基于Cartographer的智能探測機器人

關鍵詞：Cartographer；智能探測機器人；SLAM 算法；激光雷達

中圖分類號：TP89；TP277；TP242.6 文獻標識碼：A

0 引言

在現代自動化和智能化領域，智能探測機器人在解決復雜環(huán)境探測和建圖任務中具有至關重要的作用。Cartographer 算法是一種先進的即時定位與地圖構建（simultaneous localization and mapping，SLAM）算法，可以幫助機器人實現高精度地圖構建和自我定位。

在工業(yè)、農業(yè)、醫(yī)療等多個領域，智能探測機器人系統(tǒng)有著廣闊的應用潛力。其能夠執(zhí)行自我偵測、導航和繪圖等功能，從而提升工作效率并降低人力成本。

本文以智能探測機器人系統(tǒng)為研究對象，關注其在復雜環(huán)境下的導航及建圖問題，具體包括傳感器數據融合不精確、導航路徑規(guī)劃不高效、SLAM 算法精度有待提升等。國內外在智能探測機器人領域已取得一定研究成果。國外研究主要集中在 SLAM 算法的優(yōu)化、傳感器數據處理技術，如Cartographer 算法在機器人領域的應用。國內研究涉及智能導航算法、機器人系統(tǒng)設計，但在建模精度和系統(tǒng)穩(wěn)定性方面仍有提升空間。本文旨在結合國內外研究成果，提出優(yōu)化方案，提升系統(tǒng)的穩(wěn)定性和魯棒性，推動智能探測機器人系統(tǒng)的發(fā)展與應用。

1 系統(tǒng)設計

本文設計了由NVIDIA Jetson Nano 驅動的智能探測機器人，其主要控制部分整合了多種設備，如激光雷達（ LiDARs）、 相機（cameras）、慣性測量單元（ inertia measurements units，IMU）、二氧化碳傳感器及煙霧探測器（CO2 sensors and smokedetectors）等。這些傳感器的聯合使用賦予了智能探測機器人自主導航和環(huán)境信息采集的能力。

通過高性能的主控模塊NVIDIA Jetson Nano，智能探測機器人能夠實現強大的運算能力和處理速度，從而確保系統(tǒng)高效運行和即時響應。智能探測機器人裝備了激光雷達傳感器，能夠創(chuàng)建環(huán)境地圖并識別障礙物，這為其自主導航提供了重要的數據。同時，攝像頭傳感器可以用于實時圖像采集和視覺感知，幫助智能探測機器人識別目標和實現精準導航。

IMU 傳感器能夠提供智能探測機器人當前的姿態(tài)和運動信息，使其能夠更準確地定位和導航。二氧化碳傳感器及煙霧探測器用于監(jiān)測環(huán)境中有害氣體濃度的變化，確保工作的安全性和舒適度。這種傳感器的結合使得智能探測機器人在持續(xù)監(jiān)控周邊環(huán)境變化的同時，能做出適當的判斷，進而打造出更具智能化與靈活性的智能探測機器人。如圖1 所示，智能探測機器人系統(tǒng)的核心原理是通過各種傳感器的協同作用來完成對環(huán)境的全面感知。

1.1 核心算法

1.1.1 車道線檢測原理

采用深度體感攝像頭三維RGBD 相機，不僅可以傳輸視頻，還能進行深度學習。以識別車道線為例：首先，通過攝像頭拍攝一段車道線的視頻，通過OpenCV 將視頻每幀裁剪成照片，從而形成圖片數據庫。其次，利用標注軟件對圖片中的路線進行標注，形成標注文件示意圖（圖2）。再次，采用UNET 語義分割網絡進行模型訓練，將原圖和標簽圖放入網絡訓練。UNET 由兩個主要部分構成，分別是特征抽取和上采樣。因為其網絡結構類似于字母U，所以稱其為UNET 網絡[1]。最后，通過神經網絡訓練后得到模型訓練圖（圖3）。

1.1.2 無地圖場景導航原理

1.1.2.1 地圖

在操作系統(tǒng)中，激光雷達生成的地圖被視為一個常見的灰度圖像。其中，黑色部分代表阻礙物，白色部分代表可能的區(qū)域，而灰色部分則代表尚未探索的區(qū)域。自主導航地圖是通過SLAM 技術進行構建的。

1.1.2.2 定位

位姿的測量或估計是智能探測機器人定位的主要方式，通過這種方式，智能探測機器人能夠了解自身所在的位置和面向的方向。智能探測機器人自主導航中的定位與建圖同時進行，其通過移動對探測到的地圖進行構建，并實時更新自己在地圖中的位置。

1.1.2.3 感知

激光雷達傳感器被用于探測智能探測機器人所在的環(huán)境。利用這些數據，智能探測機器人能夠識別墻壁、路障等障礙物，從而保證其安全且準確地移動到目標位置。

1.1.2.4 A* 路徑規(guī)劃

從起點開始，不斷尋找能以最小成本通向目標位置的節(jié)點并優(yōu)先擴展可減少目標函數的路徑。通過此探索步驟，能夠創(chuàng)建一個點集，將該點集內的路徑點進行有序連接，即為所尋求的最佳路徑。

A* 算法的模型為：

f（n）=g（n）+h（n）。 （ 1）

其中，n 為節(jié)點，f（n）為總體搜索成本，包括從起始點到目標節(jié)點的所有代價，以及最優(yōu)化的啟動式函數；h（n）為從節(jié)點n 到目標點的啟發(fā)式評估代價，即啟發(fā)函數；g（n）從初始節(jié)點到任意節(jié)點n 的代價。

確定啟動式函數在A* 算法中占據了關鍵地位，其精度越高，尋找最佳解決方案的速度就越快。測試后發(fā)現，曼哈頓式啟發(fā)函數效果最好。

1.1.2.5 激光雷達與ROS 關系原理

雖然智能探測機器人操作系統(tǒng)（robot operatingsystem，ROS）包含“操作系統(tǒng)”，但實際上它并非獨立的系統(tǒng)，而是需要在宿主系統(tǒng)的支持下運行，而常用的宿主系統(tǒng)是Ubuntu。ROS 實際上是一種分布式的交流方式，能夠讓程序進程間的溝通更為便捷。在理解了ROS 的交流方式后，研究人員可以利用C + + 和Python 編程語言來開發(fā)智能探測機器人各類算法。

SLAM 的關鍵是算法，其主要目標在于創(chuàng)建高效的地圖，同時為智能探測機器人導航提供更優(yōu)質的數據支持。雖然SLAM 算法不依賴任何系統(tǒng)，但ROS 能夠協助解決傳感器驅動、顯示以及各種核算法（用于融合激光SLAM 建圖和深度相機SLAM建圖的關鍵算法）間的交流和協作問題，目前主流的SLAM 建圖方式有兩種：激光SLAM 建圖和深度相機SLAM 建圖。本文設計的智能探測機器人將兩種建圖方式結合在一起，彌補了各自的劣勢。

1.1.3 Cartagrapher 算法建圖原理

Cartographer 是由谷歌創(chuàng)建并推出的實時的內部定位系統(tǒng)（ internal localization system），采用了由谷歌自主研發(fā)的 Ceres nonlinear optimizer 技術來實現其功能。它的優(yōu)勢之一是擁有嚴謹且專業(yè)的編碼風格及高度可復用的架構設計，這使得該系統(tǒng)特別適用于商用場景或二次定制需求。此外，通過使用SubMap 局部區(qū)域映射的方式建立全球范圍內的模型，可以有效地防止因移動物體（在機器人運動或地圖構建過程中，相對于環(huán)境是會發(fā)生位置變化的物體或障礙物）而導致的誤差影響整個系統(tǒng)的運行過程。同時，其另一個優(yōu)勢是可以兼容多種類型感知設備的數據輸入，如Odometer、 IMU 和 LaserScans 等，還包括對二維 SLAM 和三維 SLAM 兩種模式的支持。

1.1.4 激光雷達導航和避障原理

智能探測機器人可以通過深度相機和激光雷達感知周圍環(huán)境，從而避開周圍障礙物并到達指定位置。智能探測機器人到達指定位置后可以記錄多個點的位置坐標，從而實現多點自動巡航功能。該技術可以應用在工業(yè)作業(yè)上，實現往返重復工作。

1.2 4G 遠程操控以及數據檢測

本文設計的智能探測機器人可以通過4G 全網通網絡穿透技術實現遠程控制桌面網絡地址轉換（network address translation，NAT） 設備或軟件，并且通過維護狀態(tài)表，將內部網絡的私有IP地址映射到外部網絡的合法IP 地址[2]。在NAT 設備或軟件中，每個包的IP 地址和端口信息都會被修改并翻譯為正確的IP 地址，然后被傳送到下一級。當內網主機通過NAT 進行“外出”傳輸控制協議（transmission control protocol，TCP）或（userdatagram protocol，UDP）會話時，網絡地址和端口轉換（network address and port translation，NAPT）會為該會話分配一個公網IP 和端口，用來接收外部網絡的響應數據包[2]。通過傳感器實時采集周圍環(huán)境數據，將其轉換為數字化的數據并且告知內部網的主機。因此，NAPT 建立了一個地址綁定，將私有IP 和公網IP 相互關聯[3]。本文設計的智能探測機器人通過安裝相關傳感器，實時采集周圍環(huán)境數據，通過無線網絡將其傳送到OneNET 云平臺。

2 實現與優(yōu)化過程

算法優(yōu)化是指改進A* 路徑規(guī)劃。A* 算法代價函數中的兩個部分權重是一樣的，但可能因為追求效率而無法達到路徑最優(yōu)化，如路徑存在一些無關緊要的拐點[4]。修改后的A* 代價函數為：

f（n）=（1-ω）×g（n）+ω×h（n）。 （ 2）

其中，ω 為權值參數。

為了驗證修改后的代價函數可以搜索到最優(yōu)路徑，本文設計了一個仿真程序，并設置一個簡單的環(huán)境、起點及終點。對于同一張地圖，本文進行了3 次實驗，每次使用不同的權值參數ω（0.22、0.33和0.5），以評估A* 算法的表現。從結果來看，當ω 為0.33 時，起點至終點的成本比（起點到終點的實際代價與終點到目的地的實際代價之間的比值）為2∶1，這意味著起點至終點之間的距離遠小于終點至目的地之間的距離。這種設置使得該算法具有A* 算法的優(yōu)勢，因為其采用了兩個不同成本項的組合，并融入了啟發(fā)式的思維方式。

3 實驗測試

本文使用基于Cartographer 的智能探測機器人進行了路徑規(guī)劃和自主導航、環(huán)境適應測試實驗，旨在評估其在復雜環(huán)境中的定位和建圖性能。這些實驗包括在不同室內和室外場景中進行導航和定位任務，以驗證系統(tǒng)的穩(wěn)健性和精確性。

（1）路徑規(guī)劃和自主導航：為智能探測機器人設定一系列目標點，并利用Cartographer 的路徑規(guī)劃算法讓其自主導航并完成預定任務。

（2）環(huán)境適應測試：在不同光照條件、地形和結構復雜度的環(huán)境下進行測試，以驗證智能探測機器人在各種情況下的適應性和魯棒性。

通過測試，基于Cartographer 的智能探測機器人能夠在各種復雜環(huán)境中穩(wěn)定運行，并實現高精度的定位和建圖任務。

4 結論

本文基于 Cartographer 框架成功設計了基于Cartographer 的智能探測機器人，并進行了一系列實驗和測試。經過試驗觀察，本文得出以下結論：無論在何種場景，基于Cartographer 的智能探測機器人具備卓越的環(huán)境構建能力，能精確還原周圍環(huán)境的地圖信息，為其定位與導航提供穩(wěn)定的基礎保障；基于Cartographer 的智能探測機器人具備高效率及準確定位的能力，可以成功避免障礙物的干擾并迅速尋覓最佳行進線路。在變化多樣的環(huán)境中，該智能探測機器人運用Cartographer 技術實現了實時定位功能，即便存在移動物體也能夠立即做出相應的位置變動。智能探測機器人具有融合多種傳感器數據的能力，Cartographer 框架優(yōu)化了傳感器融合方法，提升了智能探測機器人的感知能力和環(huán)境認知水平。在總體效能上，基于 Cartographer 的智能探測機器人在建圖、路徑規(guī)劃、實時定位和傳感器融合等關鍵方面都表現出顯著優(yōu)勢。這些結果為智能系統(tǒng)的發(fā)展和實際應用提供了有力支撐，為未來的機器人技術研究提供了重要參考。