基于ROS的機器人室內巡檢技術仿真

高民東，張雅妮，朱凌云

(重慶理工大學 計算機科學與工程學院， 重慶 400054)

作為機器人的典型應用，巡檢機器人得到了廣泛關注。任志斌等[1]嘗試在輸電線路中應用巡檢機器人進行越障控制。周立輝等[2]根據(jù)磁軌跡實現(xiàn)移動機器人的巡檢應用，并在該機器人上攜帶攝像機、紅外熱像儀等傳感器用于監(jiān)控。基于磁軌跡和輸電線路的機器人巡檢方案雖然穩(wěn)定性高，但是所設計的巡檢機器人缺乏靈活、機動性，所使用的傳感器也極少用于機器人的定位與建圖以及路徑規(guī)劃中。唐恒博等[3]通過設計一種里程計與定位針路標融合的方法來提高巡檢機器人的定位精度。Zhu等[4]針對目前巡檢機器人使用的磁導航和RFID停車系統(tǒng)的不足，設計了激光導航系統(tǒng)，并完成了定位與建圖的實驗，使得機器人的自主性大大增強。但巡檢機器人應用于室內的研究鮮有提到。因為室內機器人不可采用GPS進行定位導航，故室內機器人大多以磁導航為主進行室內巡檢，該方案缺乏靈活性，機器人無法自主規(guī)劃路徑，且只能感知部分室內環(huán)境。

通過融合同時定位與建圖技術可以使機器人完整、有效地感知周圍環(huán)境。定位與建圖技術(SLAM)的基本思想是通過機器人傳感器獲取的點云數(shù)據(jù)或是深度數(shù)據(jù)，在其移動過程中建立出該環(huán)境地圖模型[5]。如今已經提出了很多算法，如卡爾曼濾波、擴展卡爾曼濾波、無跡卡爾曼濾波、粒子濾波、FastSlam、Gmapping等[6]，最近也出現(xiàn)了使用隨機有限集來進行SLAM的思路[7]。

路徑規(guī)劃也是機器人研究的一個重要領域。路徑規(guī)劃的主要任務是使輪式機器人能夠安全避開各種環(huán)境中的移動、靜止障礙物，并以最短且最優(yōu)的路徑到達所指定的終點，該技術可以有效提高巡檢機器人的靈活性[8-10]。Akshay Kumar Guruji等[11]根據(jù)A*的特點改進并發(fā)明了時效A*算法，提高了算法效率。隨著深度學習領域研究日趨豐富，學者也嘗試將卷積神經網絡用于路徑規(guī)劃研究當中[12]。

通過對機器人仿真技術的研究可大大降低研發(fā)成本，常用的仿真軟件有MRDS、Player和CARMEN等[13]，還有與各種軟件仿真平臺兼容的機器人仿真環(huán)境USARsim。本文提出基于ROS設計室內機器人時使用同時定位與建圖、路徑規(guī)劃技術進行巡檢應用的方案，通過設計機器人模型，對巡檢過程中機器人建圖以及路徑規(guī)劃進行了仿真平臺上的實驗驗證，并討論其在機器人巡檢應用中的可行性。

1 ROS簡介

機器人操作系統(tǒng)(ROS)是一款基于Linux系統(tǒng)的機器人軟件控制平臺，其最初由斯坦福大學(Stanford Artificail Intelligence Laboratory)研發(fā)[14]。ROS不同于傳統(tǒng)的操作系統(tǒng)，屬于建立在傳統(tǒng)操作系統(tǒng)上的次級操作系統(tǒng)，并為其提供一個結構化的通訊層。作為一個機器人操作平臺，ROS通信主要具有以下特征：

1) 節(jié)點

節(jié)點即ROS執(zhí)行各種功能的程序進程，進程以節(jié)點的形式運行，節(jié)點間的通訊通過消息的發(fā)布和訂閱實現(xiàn)。

2) 消息

消息即各節(jié)點之間通訊的內容，目前ROS提供了400多種消息類型，包括傳感器數(shù)據(jù)類型、點云數(shù)據(jù)類型、地圖信息等。

3) 話題

話題是指特定消息的名稱，用于描述消息表達內容。節(jié)點可以發(fā)布針對某個話題的數(shù)據(jù)消息，也可以關注訂閱某個話題的數(shù)據(jù)。

4) 服務

服務與話題的區(qū)別在于，話題可以由多個節(jié)點訂閱，但服務是一對一形式，即節(jié)點與節(jié)點之間建立服務后，其通訊模式一般是一個用于請求，一個用于回應。

ROS具有諸多優(yōu)點：ROS采用分布式處理來提供操作系統(tǒng)各層級的服務，如硬件抽象、設備控制和消息管理等標準服務；分布式節(jié)點設計有利于構建巡檢機器人同時定位與建圖以及路徑規(guī)劃的功能節(jié)點，并提供了統(tǒng)一的數(shù)據(jù)通信機制；ROS深度集成了OROCOS、Gazebo、Webots等軟件，兼容多種編程語言，如C/C++、Python、Java、LISP等，實現(xiàn)跨平臺跨語言的交互共享，使得基于ROS的機器人學的各項研究成果更易移植，從而加強了機器人在操作系統(tǒng)上的統(tǒng)一性。如今ROS也發(fā)展到了2.0版本，該版本采用DDS實現(xiàn)通訊機制的強實時性[15]。

2 室內巡檢場景構建

為了能使室內機器人能進行路徑規(guī)劃以及樓道環(huán)境、室內環(huán)境巡檢，首先根據(jù)URDF語言建立差分移動輪式機器人模型。該模型具有兩個差分行動輪以及一個萬向輪，并搭載一個Hokuyo激光掃描儀，通過激光掃描儀的二維點云數(shù)據(jù)并結合gmapping算法可以建立路徑規(guī)劃所需要的地圖。

然后對實驗地圖進行建模。本實驗主要通過gazebo軟件建立實驗地圖，分別為某大學實驗室室內地圖環(huán)境和某大學某樓層地圖環(huán)境。實驗室地圖長7 m，寬5 m，主要包含電腦桌、書桌等障礙物，如圖1(a)所示。樓層地圖中樓道寬3 m，次級樓道寬2 m，每個房間長7 m，寬5 m，如圖1(b)所示。

最后，編譯構建ROS系統(tǒng)下的機器人模型結點、地圖環(huán)境解析結點，以及建圖所需的gmapping算法結點、路徑規(guī)劃核心結點move_base和各結點之間的通訊結點。最終，基于ROS構建的巡檢機器人建圖與路徑規(guī)劃系統(tǒng)結點圖如圖2所示，其中圓形框代表構建的結點類型，方形框為結點訂閱和發(fā)布的話題類型。

圖1 實驗環(huán)境地圖

圖2 建圖與路徑規(guī)劃結點圖

將以上方案設計應用于機器人室內巡檢中，并對建圖、路徑規(guī)劃實驗過程進行研究與分析。

3 巡檢算法分析與選擇

本節(jié)主要對應用于機器人室內巡檢中相關算法進行選擇與分析。首先，采用gmapping實時建圖算法實現(xiàn)機器人巡檢過程中的地圖功能建立，然后以算法效率和路徑長度為指標對RRT、GA和Astar三種路徑規(guī)劃算法進行對比分析并進行選擇。

3.1 實時建圖算法分析與選擇

室內機器人在其巡檢過程中，首先要對未知環(huán)境進行地圖構建，從而根據(jù)建立的地圖以及給定的目標點，規(guī)劃出一條有效的巡檢路徑。本文采用gmapping算法來解決室內地圖建立的問題，其主要思想是通過機器人觀測信息z1:t=z1,z2,z3,…,zt和里程計數(shù)據(jù)u1:t=u1,u2,u3,…,ut，同時需要找到機器人的位姿x1:t=x1,x2,x3,…,xt，并估計周圍地圖環(huán)境mt的后驗概率。其中，機器人的位姿與地圖的聯(lián)合概率分布為p(x1:t,mt|z1:t,u1:t-1)，通過對貝葉斯狀態(tài)濾波器空間進行分解可得：

p(x1:t,mt|z1:t,u1:t-1)=p(mt|x1:t,z1:t)p(x1:t|z1:t,u1:t-1)

(1)

式(1)中：p(mt|x1:t,z1:t)為地圖mt的后驗概率，通過機器人的位姿x1:t=x1,x2,x3,…,xt和傳感器的觀測信息z1:t=z1,z2,z3,…,zt可以求解得出；p(x1:t|z1:t,u1:t-1)為該機器人位姿信息x1:t=x1,x2,x3,…,xt的后驗概率，通過已知傳感器觀測信息z1:t=z1,z2,z3,…,zt和已發(fā)布里程計信息u1:t=u1,u2,u3,…,ut求解。故Rao-Blackwellized Particle Filter(RBPF)可分為兩個關鍵步驟：① 通過里程計信息和傳感器觀測信息求出機器人軌跡；② 通過已知的機器人軌跡和傳感器信息求出周圍地圖數(shù)據(jù)[16]。

通過粒子濾波器估算所有潛在路徑的后驗概率p(x1:t|z1:t,u1:t-1)，其中每個粒子代表機器人的一條潛在軌跡，隨著粒子不斷的迭代，低權重的粒子會被舍棄掉，而高權重的粒子會保留下來。在重采樣過程中，通過設定自適應閾值Neff來表現(xiàn)粒子集與機器人軌跡的契合程度。

式(2)中φ(i)為粒子的歸一化權重，當Neff小于粒子總數(shù)的一半時就會進行重采樣的步驟，以保證所有粒子都具有相同的權重。最后，通過機器人位姿以及傳感器觀測信息來計算相應的p(mt|x1:t,z1:t)，從而實現(xiàn)地圖更新。

3.2 路徑規(guī)劃算法分析與選擇

路徑規(guī)劃在機器人巡檢過程中同樣重要。機器人巡檢要求在較短的時間內規(guī)劃出最優(yōu)路徑，也要盡量多地對路徑周圍環(huán)境進行巡邏。本文針對以上要求對基于啟發(fā)式函數(shù)的A-star算法、基于樹結構的RRT算法以及智能仿生遺傳算法GA進行對比研究。首先，建立室內地圖環(huán)境，指定機器人起始點為(25，25)，其巡檢終點為(300，400)，以上算法規(guī)劃路徑長度以及算法運行時間如表1所示，算法實驗結果如圖3所示。

圖3 路徑規(guī)劃實驗結果

圖3中可以看出：3種算法規(guī)劃的路徑均達到避開障礙物并移動到目標點的要求。其中：圖3(a)顯示的RRT算法規(guī)劃路徑轉折點較多，其路徑長度較長；圖3(b)顯示的GA算法規(guī)劃路徑雖然為平滑路徑，但其路徑長度過長，并沒有達到最優(yōu)路徑的要求；圖3(c)顯示的A-star算法規(guī)劃路徑轉折點較少，且路徑長度最短。

表1 算法效率與規(guī)劃路徑長度

從表1中可以看出：在3個路徑算法的規(guī)劃路徑長度中，A-star算法的路徑長度最短，GA算法規(guī)劃路徑最長，而RRT算法路徑規(guī)劃時間最短，A-star算法次之。

雖然RRT算法時間較A-star算法短，但考慮到機器人在巡檢過程中，要求路徑轉折點較少以及以較短的路徑到達目標點，且A-star算法規(guī)劃路徑所花時間在機器人可控范圍內，故綜合考慮以A-star算法為室內機器人巡檢的路徑規(guī)劃算法。

4 仿真實驗結果

4.1 建圖仿真實驗結果

本實驗基于gazebo搭建的地圖環(huán)境進行建圖實驗，機器人初始起點為(25，25)，通過自編寫的ROS鍵盤控制程序來對機器人進行行動控制。圖4(a)顯示了室內建圖的過程，其中：上3圖為gazebo仿真環(huán)境建圖過程，室內環(huán)境包括電腦桌、書桌、咖啡桌等障礙物模型；下3圖為Rviz中機器人建圖過程，主要顯示為代價地圖模式，紅色箭頭為機器人行駛的里程計數(shù)據(jù)，機器人在行動的過程中，白色為可通行區(qū)域，黑色為障礙物的膨脹半徑，障礙物的膨脹處理有利于機器人在行駛過程中避免碰撞。

圖4 室內建圖實驗仿真

圖4(b)顯示了機器人在樓道進行建圖實驗的過程，機器人初始起點為(10，10)，因主要實驗目的為建立樓道環(huán)境地圖，故樓道環(huán)境較室內地圖環(huán)境簡單。同圖4(a)，上3圖為機器人在gazebo中的建圖過程，下3圖為機器人在gazebo中的地圖建立過程，主要顯示為代價地圖。同理，紅色箭頭為機器人行駛的里程計數(shù)據(jù)，白色為可通行區(qū)域，灰色區(qū)域為圍墻膨脹半徑，紅色線部分為激光掃描儀所掃描的障礙物形狀。通過建圖算法最終轉化為樓道地圖模型。

通過ROS鍵盤控制程序對樓道環(huán)境、室內環(huán)境進行掃描建圖，最終得到如圖5所示的建圖結果。

圖5 建圖仿真實驗結果

由實驗結果可以看出，基于ROS下的gmapping算法建圖效果較為完整和清晰。因為在對機器人建模過程中擬定的機器人三維幾何高度較低，故在圖4(a)所示的室內環(huán)境中激光掃描儀只記錄了辦公桌、咖啡桌等障礙物的桌腿部分，但其建圖結果仍是有效的。在圖5(b)所示樓道環(huán)境結果中，原樓道環(huán)境中每間實驗室物理尺寸一樣，在建圖結果中通過數(shù)據(jù)拼接、特征匹配和回環(huán)檢測，完整地建立了樓道地圖以及該樓層每個實驗室的地圖環(huán)境。

綜上所述，基于ROS的室內機器人在其人為控制下，通過收集二維點云數(shù)據(jù)，完整、有效地建立了巡檢所需要的樓道、室內地圖環(huán)境。

4.2 路徑規(guī)劃仿真實驗結果

針對所建立的實驗地圖環(huán)境，將自建機器人放入室內環(huán)境進行路徑規(guī)劃仿真實驗，樓道環(huán)境路徑規(guī)劃原理與室內環(huán)境相同，故不重復進行實驗。路徑規(guī)劃技術的運用也使得巡檢機器人更加自主和智能并達到巡檢的目的。

圖6顯示了機器人在室內環(huán)境中進行路徑規(guī)劃實驗并完成巡檢的過程，整個地圖顯示為代價地圖形式，黑色為障礙物區(qū)域，白色代表機器人可通行區(qū)域。機器人起始位置為(25，25)，其巡檢終點為(300，400)，圖中終點處紅色箭頭代表其終點位置以及機器人到達終點后的終點狀態(tài)，跟隨機器人的紅色箭頭為機器人里程計數(shù)據(jù)，綠色線為已規(guī)劃的路徑，機器人將沿著綠色規(guī)劃路徑行駛，并到達最終點。

圖6 路徑規(guī)劃實驗仿真

圖7顯示了機器人在路徑規(guī)劃過程中的線速度和角速度。其中：紅色為線速度；藍色為角速度。通過分析線速度和角速度可以輕易得出機器人在行駛過程中有無碰撞，以及行駛狀態(tài)是否正常。

機器人從起始點開始規(guī)劃終點路徑時，首先角速度會非線性增加，調整位姿，其線速度也會勻速增加并開始沿著規(guī)劃路徑行駛。在行駛過程中，其角速度、線速度基本趨于穩(wěn)定，但機器人需要不斷調整位姿使得自身不會偏離已規(guī)劃的路徑，故從圖7中可以看出角速度在確定方向后，會在一個穩(wěn)定的范圍內不斷變化，其線速度也會在調整角度的過程中短暫減少。當機器人到達終點后，機器人線速度會急劇減小至0，角速度也會隨著規(guī)定方向迅速調整，至此路徑規(guī)劃實驗完成。

圖7 線速度及角速度實驗結果

圖6顯示機器人成功根據(jù)自建地圖進行路徑規(guī)劃，成功達到目標點；圖7顯示機器人線速度、角速度無異常突變情況，故在路徑規(guī)劃過程中沒有碰撞情況發(fā)生。綜上所述，上述實驗完整、有效地實現(xiàn)了整個巡檢過程。

5 結論

本文針對路徑規(guī)劃、機器人巡檢、同時定位與建圖幾大熱點問題，提出將基于ROS結合同時定位與建圖和路徑規(guī)劃應用于室內機器人巡檢的新思路，并進行機器人室內巡檢實驗仿真，結果表明：

1) 基于ROS的機器人巡檢系統(tǒng)具有分布式處理的優(yōu)勢，其開源、基于Linux等特點也為后期SLAM、PathPlanning算法的開發(fā)以及系統(tǒng)移植提供了便利。

2) 基于ROS的機器人巡檢系統(tǒng)所建立的室內環(huán)境、樓道環(huán)境地圖清晰，誤差在可控范圍以內，基于gmapping算法建圖結果有效、合理。

3) 基于ROS的機器人巡檢系統(tǒng)成功在其建立的地圖上完成了路徑規(guī)劃實驗，規(guī)劃出一條轉折點較少、路徑較短的無碰撞路徑，可靠性較高，并可應用于室內機器人巡檢。

下一步工作會基于ROS對機器人SLAM算法、PathPlanning算法進行研究與改進，并將所建立的機器人及其控制系統(tǒng)的部分結點移植到實物機器人中，驗證其改進算法的有效性。