共享電單車的自動駕駛技術研究*

黃千駿,郭的健,孟宇博,樊子堯,覃玉梅,孫豪陽,蔣秋娥,蔡 衍

(1.東北大學 機械工程與自動化學院,遼寧 沈陽 110819;2.東北大學 軟件學院,遼寧 沈陽 110819;3.東北大學 信息科學與工程學院 遼寧 沈陽 110819;4.兵器627廠 技術中心,湖南 湘潭 411111)

自動駕駛是指通過賦予車輛裝備智能軟件和各種感應設備以實現車輛的自主駕駛,進而達到安全高效地到達目的地,避免交通事故的目標。自動駕駛的實現可以極大地減輕人們的駕駛壓力,提高交通安全性。近年來,共享經濟的發展模式受到了整個社會的廣泛關注,作為共享領域的熱門主題,共享單車也得到了快速發展。共享單車屬于典型的“互聯網+”式創新,有效地解決了人們出行“最后一公里”的難題。但其在給人們帶來便利的同時,也帶來了違規停放、管理混亂等問題[1]。

目前已有對于無人電單車在零速條件下自平衡的控制算法[2-3]、雙驅無人電單車樣機設計[4-5]等多項研究,電單車作為欠驅動系統要實現自動駕駛,自平衡是一大重點,雙驅無人電單車采用的是添加配重結構調整重心以維持自平衡,但該結構質量大、占用體積多,導致無法實現載人。鑒于載人情況會對電單車結構、控制算法、安全性能等方面提出更高要求,需整合改進上述研究成果,嘗試利用現有技術面向共享電單車進行轉移應用研究。

本文將自動駕駛技術應用于共享電單車。相較于汽車,自動駕駛共享電單車具有占用道路資源少、對環境友好、無操作門檻等優勢,同時為道路擁堵、尾氣污染及違規停放等問題提供很好的解決方案,能在城市短距離出行中成為替代汽車的更優解。

下述將圍繞電單車本體改造、傳感與通信、電機驅動與控制、定位與建圖、導航與避障5部分分別進行研究。

1 研究工作

1.1 電單車本體改造

對電單車的本體改造主要在普通電單車基礎上安裝舵機和動量輪,在車框中放置防水密封箱以保護上位機、下位機和電機驅動板,并裝配相關傳感器,進而達到自動駕駛的目的。舵機和動量輪選型方案研究如下。

1.1.1 舵機選型

為精準控制無人電單車轉向,研究采用舵機與車叉通過焊接舵盤鏈接的技術方案(見圖1)。無人電單車轉向時,受到作用于輪胎的地面摩擦力的影響,且車叉傾角會導致共享電單車重心高度變化。因此,舵機的輸出功率主要用來克服地面摩擦力和整車的重力矩。通過兩方面的受力分析,計算轉向所需的力矩。

圖1 舵機安裝示意圖

地面與橡膠的摩擦因數約為0.3。設定整車最大質量為100 kg,轉向時前輪受地面的阻力f約為147 N。輪胎與地面不是理想中的點接觸,因此本研究假設接觸面是一個半徑r為0.01 m的小圓,圓心與輪心在同一豎直面內,接觸面內摩擦力均勻分布,車叉傾角δ為17°,舵機所需克服的摩擦阻力矩為

(1)

無人電單車處于傾斜狀態時,轉向引起車子重心的改變。假定某時車體傾斜角為φb,當車叉轉動角度φ時,單車重心高度變化為

(2)

式中,l為兩輪基距,l=1.020 m;l1為車體質心與車輪觸地點的距離,l1=0.283 m;R為車輪半徑,R=0.183 m。

對式2車叉角度求導,得到轉動單位角度車叉所引起的車體重心高度變化為

(3)

當無人電單車的車體傾斜角度最大時,所需克服的重力矩最大。假設車體傾斜角φa為10車,無人電動車為克服重力所需的轉向力矩為

(4)

綜上,估計舵機的負載轉矩高達

M=Mf+MG=3.353 (N·m)

(5)

未載人時,整車質量m=40 kg,估計舵機的負載轉矩可達M=Mf+MG=1.341(N·m)。考慮未載人時的情況,選用型號SM100、額定扭矩為4 N·m(此時安全系數為3)的舵機,保障了電機的響應速度。

1.1.2 動量輪電機選型

無人電單車的運動平面為水平面,定義地面坐標系為e0,定義車體與地面垂直時的x0軸沿著兩車輪基線的方向,無人電單車的前進方向為正方向,垂直于無人電單車平面的坐標軸為y0軸,豎直向下的坐標軸為z0軸,后輪與地面的接觸點為坐標原點e0,車體傾斜角為φ。車體最大傾斜角φm=10°,l1=0.283 m為車體質心與車輪觸地點的距離,m=40 kg為無人時電單車及各種附加件的質量,J0=ml12,M為動量輪產生的力偶矩。以無人電單車前進相反方向建立圖2所示的簡化模型。

圖2 簡化倒立擺模型

無人電單車相對于O點的和力矩為:

∑MO=mgl1sinφ-M

(6)

由動量矩定理可得

(7)

欲使無人電單車恢復平衡狀態,則

M>mgl1sinφ=40×9.8×0.283×sin10°=19.264 (N·m)

(8)

同時參照電機功率最終選定額定功率為100 W、電壓為24 V、額定轉矩為0.32 N·m、型號為57BL75S10-230TF9的無刷直流電機,為達到預定要求,電機選配減速比為8的一級減速器。

將電單車拆分成車叉、前輪、后輪、車架4部分,分別進行測繪,使用懸掛法找出各部分重心,并記錄實驗數據(見表1)。

表1 被試電單車的測繪數據

最終完成舵機、電機、動量輪的選型與裝配,以及TX2、驅動板等模塊的集成。

1.2 傳感與通信

1.2.1 傳感器的優選

按傳感器來分,現在主流的SLAM(Simultaneous Localization and Mapping)方案包括激光SLAM和視覺SLAM兩大類。在視覺SLAM方案中又可以根據定位與建模的需求選擇使用單目相機、紅外相機、TOF相機和雙目相機等。激光SLAM在建模方面雖然具有較高的精度,但其成本是視覺SLAM方案的十多倍,甚至達上百倍。在眾多相機方案中,單目相機無法獲得確切的深度信息,紅外相機和TOF相機在室外強光的環境下建模效果不理想。綜合考慮系統定位和建模的精度、室外運動的場景和項目的成本,本研究采用雙目相機的建模方案并確定使用ZED雙目相機作為本研究的圖像傳感器。

為了提高定位與建模的質量,本研究在建模的過程中需要融合IMU獲取的自身運動數據。本研究選擇了高精度超小型姿態傳感器LPMS-UES2,它能夠高度滿足在電單車位姿信息測量應用上的高精度計算要求。

除此之外,為了滿足系統的計算需求,本研究選擇具有出色的計算能力、準確性以及低能耗的NVIDIA Jetson TX2模組。為了獲取高效的響應和控制,本研究選擇具有高性能、低功耗的STM32系列的嵌入式單片機。

1.2.2 IMU、ZED雙目相機與Jetson TX2的通信

慣性測量單元(Inertial Measurement Unit, IMU)與Jetson TX2的通信,通過USB3.0接口將IMU與Jetson TX2連接,使得在Jetson TX2可以訪問IMU的狀態和數據。研究是在Ubuntu16.04、ROS-kinetic環境下連接型號LMPS-URS2的IMU。首先需要配置連接的環境,在Jetson TX2的Ubuntu系統中安裝必要庫——LpSensor庫,下載編譯LMPS-URS2的ROS驅動tymesync和lpms_imu。然后使用相關命令連接,啟動IMU和ROS并查看IMU狀態。

ZED雙目相機與Jetson TX2的通信,是將ZED雙目相機通過USB3.0接口與Jetson TX2上位機連接,使得在Jetson TX2上位機系統上可以查看相機拍攝圖像、深度信息等。對Jetson TX2完成JetPack包的下載和安裝后,在Ubuntu系統中下載并安裝對應的ZED SDK和ZED_ROS包,然后可使用命令啟動相機,查看不同的攝像頭畫面、深度圖像等。

1.2.3 IMU標定

IMU標定的目的是校準高斯白噪聲和隨機游走誤差。首先需要在系統中安裝ceres-solver庫以及安裝工具包code_utils和imu_utils;然后將IMU與TX2連接并錄制數據集,錄制過程中保持IMU靜止2 h;最后配置launch文件,以200倍速播放數據集進行標定,得到標定結果。

1.2.4 雙目相機標定

相機標定是基于相機成像原理,確定相機模型的內部參數和外部參數。本項目使用張正友黑白棋盤標定思想對ZED雙目相機進行標定。張正友相機標定法只需要攝像機從不同角度對黑白棋盤格標定板進行拍攝,提取圖片中角點像素坐標,建立空間點與像素點之間的對應關系,來對相機進行標定獲得相機的內外參數[6]。

首先在系統中安裝kalibr標定工具,生成并打印黑白棋盤標定。然后進行數據采集,使用相機從多角度對標定板進行拍攝,保證相機位姿足夠充分。為了保證后續標定過程的計算速度,將相機在ROS環境下的消息發布幀率設置為4 Hz。數據錄制完成后將錄制文件打包為.bag格式的文件,并采用kalibr工具對數據進行處理獲得標定結果。

1.2.5 IMU-雙目相機聯合標定

IMU與相機的融合,能夠彌補視覺SLAM位姿估計的輸出頻率低的不足,從而使整個SLAM系統具有更好的精度和魯棒性。聯合標定的主要目的是獲取IMU與雙目相機之間測量位姿數據的轉換矩陣。轉換矩陣對視覺慣性融合的SLAM技術來說極為重要,如果精度較低將會導致系統不穩定。

進行聯合標定時,需要將IMU與ZED雙目相機固定在一起,從多角度對標定板進行拍攝。錄制時需要充分激勵IMU的各個軸,繞3個軸旋轉和3個方向的平移。使用kalibr中的kalibr_calibrate_imu_camera方法對數據集進行處理標定,最終的標定結果中會給出相機和IMU之間的轉換矩陣。

1.3 電機驅動與控制

1.3.1 FOC控制原理

FOC(Field Oriented Control)為磁場導向控制,通過精確的控制磁場的大小與方向,使得電機的運動具有高速的動態響應及穩定的穩態性能[7]。本研究在車身控制系統方面以FOC技術為基礎,實現車身姿態、速度和方向的高效、精確控制。其原理圖如圖3所示。

首先,對電機的三相電流Ia、Ib、Ic進行采集,對其進行Clark變化,得到兩相相位相差90°的電流Iα、Iβ。Clack變化規律為

(9)

然后經過Park變換將在靜止坐標系下的交流電流Iα、Iβ轉換為兩個互相垂直、方向隨著磁場變換的直流電流Iq、Id。Park變換規律為

(10)

在矢量控制中,Id代表了轉子旋轉徑向力矩的輸出,Iq代表了轉子切向力矩的輸出,在理想的FOC控制算法中,Id應該等于0。將Iq、Id與期望電流值進行比較獲得的誤差值經過PI控制器后得到直流電壓信號Uq和Ud。再經過Park反變換將Uq和Ud分解至精致坐標系下的Uα和Uβ,最后將Uα和Uβ作為SVPWM模塊的輸入信號,獲得作用于三相逆變電路的PWM信號,最終產生三相電流作為輸入信號輸入至電機。

1.3.2 電機控制實現

在自動駕駛過程中,電單車需要根據環境信息以及車身情況及時對車身運動狀態進行調整,在本研究中電單車的驅動與控制研究集中于電單車車身平衡與方向控制上。本研究使用STM32F407單片機作為核心控制芯片,使用無刷直流電機驅動慣量盤的方式來控制車身的自平衡,使用舵機來控制電單車的運動方向。在控制策略方面,采用以FOC為基礎的控制方法。通過使用FOC算法對無刷直流電機的速度進行控制,輸入為階躍信號時,得到無刷直流電機的實際速度響應曲線如圖4所示。

圖4 電機實際轉速跟蹤曲線

1.4 定位與建圖

SLAM的主要任務是使電單車自動駕駛的過程中,能夠在沒有環境先驗信息的情況下,利用攜帶的傳感器于運動過程中建立環境的模型,同時估計自身的運動[8]。從功能原理上可以將SLAM分為傳感器信息讀取、視覺里程計、后端優化、回環檢測和地圖構建5部分[9](見圖5)。

1)傳感器信息讀取主要是相機圖像信息的讀取和預處理,并將圖像信息與其他傳感器信息進行同步。

2)視覺里程計根據傳感器獲得的數據估計當前時刻單車的運動并恢復當前時刻場景的空間結構。將相鄰時刻的運動銜接起來構成機器人的運動軌跡,從而解決定位問題;將每個時刻計算出來像素對應空間點的位置拼接起來構建地圖。在視覺里程計中,使用ORB算法提取出圖像中的特征點,并匹配雙目相機左右相機之間、相鄰幀之間的特征點(見圖6),根據特征點之間的匹配關系可以計算出特征點相對于相機的位置關系,通過位置關系的變化可以計算獲得單車的運動(見圖7)。

圖6 圖像間特征點匹配

圖7 基于雙目相機的圖像深度解算

在圖7中,通過三角形相似可以獲得:

(11)

對式11進行處理獲得:

(12)

式中,z為像素深度信息;f為相機焦距;uL和uR為成像平面坐標;b為雙目相機基線長度(即雙目相機中左右攝像頭的距離)。

3)后端優化主要處理SLAM過程中的噪聲問題,減少噪聲對單車自身軌跡和地圖的影響,提高數據準確性。

4)回環檢測解決位置估計隨時間漂移問題,讓單車具有識別到過場景的能力,顯著減少累積誤差,得到全局一致的軌跡和地圖。

本研究采用雙目視覺和慣性導航融合的SLAM方案,結合最新的ORB-SLAM3算法,使得定位與建圖系統無論是在室內還是室外,寬闊場景還是狹窄場景下都能魯棒實時地運行。

采用EuRoC數據集來測試算法程序,圖8所示為雙目視覺和慣性導航的ORB-SLAM3算法運行效果,并將輸出的相機運動軌跡可視化顯示出來。

a)ORB-SLAM3算法運行效果

1.5 導航與避障

導航與避障分別屬于全局路徑規劃與局部路徑規劃。為實現電單車導航與避障功能,本研究主要使用ROS中的Navigation Stack功能包(見圖9)。move_base節點作為其核心,主要能實現以下3個功能:全局路徑規劃(靜態)、局部路徑規劃(動態)、處理異常行為。

圖9 Navigation Stack功能結構

1.5.1 代價地圖

要實現路徑規劃,獲取代價地圖是必要的條件。代價地圖可看作一種構型空間:把障礙物進行膨脹,以忽略障礙物的棱角,把移動機器人看成一個質點,然后把障礙物和機器人放入柵格地圖中,就形成了構型空間(Configuration Space)。

由圖9可知,move_base節點中使用了兩種代價地圖:local_costmap用于局部路徑規劃,globle_costmap用于全局路徑規劃。兩種代價地圖都由以下4種圖層構成,欲構建代價地圖需完成各圖層配置。

1)Static Map Layer(靜態地圖層):基本上不變的地圖層,通常都是SLAM建立完成的靜態地圖。

2)Obstacle Map Layer(障礙地圖層):用于動態地記錄傳感器感知到的障礙物信息。

3)Inflation Layer(膨脹層):在以上兩層地圖上進行膨脹(向外擴張),以避免機器人撞上障礙物。

4)Other Layers:還可通過插件的形式自主設計costmap,目前已有Social Costmap Layer、Range Sensor Layer等開源插件[10]。

現可將已有離線地圖經過圖像處理轉化為灰度圖像,并配置相關yaml文件參數,通過map_server節點作為先驗代價地圖發布給move_base節點,之后再通過SLAM方案基于先驗代價地圖進行更新與維護,以完成Static Map Layer的構建,并基于傳感器信息流,配置相關參數完成Obstacle Map Layer和Inflation Layer的構建。

1.5.2 導航與避障

全局路徑規劃算法主要使用A*算法,局部路徑規劃主要使用DWA(Dynamic Window Approach)算法。現使用ROS提供的turtlrbot3功能包完成在gazebo搭建的實物仿真環境下,使用SLAM建圖獲取代價地圖,以此使用對應算法完成全局路徑規劃。

1)基于gazebo完成實物仿真環境搭建。

2)通過鍵盤對機器人進行位置移動控制,使其在仿真物理環境中基于SLAM方案逐步完善構建代價地圖。

3)通過在Rviz可視化工具中比對機器人在實物環境中位置,設置機器人初始化位姿,并給定終點位置與姿態,就可以獲取一條最優路徑并實現實時避障功能。

2 總結與展望

本研究針對面向自動駕駛的共享電單車進行了硬件改造;完成了上位機Jetson TX2的環境配置與JetPack包的下載和安裝,以及ZED雙目相機和IMU的聯接與標定;以STM32F407作為下位機核心板,編寫了FOC控制算法,采用RS-485進行了通信實驗,實現了電機轉速控制;利用相機與IMU數據進行了點云地圖構建與路徑規劃。

目前已完成共享電單車自動駕駛的整體軟硬件框架搭建及初步實現,后續會將ADRC控制器引入FOC控制方案,以獲得更加穩定、魯棒的控制效果;基于雙目視覺和慣性導航的ORB-SLAM3完成稠密地圖構建,融合YOLO算法,以實現環境信息的有效識別;基于實車測繪數據及其運行效果對代價地圖各層參數進行配置,優化路徑規劃算法,以提高其安全性,獲得更優的路徑規劃效果。

本文的研究工作為共享電單車的自動駕駛確立了思路框架與技術基礎,對于自動駕駛共享電單車的工業實現和推廣應用具有借鑒意義。