基于ROS的差分輪式機器人系統的設計

石學文，趙曉晨，王慶蘭，徐雍倡，李印宏

(曲阜師范大學工學院，山東 日照 276800)

0 引言

如今,基于機器人操作系統(robot operating system,ROS)的智能機器人系統的研發已經成為機器人的發展趨勢。借助分布式計算、軟件復用和快速測試等優點，ROS已經成為智能機器人開發的標準平臺。麻省理工學院強調“自從ROS發布了1.0版本之后，ROS已經成為機器人軟件的事實標準”[1]。本文基于ROS設計了差分輪式機器人系統，通過對其系統建模、路徑導航算法和語音交互的研究，使其更趨于實用化。

1 系統整體搭建

基于ROS的差分輪式機器人系統的設計，通過先模型仿真后實物實現的方式完成輪式機器人架構的確定。設計前，必須確定機器人的形狀及其實現的功能，然后按照功能確定適合的硬件與編程軟件，最后完成機器人系統的整體搭建[2]。

1.1 URDF模型設計

利用統一機器人描述格式(unified robot description format，URDF)文件創建機器人模型，完成對雷達、輪子、電機的模擬。URDF模型可以在rviz+ArbotiX與Gazebo仿真環境中運動，實現機器人的同步定位與建圖(simultaneous localization and mapping，SLAM)，以及路徑規劃等功能。

URDF模型主要由link標簽、joint標簽組成。link標簽描述剛體部分的物理屬性，joint標簽描述機器人關節的運動學和動力學屬性。機器人URDF模型最下層的底板包括6個link標簽和5個joint標簽。link標簽分別為底座、直流電機、驅動后輪和萬向輪，joint標簽分別將電機、輪子等固定到底盤。使用宏定義聲明重復的代碼模塊實現支柱和第二層板，并在第二層板加上代表雷達的link標簽，以及連接雷達和板的joint標簽。最后使用xacro文件優化該模型，并將模型顯示到rviz可視化工具中[3]。

1.2 運動學模型分析

分析差速輪式機器人的運動學模型，通過機器人的幾何特征和其輪子速度，求解機器人的運動方程[4]。輪式機器人運動學模型如圖1所示。

圖1 輪式機器人運動學模型Fig.1 Kinematics model of wheeled robot

假設輪式機器人局部坐標系的坐標原點C處在兩個輪子的中點，局部坐標系的yR軸與2個輪子的連線平行，與機器人的前進方向垂直；全局坐標系x軸與xR軸夾角為θ。兩個驅動輪直徑為r，兩輪的輪間距為l。

(1)

(2)

(3)

(4)

由ξi=R(θ)-1ξR,可得：

(5)

式中：ξi為全局坐標系機器人的運動狀態矢量；ξR為局部坐標系機器人的運動狀態矢量。

由此可得，差分輪式機器人的運動學模型：

(6)

(7)

其中：

(8)

1.3 機器人硬件設計

機器人系統分為4個部分：執行系統、驅動模塊、傳感系統和控制部分。本機器人采用直流電機作為執行機構，電機驅動模塊作為執行機構，里程計、雷達作為傳感系統，樹莓派作為控制系統。機器人框架圖如圖2所示。

1.4 語音控制

為了提升機器人的智能化水平以及用戶的使用體驗、減少日常使用時繁瑣的程序流程，采用基于樹莓派的ReSpeaker 4-Mic陣列，完成語音控制差分輪式機器人的移動。語音控制流程圖如圖3所示。

圖3 語音控制流程圖Fig.3 Flowchart of voice control

通過ReSpeaker 4-Mic陣列集成的Amazon Alexa語音服務，并采用snowboy軟件錄制聲音。ReSpeaker 4-Mic陣列捕獲語音信號，對信號進行預處理，并將信息發送到機器人上位機樹莓派中。通過識別的語音信號計算出其對應的運動指令，完成機器人自主移動的功能。該模塊在檢測到不同語音時，對應的指令燈會顯示不同的顏色，并且控制機器人移動。

2 系統軟件設計

系統軟件設計包括同步定位與建圖(simultaneous localization and mapping，SLAM)設計和路徑規劃設計。對比不同的SLAM算法后，采用更高效的FastSLAM算法同時完成定位與地圖構建。路徑規劃分為兩部分，共同完成機器人的系統設計。全局路徑規劃采用蟻群算法，局部路徑算法采用規劃推理和動態窗口算法。

2.1 SLAM設計

SLAM是指機器人從某一位置起，通過機器人自身傳感器感知的數據移動，在移動的過程中隨時檢測所處位置，并構建地圖，以此實現機器人的自主定位與導航[5]。

2.1.1 FastSLAM分析

FastSLAM算法將SLAM分為定位與地圖構建兩部分。FastSLAM的核心是采用粒子濾波器完成定位、擴展卡爾曼濾波(extended Kalman filter，EKF)完成創建地圖的任務。環境特征分別對應單個EKF，是一種由粒子濾波與EKF組成的算法。

FastSLAM假設近似處理后驗概率p(st,m|zt,ut,nt)，st=(s1,s2,…,st)為機器人軌跡。

(9)

分解近似后驗概率,表達形式為確定路徑上的N個路標后驗概率與路徑后驗概率乘積。通過粒子濾波器采樣。每個粒子可以表述為：

(10)

FastSLAM主要由新位姿采樣、估計檢測得到的環境路標、重采樣組成。

①新位姿采樣。

(11)

對第i個粒子的具體處理過程如下。

①預測第1個粒子位姿狀態可表示為:

(12)

②觀測到環境特征路標,假設為mnt。預測的路標信息表示為：

(13)

Gm=

(14)

Gm=

(15)

③更新狀態。將傳感器測量得到的準確觀測值進行狀態更新。假設觀測值為zt，可表示為：

(16)

(17)

(18)

④擴展機器人路徑，并在新的位姿實現采樣。

(19)

(20)

p(mn|st,i,zt,ut,nt)=

(21)

簡化式如下:

p(mt|st-1,i,zt-1,ut-1,nt-1)

(22)

③重采樣。

通過概率測量值求逆得到歸一化值。以第i個粒子為例,可表示為ηi=p(zt|mn,st,i,zt-1,u)。利用g對其線性化多次逼近高斯分布處理,可以有效地解決這個問題[6]。

(23)

式中：zt為高斯分布的均值。

2.1.2 仿真分析

在MATLAB仿真平臺上，對FastSLAM和EKF-SLAM算法進行仿真試驗。試驗模擬移動機器人根據預測的軌跡點逆時針自主運行。圖4、圖5分別為運行EKF-SLAM算法(實線)或運行FastSLAM算法(虛線)的真實路徑與估計路徑對比圖。從結果可以看出，運行優化的FastSLAM算法后，能夠使得機器人運動軌跡更貼近預測路徑。

圖4 EKF-SLAM路徑估計圖Fig.4 Simulation of EKF-SLAM path estimation

圖5 FastSLAM路徑估計圖Fig.5 Simulation of FastSLAM path estimation

圖6、圖7分別為FastSLAM、EKF-SLAM與真實狀態的位姿值對比圖和偏差絕對值對比圖。結果表明，相對于EKF-SLAM算法,FastSLAM算法的狀態值更貼近真實狀態，其偏差絕對值更小[7]。

圖6 位姿值對比圖Fig.6 Simulation of pose value comparison

圖7 偏差絕對值對比圖Fig.7 Simulation of absolute deviations comparison

2.2 路徑規劃設計

2.2.1 理論分析

路徑規劃流程圖如圖8所示。

圖8 路徑規劃流程圖Fig.8 Flowchart of path planning

通過將全局路徑規劃和局部路徑規劃相結合，達到自主導航的目的。全局路徑規劃通過已有地圖和指定位置，完成整體路徑上的規劃。局部路徑規劃主要完成近距離目標和避障路徑的規劃[8]。全局路徑規劃采用了蟻群算法。蟻群算法根據運動路徑上的每個位置點的啟發式距離信息所發生的概率，生成從起始點到目標點的一些可行的運動路徑。每條路徑代表螞蟻的一個移動軌跡。計算這些可行路徑的長度和信息素的相應增量，并使用信息素路徑函數修改路徑上的點，使所規劃的路徑由一些直線段連接。將修改后的路徑與最短路徑的長度進行對比。如果修改后的路徑比修改前短，則修改后的路徑為新的最短路徑。利用啟發式函數信息和基于信息素的軌跡，從起始點到目標點生成一條可行的路徑，則當前的路徑就是機器人的最短路徑[9]。

局部路徑規劃是通過動態窗口接近(dynamic window approaches，DWA)算法實現。DWA算法首先對機器人控制空間(dx,dy,dθ)進行離散采樣，然后進行采樣速度預測，通過合并特征的度量標準進行評測軌跡結果。如果存在障礙物與全局路徑接近，則舍棄該路徑，重新規劃新路徑。找到最佳路徑之后移動平臺發布相關速度[10]。

2.2.2 仿真分析

采用(20×20)m的二維柵格圖作為路徑規劃的仿真環境，左上角為起點，右下角為終點。蟻群算法中的迭代次數K=100,螞蟻個數M=50，信息素重要程度參數α=1，啟發式因子重要程度參數β=7，最大迭代次數NCmax=100，信息素增加強度系數Q=1。機器人運動軌跡如圖9所示，折線代表其規劃的路徑。

圖9 機器人運動軌跡Fig.9 Simulation of robot’s trajectory

圖10為蟻群算法收斂結果。由圖10可知，該算法在開始環節多次迭代后收斂，可防止算法局部最優、提高算法收斂性。

圖10 蟻群算法收斂結果Fig.10 Simulation of convergence results based on ant colony algorithm

3 試驗測試

通過機器人的SLAM與導航避障功能，機器人可以在無人干預的情況下自主完成未知環境的SLAM功能，導航路徑會根據地圖信息的完善而不斷優化。SLAM構建完成后，隨機放置障礙，機器人會重新規劃最優路徑并避開障礙物。試驗分析分兩部分[11-12]。

①模型仿真。仿真部分采用Gazebo軟件同步顯示，如圖11為仿真模型測試圖。采用Gazebo軟件中的Building Editor工具創建了一個類似房間的仿真環境，并在仿真房間內放置仿真機器人。通過程序設置隨機關鍵點后，仿真機器人根據關鍵點導航，構建的SLAM在rviz可視化工具中實時更新。在地圖構建完成后，輸入指定點導航，并在房間內隨機放置障礙。機器人會在檢測到障礙物的同時，重新規劃路線，完成避障任務[11]。

圖11 仿真模型測試圖Fig.11 Robot simulation model test

②實物測試。機器人對所在的房間構建地圖并通過rviz軟件顯示。在菜單欄中點擊“2D Nav Goal”按鈕并隨機選擇一個目標點，機器人就會規劃路徑向指定地點前進。在rviz軟件中，可以通過機器人傳感器數據和顯示機器人所在位置完成對機器人的實時監控[12]。

4 結論

本文提出的URDF仿真模型加運動學模型分析的建模方法，為差分輪式機器人系統設計提供了一種快速、有效的設計方法。試驗結果表明，通過采用優化算法，使差分輪式機器人系統能快速構建SLAM地圖和精準完成路徑規劃，并能通過語音指令控制機器人的運動，使其避開障礙、準確到達指定地點。本文設計的基于ROS的差分輪式機器人系統，為其環境感知與多傳感器信息融合方面的研究提供了可靠平臺，對基于ROS的家庭陪護機器人系統的開發具有借鑒意義。