一種自動規劃路徑AGV機器人的設計

趙連強 柳國良 李鵬遠

關鍵詞：AGV;路徑規劃;建圖;環境

本系統采用樹莓派4B處理器為主控制芯片，利用慣性測量單元（IMU）、輪式編碼器以及激光雷達作為導航數據源，進行了相關的硬件設計。軟件部分基于機器人開源操作系統（Robot Operating System，ROS）平臺，對機器人的環境建模和路徑規劃進行了研究。主要完成基于ROS的移動機器人平臺構建、基于多傳感器信息融合的HectorSLAM環境地圖創建、基于A*算法和行為動力學方法的路徑規劃研究、基于ROS的移動機器人導航實驗等。

一、硬件結構

（一）控制器

機器人控制器采用樹莓派4B，運行Ubuntu Mate或Raspbian系統，安裝ROS機器人操作系統，作為機器人端ROS節點控制器。硬件組成框架圖如下：

樹莓派4B對比3B+升級明顯，主要功能包括高性能Cortex-A72 64位四核處理器，2路micro-HDMI端口支持分辨率高達4K的雙顯示屏，高達4KP60的硬件視頻解碼及4GB的RAM，雙頻2.4/5.0GHz無線局域網，藍牙5.0，千兆以太網，USB3.0和POE功能（通過單獨的POE HAT插件）。

樹莓派主要負責獲取激光雷達、IMU等傳感器數據并發布相應話題來供虛擬機訂閱，并訂閱虛擬機發出的速度信號控制小車移動。

（二）電源供電

該機器人的電源為電池模塊，由兩塊鋰離子電池組成，內置電池保護板。一塊8.4V 2400mAh給樹莓派、激光雷達、IMU、編碼器供電，一塊12V 6000mAh給減速電機供電。

（三）通信鏈路

Ros機器人主機以50ms為周期發布速度、位置等控制信息，樹莓派接收速度控制信號并將采集到減速電機的位置信息發布出去。

（四）電機參數

工作電壓：12V。

額定功率：4W。

額定電流：0.36A。

堵轉電流：3.2A。

減速比：1：30。

減速后空載轉速：366±26RPM。

額定扭矩：1KG·CM。

該電機全金屬減速箱，可靠性更高。

（五）傳感器

激光雷達：激光雷達是以發射激光束來探測目標位置、速度等特征參數的雷達系統。雷達向目標發射激光束，將接收到的目標回波與發射信號進行比較，作適當處理后，可獲得目標的相關參數，如目標方位、距離、高度、速度、姿態以及形狀等，從而對周圍的物體進行識別。

機器人上的激光雷達可以感知環境二維平面的深度信息。程序可以通過環境深度信息來判斷障礙物距離小車的遠近借此來達到避障的目的。Ros中的slam開源包gmapping可以通過獲取激光雷達的數據對周圍環境建立地圖。通過對激光雷達數據的處理，可以實現對機器人的定位、計算機器人所在二維平面的姿態、計算機器人的速度等。

本機器人用的LDSl.5激光雷達是地面移動機器人常用的一種傳感器，其工作原理是用一個高速旋轉的激光測距探頭將周圍360。的障礙物分布狀況測量出來，形成障礙物輪廓的俯視二維點陣輸入ROS系統里。

供電電壓：5V。

測量距離：120～3500mm。

掃描頻率：1.8kHZ。

掃描角度：360°。

分辨率：1°。

陀螺儀和加速度計：IMU MPU6050分別為陀螺儀和加速度計提供了三個16位的ADC，將被檢測的模擬量轉化為可輸出數字量。傳感器的測量范圍是用戶可控的，陀螺儀的可測范圍為±250，±500，±1000，±2000。/秒（dps），加速度計的可測范圍為±2，±4，±8，±16g，可以精確跟蹤快速和慢速的運動。通過對加速度計積分可以計算車速，對角速度積分可以計算小車的歐拉角。角速度積分算出的俯仰角、翻滾角可以通過重力加速度在車模x，y，z軸的分量來輔助校正。IMU在小車上可以比較精確地感知小車當前的狀態。

二、建圖導航算法

（一）ROS的通信機制

ROS系統中的通信方式有三種，分別為話題（msg）、服務（SYV）和動作（action），其中話題屬于基本的發布/訂閱通信方式，適用于單個節點發布消息，一個或多個節點接受消息的情況;服務屬于實時獲取結果的情況，應用于請求/響應式的應用環境，適用于基本功能的調用或者狀態的查看。

ROS是一種分布式軟件框架，節點可以運行在不同的計算平臺上，節點之間以松耦合的方式進行組合，通過Topic、Service進行通信。ROS的分布式十分強大，在不同計算機上運行不同的節點就如同在一臺計算機上運行。

（二）SLAM建圖

SIAM按傳感器分類可以分為兩大類：視覺SLAM和激光SLAM。視覺SLAM對環境有較高要求，需要環境有豐富的紋理，且計算量大。視覺SLAM在重定位和場景區分上有著極大優勢。激光SLAM對環境要求較低，計算量小，且激光雷達本身帶有幾何信息，建立出來的地圖更直觀精確。本次我們采用的是激光SLAM。

Gmapping是應用最為廣泛的2D slam方法，主要是利用RBPF（Rao-Blackwellized Particle Filters）方法，所以需要了解粒子濾波的方法（利用統計特性描述物理表達式下的結果）。Gmapping在RBPF算法上做了提議分布和選擇性重采樣的改進，可以實時構建室內環境地圖，所需計算量較小且精度較高。相比Hector SLAM，其對激光雷達的頻率要求低、魯棒性高（在機器人快速轉向時Hector容易發生錯誤匹配，地圖發生錯位，主要原因是優化算法容易陷入局部最小值）;而相比Cartographer，在小場景地圖構建時，不需要太多粒子且沒有回環檢測，計算量小且精度相差不大。隨著場景的增大所需粒子增加，每個粒子都會攜帶一幅地圖，所需的內存和計算量都會增加，不適合構建大場景地圖。因為沒有回環檢測，回環閉合時可能會造成地圖錯位，雖然增加粒子數目可以使地圖閉合但要以增加計算量和內存為代價。所以Gmapping不能像cartographer那樣構建大的地圖。優點：在長廊及低特征場景中建圖效果好;缺點：依賴里程計（odometry），無法適用不平坦區域;無回環。綜合以上考慮，本機器人采用gmapping算法。

（三）機器人的定位

里程計是機器人定位的重要組成部分。以小車的起始點建立坐標系（odom坐標系），記錄小車移動的里程，可以得到小車在odom坐標系下的坐標，以此來推算出小車的位置。

1.激光里程計（rf20）

編碼器里程計和視覺里程計是自控中應用較多的兩種里程計類型。電機編碼的里程計在低速情況下比較可靠，但不可避免地會出現因為輪子打滑等因素造成的漂移問題;而視覺里程計對于運動估計問題來說是一個比較靈活的解決方案，能適用不同的機器人，缺點在于計算量大，占用較大資源空間，對傳感器要求較高。激光里程計吸收了上述兩種方法的優點，能快速而精確地從連續范圍掃描中估計激光雷達的平面運動，且運算成本低。表現取決于激光的分辨率和環境因素，轉換評估準確。

rf20是一種快速而精確的方法，用于從連續范圍掃描中估計激光雷達的平面運動。對于每個掃描點，根據傳感器速度制定范圍流約束方程，并最小化所得幾何約束的魯棒函數以獲得運動估計。與傳統方法相反，該方法不搜索對應關系，而是以密集測距法的方式基于掃描梯度執行密集掃描對準。最小化問題以粗到精的方案解決以應對大位移。

實際測試中，激光里程計在小車做直線運動時比較準確，但是在遇到長直道，激光雷達采集不到任何特征點的時候無法準確地測量小車移動。由于激光雷達本身是在旋轉的，所以當小車在做快速旋轉運動的時候激光里程計測量出來的旋轉數據也有較大的誤差。

當小車做在做直線運動的時候，激光里程計是比較準確的，但是當小車在做旋轉運動的時候，由于激光雷達自身的旋轉，會導致激光里程計的旋轉不準確。所以使用ekf功能包來將激光里程計的數據與IMU的數據融合出一個較為準確的數據。

這個包用于評估機器人的3D位姿，使用了來自不同源的位姿測量信息，它使用帶有6D（3D position and 3Dori-entation）模型信息的擴展卡爾曼濾波器來整合來自輪子里程計，IMU傳感器和視覺里程計的數據信息。基本思路就是用松耦合方式融合不同傳感器信息實現位姿估計。

實際測試中，在小車低速運行時可以比較準確地得到小車的位姿態，但是由于IMU計算出來的速度受車模加速度的影響，在車模做頻繁的加減速運動時，融合后的里程計消息還是有一定程度的漂移。

2.編碼里程計

為了精確地控制車模的速度，我們根據采集到的編碼器數據測量車子的速度，并且對這個速度積分可以得出車模運行的里程。在通過IMU傳感器便可以計算出車模的里程。在實際應用中更多的還是通過輪式里程計來進行測量小車的位移。我們經過測試，這樣計算出來的里程計信息有著較高的精度，使得車模在運行時的定位精度有著很大的提升。

通過對里程計信息的推算可以得出小車在地圖上的位置，但是里程計定位會帶來很多誤差。amcl是根據已知地圖配合激光雷達的數據進行定位，不存在誤差累計的問題，所以我們在里程計定位的基礎上引入了amcl功能包來進行機器人在地圖上的輔助定位，可以消除里程計在運動過程中的累計誤差。

三、路徑規劃

機器人在得到目標點后，同樣會以傳感器作為眼睛，來獲取道路信息，并思考分析如何行走才不會與其他物體相撞，并用較少的時間正確到達目的地。這就稱之為路徑規劃。路徑規劃主要涉及了三大問題：明確起點與終點，規避障礙物，盡可能做到路徑優化。而我們根據對環境信息掌握的程度的不同，將機器人的路徑分為了兩個部分：全局路徑規劃與局部路徑規劃。

（一）全局路徑規劃

global_planner與navfn;兩種全局路徑規劃都擁有自己的插件，在move_base調用時只需要將插件名字以參數的形式傳人便可以直接調用。全局路徑規劃的算法主要包括A*與Dijkstra算法。

Dijkstra算法是典型的最短路徑算法，用于計算一個節點到其他所有節點問的最短路徑。其特點是以起始點為中心向外層層擴展，直到終點為止。

A*算法是Dijkstra算法的升級版。f（n）=g（n）+h（n），其中估價值h（n）的選取是保證找到最優解的條件。估價值≤實際值的情況，搜索的點數多，范圍大，效率低，但能得到最優解。估價值>實際值的情況，搜索的點數少，范圍小，效率高，但不能保證得到最優解。估價值與實際值越接近，估價函數取得就越好。

（二）局部路徑規劃

機器人在獲得目的地信息后，先經過“全局路徑規劃”規劃出一條大致可行的路線;再調用局部路徑規劃器，根據costmap的信息及路線規劃出在局部時做出的具體行動策略。

DWA（Dynamic Window Approach）算法：其原理是在速度空間（v，w）中采樣多組速度，并模擬出這些速度在一定時間內的運動軌跡，再通過評價函數對這些軌跡打分，選擇出最優的速度發送給下位機。ROS中主要使用了DWA算法。每當move_base處于規劃狀態時，就調用DWA算法，選擇出最優的速度指令，發送給機器人底盤執行。

四、結論

本文研究了基于ROS平臺上的室內環境下的一種自動規劃路徑的AGV倉儲運輸小車的設計。通過對算法的改進，能夠滿足一般環境下的運輸要求。