基于激光雷達局部地圖構建的機器人避障路徑規劃

郝世宇,王 昆

(1. 山西工程職業學院 機械工程系, 山西 太原 030009)

(2. 山西大學 物理電子工程學院, 山西 太原 030006)

0 引 言

激光雷達是一種感知環境的傳感器,它發射的激光波長比可見光和紅外線更短,具有高能量和抗干擾能力強的特點,因此在環境目標的感知和識別中應用廣泛。激光雷達還具有高分辨率、體積小等優勢,在機器人行走過程避障路徑規劃的新領域受到了廣泛關注。

為了提高機器人的性能,優化機器人導航、控制和避障能力,研究人員致力于機器人避障路徑規劃的研究。文獻[1]通過分析機器人運動學規律獲取機器人運動相關的節點信息,并建立基于全局路徑節點信息的多種柵格全局地圖。該地圖內的路徑軌跡平滑度較高,能夠及時確定局部目標區域,有利于提升機器人避障檢測效率。在該地圖中,引入避障控制策略可實現機器人避障路徑規劃。然而,在復雜的避障環境下,全局地圖的規劃效果較差。文獻[2]通過增加自我定位模式改善了機器人的運動系統結構。機器人自我定位模式可基于所處環境建立尋徑運動模型,并在虛擬算法的協助下求解該模型,以實現機器人避障路徑規劃。然而,該方法的全局地圖對機器人避障路徑規劃效果較差。文獻[3]通過虛擬機器人收集了大量不確定任務情況下的隨機運動軌跡,并將軌跡輸入以懲罰避障函數為基礎構建的快速軌跡規劃模型中。根據模型輸出的運動軌跡觀測值,構建全局地圖,實現機器人避障路徑的規劃。但是,該方法在普通避障環境和復雜避障環境下,都存在機器人避障路徑規劃效果較差的問題。

為了解決上述方法中存在的問題,提出基于激光雷達局部地圖的機器人避障路徑規劃的方法。

1 構建全局與局部地圖

地圖構建是機器人避障方法設計的基礎。為了進一步增強機器人避障問題的完整性,本文將地圖構建分為全局和局部兩個層次。全局地圖利用深度信息采集設備獲取數據,為機器人提供整體視角的環境信息。然而,在機器人避障過程中需要更為詳細的數據,因此引入激光雷達技術,結合激光聚合和分割方法,構建任意線段與端點之間的區域,并基于全局地圖構建具有更多細節信息的局部地圖。通過這種方式,可以為機器人提供更加準確和完整的環境地圖,從而更好地解決機器人避障問題。

1.1 全局地圖的構建

(1)Kinect傳感器采集機器人環境深度信息

Kinect是微軟公司開發的一款外設傳感器,其核心設備由彩色攝像機、紅外線發射器和紅外線互補金屬氧化物半導體(CMOS)攝像機組成。其能夠快速地同時獲取場景彩色圖像和深度信息,且不受環境可見光譜干擾,成本低。利用機器人內設Kinect傳感器[4]采集所處環境的深度信息,并建立基于所處環境的全局地圖,是實現機器人避障路徑規劃的第一步。Kinect傳感器是由可見光傳感器和深度傳感器共同組成的深度信息采集設備,其針對所處環境深度信息的采集主要分為兩部分,一是利用可見光傳感器采集所處環境的彩色圖像數據,二是利用深度傳感器采集所處環境的紅外光斑數據。

(2)深度信息轉化為3D信息

Kinect傳感器不僅負責采集機器人所處環境的深度信息,還能將采集到的深度信息傳送至機器人操作系統(ROS)[5]。ROS具備視圖化技術,能夠將采集到的深度信息轉化成3D視圖,構建屬于機器人當下場景的全局地圖。Kinect傳感器傳送深度信息的過程借助了有效信息融合原理,因為ROS僅接收3D信息,所以在深度信息傳送前需要根據有效信息融合原理將深度信息有效融合成3D信息。有效信息融合原理的表達式為

(1)

式中:L表示有效融合常數;I表示參與傳送的深度信息量;ω表示深度信息的權重;z表示3D信息轉化系數。

ROS接收來自Kinect傳感器的3D信息,視圖化技術利用結合了2D 同步定位與地圖構建方法和慣性傳感系統導航(Hectot SLAM)算法讀取3D信息基于三維空間的實際場景數據,并將數據映射至X軸、Y軸和Z軸,使每個數據都具備幾何效應。滿足幾何效應的實際場景數據不僅描繪了機器人所處環境的周圍情況,還記錄了形狀大小各異的障礙物位置信息,為后續機器人避障路徑的規劃提供有力的保證。Hectot SLAM算法的表達式為

(2)

式中:N表示Hectot SLAM常數;δ表示實際場景數據的讀取率;d表示實際場景數據的讀取誤差。

視圖化技術在獲取滿足幾何效應的實際場景數據后,會主動向ROS傳遞指令。指令通信是ROS特有的任務呈遞流程,ROS會在接收到指令的第一時間開啟三維模擬器,將實際場景數據引流過來,用以搭建機器人所處環境的相關地圖。三維模擬器首先利用Gmapping算法獲取基于實際場景數據的建模匹配點,再利用激光掃描儀在建模匹配點的基礎上重塑環境信息,最終實現機器人所處環境全局地圖的構建。全局地圖定位點的計算方法為

(3)

式中:λ表示Gmapping常數;xl表示建模匹配點獲取系數;xm表示建模匹配點獲取誤差。

三維模擬器搭建的全局地圖如圖1所示。

圖1 三維模擬器搭建的全局地圖

1.2 基于激光雷達的局部地圖構建

激光雷達作為機器人導航定位和路徑規劃中的常見技術[6],往往能通過激光聚合和分割的方法,在短時間內獲取任意線段與端點之間的區域,并在全局地圖的基礎上,構造出信息儲存量充足且逼真度較高的局部地圖。構建局部地圖的目的是為了細化機器人所處環境,提升避障路徑規劃的可行性。激光雷達構建局部地圖主要分為三個步驟,即坐標轉換、線段分割、構建局部地圖。

(1)坐標轉換

激光雷達同時掃描機器人所處環境和全局地圖的數據點,通過對比兩處數據點分布情況,識別全局地圖的缺損數據。全部數據點均以激光雷達中心發射點為坐標原點,這樣獲取的每個數據點坐標清晰,減少了地圖創建誤差的可能性。為了將數據點連接成能夠分割的線段結構,需要利用笛卡爾公式將全部數據點坐標轉化為笛卡爾系下的全局坐標。笛卡爾公式的表達式為

G=cos(t·2π·xi/360)cosβ

(4)

式中:t表示笛卡爾常數;xi表示原始數據點坐標權重;β表示數據點坐標轉化誤差。

(2)線段分割

經過笛卡爾公式轉化的數據點坐標能夠在線性函數的作用下,將鄰近坐標聚攏在一起,共同連接成一條描述機器人所處環境線性區域的矢量線。線性函數的表達式為

(5)

式中:N表示線性常數;yn表示鄰近坐標聚攏系數;m表示矢量線連接誤差;θ表示單位數據點的坐標權重。多條矢量線將機器人所處環境分割成了多個線性區域,從二維視角觀察機器人所處環境的線性區域,其示意圖如圖2所示。

圖2 機器人所處環境的線性區域

(3)局部地圖的構建

如圖2所示,經過線段分割的機器人所處環境從原始的大面積區域轉化成了由矢量線分割的小面積線性區域。以線性區域為單位,利用動態閾值方法構建機器人所處環境的局部地圖?？v軸坐標計算點表達式為

(6)

式中:εi表示動態閾值常數;y0表示局部地圖構建參數;yi+1表示局部地圖構建誤差。

利用協方差函數將Kinect傳感器建立的全局地圖和激光雷達建立的局部地圖重疊在一起,使根據機器人所處環境所建立的虛擬地圖得到全面細化。局部地圖的橫坐標為

(7)

胃腸道間質瘤形態大多為圓形或橢圓形，邊緣清晰，為分葉狀，非常容易發生出血、壞死和囊變，CT診斷密度不均勻，MRI診斷為軟組織，能夠清楚看到囊變和壞死。本次研究，40例患者中，22例發生分葉，壞死和囊變比較常見，直接超過5cm都屬于壞死和囊變。對27例患者使用CT和MRI增強掃描，腫塊沒有明顯強化。有研究指出，根據腫瘤血管可以判斷腫瘤惡性程度，本次結果，14例發現腫瘤血管，7例屬于高度危險性，4例屬于中度危險性，3例屬于低度危險性。本組患者沒有全部進行增強掃描，34例患者獲得準確定位，準確率為85%。

2 路徑控制中的模糊PID控制器設計

模糊比例積分微分(PID)控制器又稱模糊PID控制系統,其設計理念參考了移動機器人運動學模型,該模型利用Cartographer算法[7]優化機器人控制參數,并在拉格朗日定律的協助下規劃機器人運動軌跡。模糊PID控制器將移動機器人運動學模型與3D視覺傳感器[8]相結合,在保留模型跟蹤控制性能的同時,還增加了信息反饋平臺,使機器人在途中遇臨時障礙物時,能夠第一時間反饋障礙物信息[9],并重新規劃避障路線。Cartographer算法的表達式為

(8)

式中:Ye表示Cartographer常數;φm表示機器人控制參數的優化系數;H表示機器人控制參數優化誤差。約束條件表達式為

(9)

模糊PID控制器[10]以路徑規劃和約束條件為基礎,由控制層和導航層兩大模塊組成。模糊PID控制器結構[11]如圖3所示。

圖3 模糊PID控制器結構

模糊PID控制器在Kinect傳感器和激光雷達所建立的虛擬地圖上規劃機器人避障路徑,其具體步驟如下:模糊PID控制器首先啟動控制層的比例模塊[12],利用模糊隸屬度函數計算虛擬地圖與實際場景的比例值,然后將比例值結果傳送至導航層。導航層作為機器人避障路徑規劃的核心結構,在接收到來自控制層的積分信號時,會第一時間讀取虛擬地圖的障礙物位置信息[13],同時規劃機器人避障路徑。

模糊隸屬度函數的表達式為

(10)

式中:e(r)表示模糊隸屬度常數;y(t)表示虛擬地圖與實際場景的比例值計算誤差;k表示虛擬地圖的參數。將以上函數計算出的結果傳送至導航層[14]后,得到的機器人避障路徑規劃的表達式為

(11)

3 實驗設計與結果分析

3.1 實驗測試參數

為了驗證基于激光雷達及模糊PID的機器人避障路徑規劃的整體有效性,需要對其進行測試。在測試平臺上構建普通、復雜兩種機器人避障環境,以此測試實驗方法的有效性。實驗環境均為50×50的二維直角坐標系,黑色區域為障礙物位置,機器人起始點與終止點位置固定,起始點坐標為(0,100),終止點坐標為(100,0)。對比不同方法在兩種實驗環境下的機器人避障性能,判斷不同方法的機器人避障路徑規劃性能。選擇四種型號不同的機器人參與實驗,如圖4所示。四種型號的機器人參數如表1所示。

表1 四種型號的機器人參數

圖4 四種型號的機器人

激光雷達機器人避障實驗具體的測試參數如下:

(1)激光雷達參數:雷達型號為Hokuyo UBG-04LX-F01,旋轉角度范圍為± 135°,分辨率為0.25°,最大掃描速度為10 000 rpm,最大測距距離為4 m。

(2)機器人運動控制節點參數:控制算法為模糊PID,路徑規劃算法為全局地圖與局部地圖算法。

(3)障礙物模型參數:障礙物形狀為正方形、圓形和多邊形,其寬度和高度為0.5 m～1.5 m,長度為1 m～3 m。 包含多個不同形狀、大小的障礙物。

3.2 普通障礙環境實驗

普通障礙環境僅采用獨立障礙物作為測試樣本。分別采用文獻[1]提出的多重A*算法的機器人避障路徑規劃方法和文獻[2]提出的自我定位模式的機器人避障路徑規劃方法作為實驗的對比方法,普通障礙環境下不同方法的避障路徑如圖5所示。

圖5 普通障礙環境下不同方法對于四種型號的機器人避障路徑規劃結果

如圖5所示,在普通避障環境下文獻[1]方法和文獻[2]方法對于四種型號的機器人避障路徑規劃結果與障礙物接觸明顯,且路徑選擇并不是最優距離,說明采用文獻[1]方法和文獻[2]方法規劃機器人避障路徑的效果較差。所提方法在普通避障環境下的機器人避障路徑均未與障礙物接觸,且路徑選擇呈現最優距離,說明采用所提方法規劃機器人避障路徑的效果較好。這是因為所提方法采用Kinect傳感器和激光雷達建立機器人所處環境的虛擬地圖,并結合模糊PID控制器,在虛擬地圖的基礎上規劃機器人避障路徑,使最終獲取的機器人避障路徑規劃結果更加簡潔,避障率更高。經上述對比可知,所提方法針對機器人避障路徑的規劃效果明顯優于傳統方法。

3.3 復雜障礙環境實驗

復雜障礙環境采用曲折的U型障礙物作為測試樣本。分別采用所提方法、文獻[1]方法和文獻[2]方法規劃上述四種型號的機器人避障路徑,結果如圖6所示。

圖6 復雜障礙環境下不同方法機器人避障路徑規劃結果

如圖6所示,所提方法在復雜避障環境下對于四種型號的機器人避障路徑規劃結果均未觸及障礙物,且路徑選擇呈現最優距離。本次實驗結果說明,所提方法適用于較為復雜的環境,進一步驗證了所提方法對機器人避障路徑規劃的良好效果。

4 結束語

激光雷達可以通過發射高能量的激光并根據返回的數據確定周邊環境的信息,受外界干擾小,可將其與模糊PID控制器結合,應用于機器人行走控制中,提升機器人對不同環境的避障能力。通過在多種環境下進行避障路徑跟蹤,驗證了該方法可以使機器人采用最優距離進行避障路徑規劃。但該方法還需要繼續優化,如何在保證機器人避障路徑規劃性能的同時,縮短機器人避障路徑規劃的時間,是下一步工作的重點。