初期誕生，通過50多年的發(fā)展，得以廣泛應用到人類生產、生活多個方面，展現出強有力的生命力。由于機器人應用領域日益擴展，多數學者加大對于機器人控制方法及技術方面的研究。20世紀中后期，多項研究集中在如何基于高速度、重載條件下提升跟蹤精度等方面。隨著計算、信息融合等技術的快速發(fā)展，機器人技術也得到迅速的發(fā)展，尤其是在具備移動行走功能、環(huán)境感知能力的移動機器人研究也成為機器人技術領域研究的熱點問題。不得不說，移動機器人自主研究已經獲得顯著進步，它不單為人們生產生活提供自動化設備，且在醫(yī)療衛(wèi)生、排險救災等領域發(fā)揮著重要的作用。例如：汽車生產領域主要工作在于做好焊接、搬運、零件組裝等工作的機器人；處于水下、地下等惡劣條件下用于資源探測、礦難救災的機器人等。對移動機器人而言，具備自主導航能力則是移動機器人走向具體應用的前提條件。同時定位與地圖創(chuàng)建(Simultaneous Localization and Mapping, SLAM)就是指在未知的環(huán)境下，機器人可依托自身傳感器對周圍的信息進行測量，以此評估自身位置及運動狀態(tài)，并能真實描繪周圍環(huán)境地圖的過程[1]。移動機器人SLAM相關問題研究旨在探究機器人處于陌生的環(huán)境下，可以自主識別環(huán)境內的特征信息，并運用所獲取的特征信息創(chuàng)建周圍環(huán)境地圖模型，機器人能夠依據所構建的模型實施定位和導航。本次研究就是對同時定位與地圖創(chuàng)建多種算法展開研究，并基于傳統(tǒng)方法進行適當改進，以此提升 SLAM 工作性能及精確度。

1 應用RBPF開展地圖構建

1.1 粒子濾波

粒子濾波器又被稱作Monte Carlo定位方法，這是一種統(tǒng)計濾波算法，也是保障Monte定位法順利實現的方法。它開展濾波處理的思想在于貝葉斯采樣估計對序列重要性進行采樣處理，粒子濾波器無需直接求得概率密度函數，而是通過粒子集合對概率分布情況進行描述[2]。如果粒子樣本數量處于無窮大狀態(tài)，其作為能夠逼近任意形式的概率分布，它應用一組隨機的離散粒子集對系統(tǒng)狀態(tài)后驗密度分布狀況進行描述，粒子集越密集，說明這個區(qū)域概率更大。此外，粒子濾波器出現也為機器人具體定位提供有效地解決途徑。它幾乎能夠用于各種機器人定位問題，粒子濾波算法則是有效解決SLAM最有效、成熟的方法。

(1)

上述式子中，π(x1:t|z1:t，u1:t-1)稱為重要性函數或建議分布。通過歸一化處理后，重要性權值，如式(2)。

(2)

(3)

(4)

通過上述分析，地圖后驗概率具體估算如式(5)。

(5)

1)RBPF算法內蒙特卡羅環(huán)節(jié)要由先驗環(huán)節(jié)實施采樣處理為式(6)。

(6)

2)若將先檢驗分布作為重要性函數，如：π(x1:t|z1:t，u1:t-1)=p(xt|xt-)，以此開展遞歸計算為式(7)。

(7)

1.2 卡爾曼濾波

上述式子中：

利用在均值及方差更新環(huán)節(jié)中，應用卡爾曼濾波器，RBPF算法估算精度明顯提升。隨后，RBPF算法必須對每個粒子運用卡爾曼濾波器，如果存在多數粒子時，求解復雜程度會顯著增加。

2 改進后的RBPF算法

(1)標準RBPF的卡爾曼更新操作如下：

fori=1 toNdo

end for

(2)改進后RBPF卡爾曼更新步驟：

fori=2 toNdo

end if

end for

在此基礎上，建議應用文獻中的

作為間距，由采樣環(huán)節(jié)內應用自適應重采樣技術，通過采樣、求解粒子重要性權值、更新地圖等步驟，順利實現同步定位與地圖構建。

經改進處理的流程，如圖1所示。

圖1 改進RBPF算法實現流程

3 應用實例及結果分析3.1 實驗環(huán)境及平臺

所用平臺采用裝配URG-04LX激光測距儀器的PioneerIII-DX機器人，配置2.19GHz的GPU、內存達到1.96GB的筆記本電腦組合而成。實驗所用的電腦按照Ubuntu 12.04操作系統(tǒng)及Groovy版ROS，通過筆記本恰當控制機器人運動狀態(tài)，如圖2所示。

圖2 實驗應用平臺

實驗環(huán)境選擇某學校研發(fā)中心一樓，如圖3所示。

圖3 實驗環(huán)境

3.2 實驗結果

對于同步定位與地圖構建過程中，總時間消化與機器人運行速度、環(huán)境存在密切的聯(lián)系，算法詳細的時間消耗很難確定。但可以利用控制機器人運動速度，進一步評估算法的實時性。若所用算法復雜程度較大，整個計算過程需要耗費大量的時間，較快的運動速度使得地圖精度明顯降低，必須適當放慢運動速度，以確保所得地圖的精度[10]。當算法復雜度較小，計算所用時間也會有所減小，較快運動條件下也能確保地圖的精度[11-12]。兩組算法均運用120個粒子，每一種算法每種速度當作一組開展10次實驗，共接受60次實驗，每一組首次試驗中設定機器人原地運行，獲得地圖的同時把所觀測出來的里程和激光數據記錄到bag文件內。剩下9次實驗應用該文件內的數據實施仿真處理，獲得與之相應的地圖，bag文件具有ROS設定的文件格式，能夠把不同類數據信息保存在同一個文件中，得以廣泛用于測試算法中。運用bag文件展開算法調試工作，能確保每一組實驗數據的一致性，進而減少誤差。實驗結果證實，每組實驗均展現出共同的特性，挑選具有代表性的結果展開對比分析。不同運動速度條件下Gmapping算法和改進算法繪制出來的地圖，如圖4、圖5所示。

(a) 0.2 m/s

(b) 0.4 m/s

(c) 0.8 m/s

(a) 0.2 m/s

(b) 0.4 m/s

(c) 0.8 m/s

通過實驗可知，上述兩種算法由于機器人運動速度加快，都會出現柵格誤差不斷增大、地圖質量降低的情況。當運動速度處在0.2 m/s時，兩種算法均可以創(chuàng)建相對穩(wěn)定的地區(qū)，而在0.4 m/s運動速度時，應用Gmapping算法就是個發(fā)展誤差，且地圖存在不確定性的特征，改進算法算法并未出現誤差。處于0.8 m/s運動狀態(tài)時，為改進前所用算法繪制地圖誤差增加，改進后所用算法也存在一些誤差，但整體效果明顯比改進前好，表明利用改進算法，其在各種運動速度條件下，創(chuàng)建的地圖更穩(wěn)定，邊緣清晰度更高。

4 總結

綜上所述，移動機器人同時定位與地圖創(chuàng)建作為機器人順利實現自主導航的關鍵，本文對于移動機器人同時定位與地圖創(chuàng)建問題的多種方法展開研究，旨在探討如何提升移動機器人自主能力。文章提出一種改進 LMNO 算法應用到移動機器人SLAM，依托卡爾曼濾波器更新某個特定條件下一組粒子中的代表粒子。必要情況下，對其均值、方差實施更新處理，并在同一個粒子群內重復運用，進一步降低操作復雜度，提升所用系統(tǒng)實時性。在此基礎上，選擇Pioneer III-DX機器人操作平臺下展開實驗，實驗結果表明，改進RBPF算法，其運用不同運動速度下，所創(chuàng)建的地圖比較穩(wěn)定，具有清晰地邊緣。

[1] 閆德立,宋永端,宋宇，等.平方根容積卡爾曼濾波概率假設密度算法在移動機器人同時定位與地圖構建中的應用[J].控制理論與應用,2014,31(8):1009-1017.

[2] 丁少文,王林.基于連續(xù)三角測量法的機器人定位方法[J].微型電腦應用,2013,30(5):9-12.

[3] 趙亮,陳敏,李洪臣，等.基于視覺同時定位與地圖構建數據關聯(lián)優(yōu)化算法[J].計算機應用,2014,34(2):576-579.

[4] 陳鵬慧,蔡瓊,彭華順，等.基于遺傳算法的多移動機器人協(xié)同調度方案[J].微型電腦應用,2016,32(7):34-38.

[5] 伍明,張國良,李琳琳，等.基于動態(tài)和靜態(tài)環(huán)境對象觀測一致性約束的移動機器人多傳感器標定優(yōu)化方法[J].兵工學報,2017,38(8):1630-1641.

[6] 羅元,蘇琴,張毅，等.基于優(yōu)化 RBPF 的同時定位與地圖構建[J].華中科技大學學報(自然科學版),2016,44(5):30-34.

[7] 羅元,傅有力,程鐵鳳，等.基于改進Rao-Black wellized粒子濾波器的同時定位與地圖構建[J].控制理論與應用,2015,32(2):267-272.

[8] 蔡炯.機器人自適應主動同時定位與建圖新方法[J].計算機測量與控制,2015,23(5):1639-1642.

[9] 葉錦華,李迪,葉峰，等.輸入受限的非完整移動機器人的自適應模糊控制[J].中國機械工程,2014,25(8):1010-1016.

[10] 王麗佳,賈松敏,王爽，等.采用改進Mean Shift算法的移動機器人行人跟蹤[J].光學精密工程,2013,21(9):2364-2370.

[11] 葛媛媛,張宏基.基于自適應模糊滑?？刂频臋C器人軌跡跟蹤算法[J].電子測量與儀器學報,2017,31(5):746-755.

[12] 于濤,趙偉,孫漢旭，等.一種球形移動機器人爬坡運動的自適應滑?？刂芠J].測控技術,2017,36(7):60-65.