基于ROS的室內移動抓取機器人研究與實現(xiàn)

閆 赟

（西南交通大學計算機與人工智能學院，成都 611756）

0 引言

移動抓取機器人的任務是利用相關的傳感設備完成對周圍未知環(huán)境的感知和目標位姿的估計，并搭載自主移動平臺和機械臂完成對目標的抓取。隨著科技的發(fā)展與人們生活水平的提高，移動抓取機器人在生活中扮演著越來越重要的角色，在醫(yī)療、工業(yè)、物流、服務等行業(yè)均得到廣泛的應用。此外，工業(yè)和信息化部近日印發(fā)的《“十四五”機器人產(chǎn)業(yè)發(fā)展規(guī)劃》指出，要推進人工智能、5G、大數(shù)據(jù)、云計算等新技術與機器人技術的融合應用，推進機器人應用場景開發(fā)和產(chǎn)品示范推廣。因此，開展室內移動抓取機器人應用的研究與實現(xiàn)對機器人產(chǎn)業(yè)發(fā)展具有一定的積極作用與現(xiàn)實意義。

在目標位姿估計方面，深度學習的蓬勃發(fā)展為其注入了一股新的能量。隨著在實例級物體上的6D 位姿估計趨于成熟，在類別級物體上基于深度學習的6D 位姿估計方法大量涌現(xiàn)。例如，以SSD-6D為代表的基于對應點的方法，以EfficientPose為代表的基于模板的方法，以PVNet為代表的基于投票的方法等，相較于傳統(tǒng)方法都展現(xiàn)了較大的性能提升。

本文對移動抓取機器人中涉及的關鍵技術進行研究，如建圖與導航算法，基于深度學習的目標位姿估計算法等，并在真實機器人上進行實驗，實現(xiàn)了一個室內移動抓取機器人系統(tǒng)原型。

1 建圖與導航

1.1 地圖構建

當機器人處于未知環(huán)境下時，首先需要借助傳感器數(shù)據(jù)完成本體位置的定位并構建環(huán)境地圖。在室內環(huán)境下，激光SLAM 由于簡單易用、可靠性高、精度高等特點而得到廣泛使用。本文使用Gmapping 算法完成地圖的構建，該算法訂閱機器人關節(jié)變換話題和激光雷達掃描數(shù)據(jù)話題，使用RBPF粒子濾波算法完成二維柵格地圖的構建并進行話題的發(fā)布。在室內環(huán)境下構建的地圖如圖1所示。

圖1 機器人在室內環(huán)境下構建的地圖

1.2 自主導航

機器人在自主導航的過程中面臨的最主要問題就是定位和路徑規(guī)劃。針對這兩個問題，在地圖構建完成之后，本文基于move_base 算法完成機器人在起止點之間的路徑規(guī)劃工作，基于amcl 完成機器人在地圖中的定位功能，框架圖如圖2所示。其中，全局規(guī)劃器負責在起止點之間根據(jù)最短路徑算法計算出一條全局最優(yōu)路徑，局部規(guī)劃器負責在機器人移動過程中自主修正路徑，以避免與隨機出現(xiàn)的障礙物發(fā)生碰撞。自主導航框架輸出Twist 格式的線速度角速度控制指令，控制機器人向目標點進行移動。

圖2 自主導航框架圖［4］

2 目標位姿估計

物體在空間中具有6個自由度，即沿三個直角坐標軸方向的平移自由度和繞三個直角坐標軸的旋轉自由度。因此，要確定目標在空間中的位姿，就必須對目標的6 個自由度進行計算。本文使用DOPE算法對目標位姿進行估計，通過尋找2D 投影坐標點與3D 邊界框之間的對應關系，在已知攝像機內參的前提下，使用PnP算法計算目標在攝像機下的位姿信息。

2.1 2D投影坐標點求解

輸入高度為、寬度為、通道數(shù)為的原始圖片，利用VGG19 的前10 層網(wǎng)絡將通道數(shù)擴展到512 維，然后使用3 × 3 的卷積核將通道數(shù)壓縮到128 維，并將其輸入到多階段處理器中。在多階段處理部分，每個階段以主干網(wǎng)絡提取的特征圖和上一階段的輸出作為輸入，以充分利用上一階段中豐富的上下文信息，通過全卷積網(wǎng)絡結構將特征圖從多維壓縮到一維，輸出目標3D 邊界框的2D 投影坐標點。其可視化結果如圖3所示。

圖3 目標3D邊界框的2D投影坐標點

2.2 目標位姿求解與發(fā)布

在使用PnP 算法計算目標在攝像機下的位姿信息前，需要先獲取攝像機的內參信息。本文使用張正友標定法對攝像機的參數(shù)進行標定，該方法因標定精度高、易操作等特點而被廣泛使用。通過該方法標定得到的攝像機內參矩陣如下：

在已知攝像機內參矩陣、目標三維邊界框大小的前提下，便可以基于PnP 算法由上一小節(jié)得到的2D 投影坐標點求解得到目標相對于攝像機坐標系的平移矩陣和旋轉矩陣。此外，由于本文需要控制機械臂對目標執(zhí)行抓取動作，因此需要創(chuàng)建一個ROS 節(jié)點，訂閱目標的位姿信息，并發(fā)布目標到機械臂末端的坐標變換關系。其可視化結果如圖4所示。

圖4 目標位姿及其坐標變換關系

3 實驗結果與分析

3.1 實驗環(huán)境

為了驗證以上算法在實際應用中的可行性，本文將其在真實機器人上進行了部署，并在室內環(huán)境下進行了測試。其中，實驗軟硬件環(huán)境見表1。

表1 實驗軟硬件環(huán)境

真實機器人系統(tǒng)硬件結構如圖5所示。

圖5 真實機器人系統(tǒng)硬件結構

3.2 實驗結果

在實驗中，本文首先控制機器人對室內環(huán)境進行建圖。地圖構建完成之后，將機器人引導至起始點，并向其發(fā)布終點位置信息。此時，自主導航算法將在起始點與終點之間自動構建出一條最優(yōu)路徑，并發(fā)布速度控制指令控制機器人運動。如圖6所示。

圖6 自主導航算法最優(yōu)路徑規(guī)劃

機器人抵達終點之后，發(fā)布“Goal reached”文本信息。然后，機械臂運動規(guī)劃器引導機械臂到達抓取姿態(tài)，攝像頭掃描當前視角下有無目標物體。若發(fā)現(xiàn)目標物體，位姿估計算法對其位姿進行估計，并啟動節(jié)點發(fā)布目標物體到機械臂末端的坐標變換關系，機械臂運動規(guī)劃器根據(jù)期望位姿求解機械臂各個關節(jié)的轉角，引導機械臂到達期望位姿，對目標物體執(zhí)行抓取動作，并將其放置于期望位置。整個抓取過程如圖7所示。

圖7 機械臂抓取過程

實驗結果表明，以上算法在真實機器人上有比較好的應用效果，具有較高的建圖與導航精度，并能較為精準地抓取到目標物體。

4 結語

本文對室內移動抓取機器人實現(xiàn)過程中涉及到的建圖與導航算法、目標位姿估計算法進行了研究，并基于ROS 在真實機器人上進行了實驗，取得了比較好的應用效果，驗證了這些算法在實際應用中的可行性。隨著機器人智能化水平的不斷提高，機器人的應用領域也更加廣泛，本文為機器人在移動抓取方面的應用實現(xiàn)提供了一個系統(tǒng)原型，具有一定的現(xiàn)實意義和實際應用價值。