《基于激光導(dǎo)航的移動機(jī)器人的導(dǎo)航算法分析》14000字

基于激光導(dǎo)航的移動機(jī)器人的導(dǎo)航算法分析摘要近些年來人工智能的發(fā)展方興未艾，尤其是在機(jī)器人方面，在各個領(lǐng)域有著十分光明的前景，許多公司和科研人員也都投身于這個行業(yè)之中，而在現(xiàn)在移動機(jī)器人的控制算法領(lǐng)域中，存在許多問題，包括定位建圖，路徑規(guī)劃等關(guān)鍵問題，其中SLAM問題解決的是構(gòu)圖定位，也是此課題的基石。傳統(tǒng)一般用來定位的傳感器有多種選擇，如GPS、相機(jī)等等，而在本次課題中則選擇基于激光傳感器進(jìn)行數(shù)據(jù)獲取，而后通過轉(zhuǎn)化為SLAM問題實(shí)現(xiàn)地圖構(gòu)建和自身定位。在此基礎(chǔ)上，本課題在基于激光導(dǎo)航的移動機(jī)器人的基礎(chǔ)上進(jìn)一步研究路徑規(guī)劃這一熱點(diǎn)問題，也就是如何使移動機(jī)器人在構(gòu)建出地圖后能夠盡快而不觸到建筑物的方法，以windows為平臺，在VS2019軟件下進(jìn)行仿真，具體研究內(nèi)容如下：在全局規(guī)劃A*算法的基礎(chǔ)上研究并選擇一種局部避障方法：動態(tài)窗口法，并提出一種人工勢場方法作為比較。關(guān)鍵詞：移動機(jī)器人；激光；SLAM；路徑規(guī)劃目錄TOC\o"1-3"\h\u3577第一章緒論 第一章緒論1.1研究背景及意義近些年以來，隨著現(xiàn)代科學(xué)技術(shù)發(fā)展的蒸蒸日上，人工智能這一以前讓大家陌生的領(lǐng)域也變得備受矚目，而在人工智能領(lǐng)域下的機(jī)器人方面是應(yīng)用比較普遍和重要的。隨著研究技術(shù)的日臻成熟，機(jī)器人在制造業(yè)，服務(wù)領(lǐng)域，醫(yī)療教育，自動駕駛，軍事航天等多種領(lǐng)域中已經(jīng)廣泛使用并且在一些方面已經(jīng)取得了不可替代的地位，如圖1-1，1-2所示就是一些常用的機(jī)器人。其中能夠自主移動的自主移動機(jī)器人在近些年就更加熱門和使用廣泛了，在大型工廠和醫(yī)院等地，需要自主移動機(jī)器人進(jìn)行清潔作業(yè)和維修工作；在餐廳酒店等服務(wù)場所，機(jī)器人則可以被當(dāng)作一個“機(jī)器服務(wù)員”為客人點(diǎn)餐和提供服務(wù)，除了以上用途之外，自主移動機(jī)器人還可以在一些嚴(yán)苛場景中進(jìn)行搬運(yùn)，勘探工作，功能不可不謂之強(qiáng)大。以上的例子也表明了現(xiàn)在機(jī)器人的使用場景不再局限于以前的工用，而是逐步的走入了大家的生活之中，讓人們也感受到了這項(xiàng)科技的便利之處，所以移動機(jī)器人未來的發(fā)展是潛力十足的。圖1-1智能巡檢機(jī)器人圖1-2小米掃地機(jī)器人其實(shí)最早出現(xiàn)的自主移動機(jī)器人是shakey[3]，自身帶有傳感器，在研制過程中還產(chǎn)生了兩種比較常用的導(dǎo)航算法：A*算法和可視圖法，從而可以實(shí)現(xiàn)路徑規(guī)劃，并且可以進(jìn)行控制，它最早是1960年左右由美國的斯坦福研究所研發(fā)的用于進(jìn)行勘測偵察任務(wù)的機(jī)器人，由于當(dāng)時技術(shù)條件的限制，機(jī)器人shakey進(jìn)行一次作業(yè)需要很長時間，但作為創(chuàng)始項(xiàng)目，其實(shí)對后續(xù)的研究有著很深遠(yuǎn)的借鑒意義，在此之后機(jī)器人研究蓄勢待發(fā)。這就是此研究的背景，而說回自主移動機(jī)器人，簡單來說，機(jī)器人要完成自主進(jìn)行移動的任務(wù)，首先要能像人一樣觀察、探測、檢測并且同時完成當(dāng)前陌生環(huán)境的地圖構(gòu)建，這里的問題是一般環(huán)境是隨著機(jī)器人的運(yùn)行隨時變化的，所以即時識別構(gòu)建地圖就舉足輕重了，而對于已知環(huán)境地圖，通過設(shè)定標(biāo)志識別即可；其次是要機(jī)器人知道自己處在何方位置，檢測的到環(huán)境了，也要知道自己在哪里，這就是定位；最后要說的就是怎么走的問題了，機(jī)器人在明白周圍環(huán)境和當(dāng)前所處位置時，接下來就是要自己“走路”，不像在遙控活動時我們可以操控行進(jìn)，它們這是完全自動的。怎么走？往哪里走？這就是常見的路徑規(guī)劃的問題，同時規(guī)劃好路徑后在面對已知之外的環(huán)境變化時機(jī)器人也要做出即時反應(yīng)。這一系列的問題也就是我們常見的在移動機(jī)器人自主移動技術(shù)研究中的一個重中之重的熱點(diǎn)問題：SLAM（SimultaneousLocalizationandMapping），即即時定位與地圖構(gòu)建[1]，問題核心就如上文所提及的，環(huán)境未知，要描繪環(huán)境地圖，在此前提下找到自己的位置，這種算法不但可以用于把路徑設(shè)計(jì)出來，也可以給開發(fā)者一個直觀的視圖以便開發(fā)使用。如今這種算法雖然還存在一些問題，但已經(jīng)廣泛應(yīng)用到各個鄰域之中了，早期的掃地機(jī)器人就是最早應(yīng)用SLAM的產(chǎn)品之一，而現(xiàn)在SLAM還用于AR增強(qiáng)現(xiàn)實(shí)技術(shù)和無人機(jī)技術(shù)，包括前一段時間華為的自動駕駛汽車的試駕駛視頻一時間備受矚目，其中的無人駕駛技術(shù)也用到了SLAM技術(shù)，前景十分光明。常見根據(jù)定位使用傳感器類型不同可劃分為兩類，一種基于激光雷達(dá)定位的激光SLAM，基于視覺傳感器的視覺SLAM，還有多傳感器融合的SLAM等等，其中定位技術(shù)是核心之一。現(xiàn)在常用的定位技術(shù)如GPS在室外就存在精度不足的情況，在室內(nèi)密閉環(huán)境下更是無法使用，而相比之下基于激光雷達(dá)的SLAM需要設(shè)置的條件少，精度高，還可以融合多個傳感器，相比于相機(jī)還可以在光線不充足的地方定位建圖，優(yōu)勢明顯。在這類問題之中，不管是無人駕駛汽車還是常見的機(jī)器人，核心問題有四個，定位技術(shù)，路徑規(guī)劃，跟蹤還有控制。本課題則主要在構(gòu)建好地圖的基礎(chǔ)上針對路徑規(guī)劃做出研究，從而解決機(jī)器人路徑規(guī)劃的問題。近些年有很多避障和路徑規(guī)劃算法可供選擇，合理的路徑規(guī)劃也能讓自主移動機(jī)器人能夠更好更精準(zhǔn)的進(jìn)行行進(jìn)和避障。而哪種算法比較適合使用也是本文中將要探討的。1.2國內(nèi)外研究現(xiàn)狀1.2.1SLAM國內(nèi)外研究現(xiàn)狀我們所說的SLAM由所使用傳感器分為使用相機(jī)的，使用聲波的，使用激光的，在本次研究中我們只討論激光SLAM的研究現(xiàn)狀。激光SLAM在使用時也需要許多傳感器，其中之一為激光雷達(dá)，為它的主體，還有慣性測量單元（IMU），可以測量加速度和角速度，最后是里程計(jì)，計(jì)算整個機(jī)器人的位置信息，然后配合傳感器進(jìn)行SLAM。細(xì)細(xì)分來，所使用的激光在室外一般使用3D激光，結(jié)合GPS等獲得很好的定位，室內(nèi)如車庫，房間等一般使用2D激光，配合多傳感器使用。SLAM中有多個部分，其中，首先要用車載的傳感器獲得數(shù)據(jù)之后要進(jìn)行掃描匹配，這一步驟屬于整個過程的前端，所處地位至關(guān)重要，目前有許多的主流掃描匹配算法，第一個是由前人提出的ICP算法，也叫迭代最臨界點(diǎn)算法，還衍生出許多變種算法。激光首先進(jìn)行掃描，呈現(xiàn)出分散的具有多種信息的點(diǎn)，我們把這些點(diǎn)叫做點(diǎn)云，把掃描出的等一會要用作匹配的兩個點(diǎn)云，使用歐氏距離最小化，計(jì)算出機(jī)器人距離和位姿的變化。一般是已知點(diǎn)的匹配，而遇到特殊的未知點(diǎn)情況，還要進(jìn)行迭代來計(jì)算未知點(diǎn)的情況，除此之外研究人員還開發(fā)出了能夠研究點(diǎn)到線段，點(diǎn)到平面情況的變種算法。其次是基于優(yōu)化的方法，要使用到建模，把雷達(dá)掃描的數(shù)據(jù)通過各種不同的構(gòu)建模型方法轉(zhuǎn)化成優(yōu)化非線性最小二乘的問題，有名的Cartographer算法就是優(yōu)化問題中被人稱道的算法之一。還有兩種常用方法分別是屬于基于數(shù)學(xué)特性的掃描匹配方法中的正態(tài)分布算法（NDT）和基于特征的匹配算法。前者中的運(yùn)用數(shù)學(xué)特性的意思是用數(shù)學(xué)特性來表現(xiàn)激光雷達(dá)掃描出幀與幀間的位姿及屬性關(guān)系，這里要說的NDT算法是現(xiàn)在人們在這個領(lǐng)域常用的一種算法，與上午提到的如ICP算法要進(jìn)行點(diǎn)與點(diǎn)間的相對配準(zhǔn)不同，這個方法把一次激光掃描出的2D點(diǎn)從空間中的離散點(diǎn)狀形態(tài)轉(zhuǎn)化到平面上作為一種概率密度（引入概率論概念），由常見的高斯分布組成，在進(jìn)行兩點(diǎn)配準(zhǔn)計(jì)算就可得到轉(zhuǎn)換關(guān)系，此方法常見于3DSLAM等項(xiàng)目中。而后者的基于特征是在激光掃描出特征點(diǎn)（點(diǎn)、線段、平面等）后對特征點(diǎn)進(jìn)行處理的一種方法，F(xiàn)ernando[11]等人在論文中提出通過把激光掃出來的上述所說的點(diǎn)進(jìn)行配準(zhǔn)，大大減少了計(jì)算產(chǎn)生的財(cái)耗，除了此方法國內(nèi)外也有大量基于特征的方法。在整個過程中，匹配之后一般為了提高精度要進(jìn)行閉環(huán)檢測，這就屬于后端過程，在機(jī)器人沿規(guī)定路線行進(jìn)一圈后要返回原來的原點(diǎn)，其中對關(guān)鍵位姿進(jìn)行相關(guān)聯(lián)，兩組掃描后的數(shù)據(jù)若相似度高則視為一個閉環(huán)。其中Olson[9]等人研究的相關(guān)性掃描匹配比對兩幀數(shù)據(jù)兩幀之間的閉環(huán)檢測，通過幾何變換完成，但其中有一個明顯的問題就是幀與幀間的數(shù)據(jù)差距不大，易引起數(shù)據(jù)混淆，導(dǎo)致結(jié)果錯誤。其次是Cartographer算法中使用的方法首先把雷達(dá)中掃描的連續(xù)的多個數(shù)據(jù)形成一個子圖，再用其中的數(shù)據(jù)幀和其他激光掃描出的數(shù)據(jù)幀匹配，匹配范圍有限了，自然也相對準(zhǔn)確了，包括文國成等人針對單個數(shù)據(jù)信息不足的特點(diǎn)提供的使用兩個子圖作業(yè)，也是一種新的想法，除了這些成果之外還有很多閉環(huán)檢測的方法來實(shí)現(xiàn)這一問題。畢竟數(shù)據(jù)是由外在設(shè)備掃描得出的，以至于上文所提及的過程完成后還是存在精度問題，所以所有的SLAM問題都要進(jìn)行優(yōu)化處理，現(xiàn)在常用的優(yōu)化方法有兩種，第一種是基于濾波器的優(yōu)化法，也被人們稱為在線SLAM，其中有一種為卡爾曼濾波器濾波方法，后來又被研究人員開發(fā)為擴(kuò)展的卡爾曼濾波器濾波方法，缺點(diǎn)是在計(jì)算過程種要用到線性化導(dǎo)致系統(tǒng)發(fā)散，也會導(dǎo)致系統(tǒng)魯棒性較差等等。之后大量的研究人員發(fā)現(xiàn)基于濾波的SLAM問題一般要用到會使地圖扭曲的里程計(jì)，引起誤差的同時，且沒有回環(huán)能力。所以在多年的研究中，越來越多的研究員轉(zhuǎn)而關(guān)注基于圖優(yōu)化的SLAM，也叫完全SLAM，使用不同機(jī)器人位姿中的節(jié)點(diǎn)來刻畫機(jī)器人運(yùn)動關(guān)系，在具有回環(huán)能力的同時，使用點(diǎn)與點(diǎn)間的位姿關(guān)系進(jìn)行優(yōu)化，有效縮小誤差。在SLAM中還有一個問題是構(gòu)建地圖和定位，構(gòu)建地圖目前分為由網(wǎng)格劃分的柵格地圖、節(jié)點(diǎn)和邊構(gòu)成的拓?fù)涞貓D、使用環(huán)境中可以掃描出具有空間特性的的幾何特征地圖。定位問題則分為由傳感器定位的局部定位和借用識別已經(jīng)設(shè)定好的路標(biāo)的全局定位方法。在發(fā)展過程中，從最初的基于濾波的EKFSLAM和FastSLAM到Grisetti[10]等人提出的Gmapping的方案，再到2011年Kohlbrecher[13]等人利用ICP最近點(diǎn)迭代的方法進(jìn)行激光點(diǎn)云的匹配實(shí)現(xiàn)機(jī)器人位姿估計(jì)以及實(shí)時建圖，開發(fā)了HectorSLAM算法，也是本文中使用的算法，使用了高斯牛頓方法進(jìn)行計(jì)算，不需要里程計(jì)的數(shù)據(jù)且為避免局部最優(yōu)而非全局最優(yōu)在導(dǎo)航中加入慣性測量進(jìn)行擴(kuò)展卡爾曼濾波，發(fā)展越來越成熟了。2010年的最優(yōu)粒子濾波器方法，在GMapping方法上進(jìn)行了優(yōu)化，但由于濾波方法對于噪聲干擾的局限性，且易產(chǎn)生誤差，往后的研究思路漸漸轉(zhuǎn)向了圖優(yōu)化。而基于圖優(yōu)化的SLAM方法最早在1999年由LU等人提出，在此之后改進(jìn)的算法框架主要根據(jù)特征匹配，回環(huán)檢測和圖優(yōu)化幾個主要部分組成。2016年，Hess等人解決了常見的圖優(yōu)化問題中的子映射匹配的問題，重定位能力突出，精度較高，魯棒性較好，使用的是他們提出的分支界定的方法，同年Google公司發(fā)布的開源SLAM解決方法Gartograher就是由此理論研發(fā)出來的，且Google公司的無人駕駛汽車就是使用了這一SLAM算法，此算法采用閉環(huán)檢測完成優(yōu)化消除在構(gòu)建地圖過程中的誤差，可以構(gòu)建高精度的柵格地圖，使無人駕駛汽車技術(shù)的實(shí)時性有了極大的提高。我國SLAM起步相較其他發(fā)達(dá)國家起步稍慢，但最近也有很大的進(jìn)步，如思嵐科技的SLAMWARE就是一個單模塊化的自主定位的用于導(dǎo)航的系統(tǒng)，也有對應(yīng)的SLAM和路徑規(guī)劃功能。1.2.2路徑規(guī)劃國內(nèi)外研究現(xiàn)狀在移動機(jī)器人自主移動這個課題中，規(guī)避障礙也是重中之重的一環(huán)。也就是說在機(jī)器人自主運(yùn)行過程中遇到突發(fā)狀況要做出即時反應(yīng)，也就是研究中常見的避障算法，在實(shí)際問題中一般分為全局避障和局部避障。全局避障算法依賴要建立全局的地圖模型，一般用于找到一個工作的最佳路徑，常見的全局方法有拓?fù)鋱D法、A*和柵格法等等；局部避障則依賴機(jī)器車所載的傳感器，目前研究出的常見的方法一般有人工勢場法、動態(tài)窗口法等，上述算法一般適用于障礙物已知的情況，而面對未知障礙時就要使用到建立在生物智能或物理現(xiàn)象的算法，如遺傳算法，模糊算法等相對智能的算法，更加精確和實(shí)用。1.3本課題的研究內(nèi)容本文主要在基于激光導(dǎo)航的SLAM框架下研究局部避障算法，論文具體章節(jié)介紹如下：緒論講述了基于激光導(dǎo)航的移動機(jī)器人的控制算法的研究意義以及SLAM和路徑規(guī)劃在當(dāng)前行業(yè)中處于怎么樣的研究地位，明確我們此篇論文所討論的核心。運(yùn)動模型構(gòu)建與傳感器模型研究本次課題所使用的機(jī)器人運(yùn)動模型和所使用傳感器的模型。同時定位與地圖構(gòu)建所用知識。研究SLAM方法和原理?；诩す鈱?dǎo)航的移動機(jī)器人的局部控制算法在第四章引入本次課題所基于的全局避障算法A*，在此基礎(chǔ)上比較研究幾種不同的局部避障算法，并對此課題選用的DWA動態(tài)窗口法做仔細(xì)說明。實(shí)驗(yàn)分析介紹本次實(shí)驗(yàn)使用的硬件平臺并對軟件進(jìn)行仿真和數(shù)據(jù)分析，從而驗(yàn)證所選方法的可用性?？偨Y(jié)與展望對本次實(shí)驗(yàn)的結(jié)果進(jìn)行總結(jié)，對該題目的未來發(fā)展做出聯(lián)想展望，并對相關(guān)人員做出致謝。運(yùn)動模型構(gòu)建與傳感器模型目前機(jī)器人研究空前熱門，而本文在討論具體算法之前先對小車用到的傳感器以及運(yùn)動模型做一個說明，本次實(shí)驗(yàn)借用了上海合時公司的清潔洗地車以及軟硬件平臺完成本次課題，如圖2-1所示，除了本體小車之外，還包括工控機(jī)或pc，通過網(wǎng)線連接，用到TCP/IP協(xié)議；激光使用TCP/IP，用到socket通信；還有通過CAN通信連接的陀螺儀、運(yùn)動控制和編碼器。圖2-1小車硬件組成2.1運(yùn)動模型本次利用的硬件平臺無人清潔車的機(jī)械結(jié)構(gòu)為兩輪差速驅(qū)動運(yùn)動結(jié)構(gòu)，根據(jù)硬件平臺各項(xiàng)參數(shù)，對無人清潔車進(jìn)行運(yùn)動學(xué)建模以及觀測模型建模。根據(jù)激光雷達(dá)傳感器的原理對其進(jìn)行建模。同時對二者的坐標(biāo)系變換進(jìn)行處理，將車體坐標(biāo)，激光坐標(biāo)以及世界坐標(biāo)進(jìn)行整合統(tǒng)一。此處主要對兩輪差速驅(qū)動運(yùn)動結(jié)構(gòu)做出說明，而小車模型本來就有約束模型，所以我們就可以看出其運(yùn)動結(jié)構(gòu)如圖所示：圖2-2雙輪差動機(jī)器人的運(yùn)動約束模型在該機(jī)器人的運(yùn)動結(jié)構(gòu)圖中，我們讓它如圖所示從A點(diǎn)走到B點(diǎn)，首先要進(jìn)行坐標(biāo)系規(guī)劃，我們使用的是輪式機(jī)器人，也就是說它以缸體機(jī)構(gòu)為主，在運(yùn)動和作業(yè)時不容易發(fā)生大的形變，所用的里程計(jì)與電機(jī)共用一個轉(zhuǎn)軸，也和車輪為一個水平線，以此建立我們需要的坐標(biāo)系，然后以從左上到右下為正方向移動。其中的坐標(biāo)系如圖所示，車子中心為原點(diǎn)，兩輪連線為X軸，垂直線為Y軸，假設(shè)在移動過程中，小車做以R為半徑的圓周運(yùn)動，左邊輪子角速度記為，半徑為，右邊的車輪角速度記為,半徑為，所以可以求得其他關(guān)鍵變量，設(shè)兩輪的中間距D，則可以求得速度公式[5]： （2-1）角速度推式為： （2-2） （2-3） （2-4） （2-5）于是由上式得： （2-6）由以上算式可推出運(yùn)動模型： （2-7）在得到上述式子后對觀測模型操作，即在激光雷達(dá)原理的支持下進(jìn)行建模，最后對二者坐標(biāo)進(jìn)行變換匹配，最后將完成的車輛坐標(biāo)，環(huán)境坐標(biāo)以及激光坐標(biāo)進(jìn)行統(tǒng)一整合。至此得到運(yùn)動約束模型，在構(gòu)建誤差變量后輸出機(jī)器人位姿時間戳以至于可以進(jìn)行航跡推算。2.2傳感器模型2.2.1激光現(xiàn)在常用的定位技術(shù)如GPS在室外就存在精度不足的情況，在室內(nèi)密閉環(huán)境下更是無法使用，而相比之下基于激光雷達(dá)的SLAM需要設(shè)置的條件少，精度高，還可以融合多個傳感器，相比于相機(jī)還可以在光線不充足的地方定位建圖，優(yōu)勢明顯，本次清潔洗地車就有用到激光傳感器。圖2-3小車使用激光本次使用的清潔洗地車上搭載的激光傳感器是SICK制造商TiM571-2050101型號的2D雷達(dá)傳感器如圖2-3所示，安裝在清潔洗地車之前，是本次項(xiàng)目使用的傳感器之一，測量原理使用了SICK的創(chuàng)新距離測量技術(shù)HDDM，主要用于戶外，光源為850nm的紅外線，激光等級為1，水平270度角度開啟，掃描頻率15HZ,角度分辨率0.33度，工作區(qū)域0.05m-25m，保護(hù)距離在反射比為10%時為8m。下表重點(diǎn)介紹詳細(xì)技術(shù)參數(shù)。表2-1機(jī)械/電子參數(shù)電氣連接1x接口“以太網(wǎng)”、4針M12插座1x“電源/同步輸出”接口，5針M12插頭供電電壓9VDC-28VDC功耗4W外殼顏色灰色(RAL7032)外殼防護(hù)等級IP67(IEC

60529:1989+AMD1:1999+AMD2:2013)重量250g,無連接電纜尺寸（長寬高）60mm60mm86mm表2-2性能響應(yīng)時間Typ.67ms可識別的物體形狀幾乎任何形狀系統(tǒng)錯誤±60mm持續(xù)錯誤20mm集成應(yīng)用測量數(shù)據(jù)輸出表2-3接口EthernetTCP/IPUSBMicro-USBAUX,參數(shù)設(shè)置數(shù)字輸入端0開關(guān)量輸出1(PNP,“SYNC”/“DeviceReady（設(shè)備就緒）”)光學(xué)信號2LEDs(ON,“DeviceReady（設(shè)備就緒）”)2.2.2里程計(jì)里程計(jì)衡量了從設(shè)定起點(diǎn)到設(shè)定終點(diǎn)的行進(jìn)里程和方位，而且因?yàn)榇舜雾?xiàng)目中我們使用的是HECTORSLAM，要精確建圖和定位，必須要里程計(jì)確保雷達(dá)數(shù)據(jù)足夠精準(zhǔn)，所以在傳感器融合時必須帶有里程計(jì)，而所用里程計(jì)即編碼器是小車自帶的，故不在此特殊說明。2.2.3慣性測量單元（IMU）本次車載所用IMU是九軸姿態(tài)角度傳感器，使用的陀螺儀精度高、準(zhǔn)確性好，此次實(shí)驗(yàn)把它放在小車上方，并且配合上帶有高精度算法的加速度計(jì)，從而快速求得機(jī)器人當(dāng)前運(yùn)動姿態(tài)，而且穩(wěn)定性高工作在-40度到+85度。能夠輸入機(jī)器人的運(yùn)動參數(shù)，具體圖片如圖所示：圖2-4角度傳感器這里對其性能參數(shù)做出說明：表2-4IMU參數(shù)電壓9V~36V電流<40mA體積55mm36.8mm24mm測量維度速度：3維，角速度：3維，角度：3維，磁場：3維量程加速度:±2/4/8/16g（可選），角速度:±250/500/1000/2000°/s（可選），x/z軸角度±180°，y軸角度±90°。穩(wěn)定性加速度：0.01g，角速度0.55mm36.8mm24mm05°/s續(xù)表2-4IMU參數(shù)姿態(tài)測量穩(wěn)定度0.01°數(shù)據(jù)輸出內(nèi)容時間、加速度、角速度、角度、磁場完整輸出頻率0.1Hz~200Hz數(shù)據(jù)接口CAN接口（波特率250K）2.3本章小結(jié)運(yùn)動模型是基本，各種傳感器的融合也提高了建圖定位的精度和準(zhǔn)確度，本章則講述了本次項(xiàng)目所用的運(yùn)動模型和融合的傳感器的部分的各類參數(shù)，把定位和建圖所用的硬件及運(yùn)動模型講述完畢，下一章將說明小車定位和建圖具體所用的具體算法方法。 同時定位與地圖構(gòu)建在本文的第一章就有過介紹，要完成機(jī)器人的自主移動需要很多步驟，是一個復(fù)雜的問題，那么如果說第二章的內(nèi)容是構(gòu)建了機(jī)器人所用的坐標(biāo)系，那么這一章內(nèi)容就是定位建圖的核心理論，也就是核心算法SLAM，本次清潔洗地車就用到了其中的hectorSLAM算法。并且在此類問題中定位建圖往往要基于一些地圖模型，由各個前輩的經(jīng)驗(yàn)，拓?fù)涞貓D即網(wǎng)狀形地圖節(jié)點(diǎn)獲取不易，因此在實(shí)際情況中不常使用，而幾何地圖又對傳感器的精度要求過于嚴(yán)格，所以我們就選擇比較有效的柵格地圖，故特此說明。本章主要對定位建圖的具體細(xì)節(jié)做出研究，下圖為整個一般SLAM的流程圖：圖3-1構(gòu)建地圖的SLAM全流程3.1環(huán)境地圖構(gòu)建之激光點(diǎn)云匹配本次項(xiàng)目我們用到了hectorSLAM，主要對其中的重要過程做出說明，在這里先進(jìn)行總體規(guī)劃，在slam過程中先要利用各種傳感器獲取周邊數(shù)據(jù)，如環(huán)境信息，車輛速度、加速度、角速度，在得到這些碎片化的信息后，并不能直接作為環(huán)境信息被使用，因?yàn)檫@些信息互相不匹配，呈混亂無序狀態(tài)，如上圖所示，我們需要進(jìn)行屬于前端過程的掃描匹配步驟，利用一些算法把掃描出的地圖碎片整合在一起。常用的由很多種算法，這里我們選用一種改進(jìn)的icp算法，總的來說激光雷達(dá)可以獲得離散的點(diǎn)云數(shù)據(jù)，為了獲取被測物體的完全幾何信息，需要將不同視角下的多組點(diǎn)云統(tǒng)一到同一個坐標(biāo)系下進(jìn)行點(diǎn)云匹配。本次設(shè)計(jì)采用改進(jìn)ICP算法進(jìn)行激光點(diǎn)云的數(shù)據(jù)處理。ICP需要反復(fù)執(zhí)行一下兩個步驟直到收斂，第一步為兩個點(diǎn)集之間的匹配點(diǎn)對，第二步為根據(jù)上一步利用奇異值分解（線性代數(shù)中的一種矩陣分解機(jī)方法）的方法計(jì)算出兩點(diǎn)集之間的轉(zhuǎn)換矩陣。在介紹改進(jìn)icp算法時，首先對icp算法作出介紹及說明，經(jīng)典icp算法就是將兩組點(diǎn)云進(jìn)行計(jì)算配準(zhǔn)，常用的R為旋轉(zhuǎn)矩陣，T為平移向量，其實(shí)都是未知的，然后我們利用未知量進(jìn)行算法計(jì)算，這里先看已知的情況點(diǎn)云一記為xm的組，點(diǎn)云二記為zm的組，然后將此描述成最小化均方誤差： （3-1）首先可以求得點(diǎn)云質(zhì)心作為坐標(biāo)原點(diǎn)： （3-2） （3-3）依此可以求得每個點(diǎn)云的坐標(biāo)： （3-4） （3-5）接下來計(jì)算并且進(jìn)行奇異值分解： （3-6）如此即可求出icp的解： （3-7）這就是已知點(diǎn)的情況，未知點(diǎn)就對點(diǎn)云之間求解位姿，做迭代變換（即多次做點(diǎn)云計(jì)算像上面的式子一樣）再對其進(jìn)行重復(fù)計(jì)算，越來越達(dá)到要求即可。這就是傳統(tǒng)icp算法的原理，但是其噪點(diǎn)較多，這里應(yīng)用一種改進(jìn)icp算法，其實(shí)就是加入DBSCAN算法，就是可以把周圍的點(diǎn)匯聚起來的靠在一起的部分做一個聚類，可以有效降低甚至可以消除噪點(diǎn)。除去這些干擾在進(jìn)行匹配會使結(jié)果更加達(dá)到我們想要的效果，這就是前端所需的掃描匹配環(huán)節(jié)，可以說是至關(guān)重要。3.2基于圖優(yōu)化的SLAM圖優(yōu)化簡單來說就是把檢測出的數(shù)據(jù)本身作為一個點(diǎn)，把隨著時間移動的路程位置關(guān)系作為可以把這些點(diǎn)連在一起的線，構(gòu)成類似拓?fù)浣Y(jié)構(gòu)的圖，在根據(jù)圖中的每一組小圖構(gòu)成數(shù)學(xué)關(guān)系式，在整合這些數(shù)據(jù)后，激光小車則會自動根據(jù)這個優(yōu)化地圖調(diào)整自己到最好狀態(tài)?；丨h(huán)檢測則根據(jù)當(dāng)前采集的數(shù)據(jù)和柵格地圖進(jìn)行匹配檢查從而實(shí)現(xiàn)修正，因此位姿是即時調(diào)整的，因此用此方法精度也比較高。SLAM方法中將機(jī)器人的實(shí)時位姿作為一個節(jié)點(diǎn)，位姿之間的關(guān)系構(gòu)成邊，這就是圖優(yōu)化前端，一個頂點(diǎn)連同周圍的邊就成為圖，這些邊會構(gòu)成約束，后端就是調(diào)整機(jī)器人位姿去實(shí)現(xiàn)圖優(yōu)化。根據(jù)圖的理論在SLAM機(jī)器人位姿由節(jié)點(diǎn)組成，里程計(jì)等傳感器則可以構(gòu)建邊與邊之間的關(guān)系，在圖優(yōu)化SLAM的前端，首先根據(jù)icp匹配，編碼器測量出的數(shù)據(jù)，可以求得每兩個位姿之間的約束關(guān)系，局部地圖也得以創(chuàng)建，同時使用閉環(huán)檢測進(jìn)行修正，對于約束關(guān)系來說，這就是強(qiáng)檢測。前端完成了局部小地圖的構(gòu)建，后端則結(jié)合閉環(huán)檢測的數(shù)據(jù)以及節(jié)點(diǎn)圖創(chuàng)建新的節(jié)點(diǎn)地圖，不斷優(yōu)化更新圖節(jié)點(diǎn)后，此時誤差大大縮小，再輸出真實(shí)的環(huán)境地圖。這就是圖優(yōu)化，本質(zhì)上和濾波法殊途同歸，都是為了盡可能除去偏差獲得完善的環(huán)境地圖，但濾波是一點(diǎn)一點(diǎn)進(jìn)行，誤差也會慢慢累積，而圖優(yōu)化則是在獲取全部的點(diǎn)后，在全局做出最優(yōu)優(yōu)化，因此不容易產(chǎn)生累計(jì)的誤差，自然也不是進(jìn)行位姿的糾正。3.3本章小結(jié)本章著重研究了SLAM內(nèi)容，包括前端掃描匹配和后端的優(yōu)化處理，是定位與建圖的關(guān)鍵，在整個機(jī)器人自主移動的項(xiàng)目中至關(guān)重要，是目前科學(xué)研究的熱點(diǎn)，也是未來開發(fā)的主要方向，為了讓地圖更加精確，一般還要用到多個傳感器融合的方法，至本章結(jié)束，移動機(jī)器人自主作業(yè)所需的運(yùn)動模型的地圖構(gòu)建全部完成，接下來就是如何讓機(jī)器人路徑規(guī)劃的問題了?；诩す鈱?dǎo)航的移動機(jī)器人的導(dǎo)航算法在第二章和第三章里，研究了基本的環(huán)境地圖和定位構(gòu)建，而在一個機(jī)器人自主移動的過程中，路徑規(guī)劃也至關(guān)重要，甚至可以說是核心部分，再有全部地圖信息時做路徑規(guī)劃為全局路徑規(guī)劃，機(jī)器人根據(jù)實(shí)時位置自己由算法規(guī)劃出一條可行路線且不會和周遭環(huán)境產(chǎn)生相觸，但要求環(huán)境已知。但只有全局算法還不夠，機(jī)器人在面對突發(fā)狀況時就要對具有部分環(huán)境信息的情況進(jìn)行小型局部路徑規(guī)劃，意思時有部分情況位置時運(yùn)用局部算法，本章主要對全局局部算法做出研究，且講述本文研究的主要內(nèi)容-局部避障算法dwa動態(tài)窗口法，且提出至少一種算法做出比較。4.1基于A*算法的全局路徑規(guī)劃全局算法至關(guān)重要，有蟻群算法，A*算法等等，一般是求解在地圖中最短路徑的問題，其中由長時間的研究得出，A*是最有效直觀的，自動搜索也用此類算法，但是A*全局算法在動態(tài)路徑問題中則每進(jìn)行一次周遭環(huán)境的改變都要重新計(jì)算路徑一次。目前也有前沿的D*算法可以實(shí)時規(guī)劃，環(huán)境不定時更為實(shí)用，所以可以看出目前不管是建圖還是規(guī)劃路線都是發(fā)展十分迅速的，本次項(xiàng)目使用的也是A*算法，但是由于它不是本次課題的重點(diǎn)所以本節(jié)主要介紹一下A*的原理性知識，以便在此基礎(chǔ)上實(shí)現(xiàn)局部路徑規(guī)劃。要研究這種算法首先看一下它的估價(jià)函數(shù)f（估計(jì)節(jié)點(diǎn)重要性的函數(shù)）： （4-1）在這里k為節(jié)點(diǎn)，是初始點(diǎn)到實(shí)時點(diǎn)的實(shí)際移動代價(jià)（也可以理解為損失）： （4-2）h（k）為路徑代價(jià)，在當(dāng)前算法下，不采用歐式算法而是運(yùn)用了曼哈頓算法（Manhattan）： （4-3）所以這樣的絕對距離和就可以用作計(jì)算h（k）。這就是最基本的基于A*算法的全局路徑規(guī)劃，主要在環(huán)境地圖已知時不會碰撞，但這種算法在柵格地圖之下必須經(jīng)過柵格的中心，所以精度不是很高，但是后續(xù)又有很多的算法作出改良，如基于A*的平滑算法等等，在此處不作進(jìn)一步說明。4.2局部路徑規(guī)劃4.2.1DWA動態(tài)窗口法這一節(jié)主要研究局部避障方法，所謂的局部避障方法就是全局環(huán)境已知，在A*全局算法的基礎(chǔ)上，只知道局部環(huán)境，如環(huán)境發(fā)生變化或者有未知活動物體等未知環(huán)境因素進(jìn)入已知環(huán)境中，裝載了傳感器的移動小車要依靠自身的設(shè)備實(shí)時獲得環(huán)境信息，在完成自己車體定位的同時還要有完備的避障功能，一要識別阻擋物，其次要單獨(dú)規(guī)劃路線成功規(guī)避障礙物，然后在避障結(jié)束后返回原路線。在當(dāng)前的大環(huán)境下，局部避障法除了動態(tài)窗口法之外還有人工勢場法等等，一般的模糊邏輯控制法精度較高但計(jì)算量較大；綜合考慮動態(tài)窗口法比較好，下圖主要介紹DWA動態(tài)窗口法的流程圖：圖4-1DWA動態(tài)窗口法整體流程圖動態(tài)窗口法是機(jī)器人動力學(xué)的衍生，直接在速度空間中計(jì)算指令，我們在運(yùn)用此方法時把機(jī)器人走過的每一條曲線表示為一個速度向量（v,w），前者為平移速度，后者為旋轉(zhuǎn)速度，這些向量組成了向量空間，DWA方法在此空間上采樣多種速度樣本，以這些樣本為基準(zhǔn)模擬未來一段時間的軌跡，在得到多條軌跡后逐一進(jìn)行比較篩選，擇其最優(yōu)使用。該方法中的“窗口”表現(xiàn)在把移動小車的各個運(yùn)動參數(shù)的采樣空間做一個動態(tài)范圍限定，前提是在所可以達(dá)到的條件下。首先第一步我們根據(jù)運(yùn)動模型模擬軌跡，先假設(shè)機(jī)器人主要運(yùn)動方式為正常行進(jìn)和轉(zhuǎn)向，只用到v和w，我們利用相鄰點(diǎn)中的其中一個點(diǎn)進(jìn)行位移推算，則可以得到激光小車后一時刻相對于前一時刻移動了多少： (4-4) （4-5）下一時刻數(shù)據(jù)： （4-6） （4-7） （4-8）這種軌跡推算方法雖然不是全向運(yùn)動，但卻應(yīng)用的較多，本文就使用了這一方法，接下來要進(jìn)行速度采樣在（v,w）空間中，有無限多的速度，但是環(huán)境和小車自身的參數(shù)可以把它限制在一個窗口下。⑴自主移動洗地車的速度上下限限制： （4-9）⑵由于機(jī)器小車使用的點(diǎn)機(jī)小車的限制，加速度有限制，因此該車在自動向前模擬的過程中真正可以達(dá)到的速度被控制在一個范圍內(nèi)： （4-10）式子中的c下標(biāo)的代表機(jī)器人可以運(yùn)行的實(shí)時速度，a下標(biāo)代表如果最大，b下標(biāo)則代表下限。⑶避障要求：這里我們用dist（v,w）為所用速度空間中機(jī)器人到下一障礙物的距離，所以為了達(dá)到避障要求，我們假設(shè)小車達(dá)到最大減速度，此時速度求出一個范圍使得機(jī)器車怎么樣都不會與障礙物相撞： （4-11）在我們這次項(xiàng)目中是使用上海合時公司的小車進(jìn)行驗(yàn)證，但主要要在vs2019上做一個仿真，首先我們需要在機(jī)器環(huán)境下先模擬出障礙物，這里用圓來表示。在此后，我們模擬出機(jī)器車的行進(jìn)路線后，要找到圓的對應(yīng)位置，再求得機(jī)器車到圓心的距離，然后看機(jī)器車以自己采樣的這些速度行駛能不能撞到圓形障礙物，也就是能不能達(dá)到我們的預(yù)期要求，如若滿足需求，就采用這組速度，且為了計(jì)算，否則直接棄之不用，自此速度采樣完成。之后評價(jià)函數(shù)評價(jià)每組可行軌跡，以下為評價(jià)函數(shù)： （4-12）包括看角度的方位角評價(jià)函數(shù)，空隙評價(jià)函數(shù)，用來把沒有障礙物的地方用常數(shù)填補(bǔ)，最后是評價(jià)速度的速度評價(jià)函數(shù)。因?yàn)橛蓚鞲衅鳈z測出的數(shù)據(jù)是不連續(xù)的，也會導(dǎo)致某一項(xiàng)數(shù)據(jù)過于突出不能用一種評價(jià)標(biāo)準(zhǔn)評價(jià)，所以需要每一部分中的單獨(dú)一項(xiàng)除以所有綜合即歸一化處理，使每一部分中的一項(xiàng)都變成同一的百分比，標(biāo)準(zhǔn)相同。在有這三個評價(jià)函數(shù)后，得分越高越好，就這樣按照最高分由小車自己選擇的話既可以規(guī)避障礙，又可以盡可能的朝著目標(biāo)快速行駛，所以都是比較有用的。4.2.2人工勢場法上一章節(jié)中我們研究了動態(tài)窗口法，這一小節(jié)我們主要研究和對比人工勢場法，在機(jī)器人的局部路徑規(guī)劃研究中，此法比較常見，而且想法比較獨(dú)特，此法就和它的名字一樣，把整個運(yùn)動研究置于一個人造的，虛擬的勢場中，用到了本體、障礙和目標(biāo)地點(diǎn)的關(guān)系，在此法中認(rèn)為目標(biāo)點(diǎn)在吸引機(jī)器人，障礙物在排斥機(jī)器人，擁有這兩種假設(shè)意義中的物理上的力，它們會產(chǎn)生一種和力主導(dǎo)小車運(yùn)動，這就是人工勢場法的思想，而如何構(gòu)建一種可以產(chǎn)生這兩種力的力場也是本方法的關(guān)鍵。在這里我們對人工勢場法進(jìn)行分析,首先，要構(gòu)建模擬的引力場和斥力場，在數(shù)學(xué)上無論是美觀還是直觀程度都是不錯的。但是在實(shí)際使用此方法的過程中，因?yàn)榇嗽淼木窒?，小車一般從遠(yuǎn)處接近，所以目標(biāo)施加的引力會較大，障礙物施加的阻力就幾乎可以無視了，如此才能使得小車可以無視阻擋直接向目的地走去。這樣固然可以達(dá)到大致目的，但卻會使在斥力較小的條件下容易避障失效。這是其中一個隱患，還有就是前人在研究人工勢場法時總是把障礙物遠(yuǎn)離目標(biāo)點(diǎn)，但是實(shí)際情況不總是如此，就會使小車在駛向目標(biāo)的過程中受到斥力以至于無法到達(dá)目標(biāo)點(diǎn)。更有甚者若兩力在某處相抵消，則容易死循環(huán)在局部的最優(yōu)值。綜上我們還是選擇了能夠即時計(jì)算的動態(tài)窗口法。這就是本文研究的核心內(nèi)容，但在突然出現(xiàn)未知情況的時候，就需要我們進(jìn)行異常檢測，然后重新定位小車位置，最后還要重新完成上述內(nèi)容，以后有待研究。4.3本章小結(jié)本章為此論文的核心，也是本文研究的主要問題，即在完成全局規(guī)劃的基礎(chǔ)上進(jìn)行局部路徑規(guī)劃。此次研究主要使用更為有效和能夠即時進(jìn)行路徑規(guī)劃的操作動態(tài)窗口法，同時對另一種常見的局部避障法人工勢場法做出比較。至此完成基于激光導(dǎo)航的移動機(jī)器人的控制避障算法研究，下一章節(jié)主要針對具體實(shí)驗(yàn)做出分析。

實(shí)驗(yàn)分析5.1硬件平臺本次實(shí)驗(yàn)使用的是上海合時公司的激光洗地小車，整個小車的示意圖如圖5-1所示，使用的部件見圖2-1，在本章的此節(jié)我們將對本次實(shí)驗(yàn)所使用的硬件平臺即PC機(jī)的參數(shù)做出介紹如圖5-1所示。圖5-1上海合時洗地車表5-1PC機(jī)參數(shù)主機(jī)名：DESKTOP-PHDLA9AOS名稱：MicrosoftWindows10家庭版OS版本：10.0.19042OS制造商：MicrosoftCorporationOS配置：獨(dú)立工作站系統(tǒng)型號：Inspiron5577系統(tǒng)類型：x64-basedPC物理內(nèi)存總量：8,054MB可用的物理內(nèi)存：812MB如上圖所示，這就是所用PC機(jī)的大致配置，用此pc機(jī)連接操作板就可以對具體的洗地機(jī)器車發(fā)出控制指令從而實(shí)現(xiàn)控制，操作面板如圖5-2所示：圖5-2洗地車操作界面5.2軟件仿真在洗地小車實(shí)際的操作中操作人員可以在小車的屏幕上觀察小車構(gòu)建的地圖和路線，如圖5-3所示：圖5-3實(shí)際顯示界面上圖就是該洗地車在昏暗光線條件下構(gòu)建出的地圖，藍(lán)色的線條則是預(yù)先規(guī)劃好的路線，在完成這些預(yù)備工作后，小車就會從初始位置自動運(yùn)行沿藍(lán)線運(yùn)行，若遇到不屬于原來路線的障礙物則會重新規(guī)劃路線，但目前對突然出現(xiàn)的障礙物小車還不能進(jìn)行即時反應(yīng)。一般情況下，機(jī)器人系統(tǒng)常在ROS操作系統(tǒng)下完成，而本次實(shí)物則是基于windows系統(tǒng)，不但適合大部分人的操作習(xí)慣，而且利于windows平臺下的二次開發(fā)，在此之外，本課題主要是為了研究基于激光導(dǎo)航的移動機(jī)器人的算法，所以，我們基于此課題在觀察實(shí)物的同時在VS2019的OPENCV環(huán)境下進(jìn)行DWA算法的仿真；并且結(jié)合實(shí)際數(shù)據(jù)進(jìn)行分析。圖5-4仿真界面圖5-5實(shí)際所用坐標(biāo)系圖5-6仿真效果仿真效果如圖所示，圓形就是模仿畫出的障礙物，藍(lán)線就是小車自動完成避障且最快到達(dá)目標(biāo)點(diǎn)的效果，代碼見附錄?；就瓿闪舜舜握n題的要求，并且由下圖所示，結(jié)合實(shí)踐做出分析，首先在SPYDER環(huán)境上做出數(shù)據(jù)處理給出正常行駛數(shù)據(jù)：圖5-7正常行駛數(shù)據(jù)1圖5-8正常行駛數(shù)據(jù)2圖5-9正常行駛數(shù)據(jù)3接下來是帶避障的數(shù)據(jù)：圖5-10避障行駛數(shù)據(jù)1圖5-11避障行駛數(shù)據(jù)2圖5-12避障行駛數(shù)據(jù)3由上述一系列分析和對比臂避障前后的圖片可以得出，實(shí)際可以實(shí)現(xiàn)避障功能，仿真上也可以，至此動態(tài)窗口法的局部路徑規(guī)劃基本研究完成，并且可以完成相應(yīng)功能地圖規(guī)劃以及避障功能。5.3本章小結(jié)本章完成了激光洗地車的實(shí)際數(shù)據(jù)分析以及在VS2019的OPENCV環(huán)境下作出了DWA動態(tài)窗口法的仿真，給出了仿真結(jié)果。同時著重介紹了硬件參數(shù)、軟件仿真的過程，以及給出了正常行駛和帶有避障情況下的數(shù)據(jù)對比。實(shí)驗(yàn)結(jié)果表明此次使用的動態(tài)窗口法是可行的，并且可以在Windows系統(tǒng)下可靠的完成。

第六章總結(jié)與展望本文主要以現(xiàn)在移動機(jī)器人為背景，做了基于激光導(dǎo)航的機(jī)器人的控制算法研究，主要包括以下內(nèi)容：研究了雙輪差動機(jī)器人的運(yùn)動模型；研究了基于圖優(yōu)化的SLAM方法以及點(diǎn)云匹配法；最后在這些基礎(chǔ)上完成了本文最關(guān)鍵的一步-全局及局部路徑規(guī)劃，同時通過實(shí)驗(yàn)數(shù)據(jù)和仿真結(jié)果驗(yàn)證了實(shí)驗(yàn)的可行性。在此對全文進(jìn)行總結(jié)：首先先明確整體要完成基于激光導(dǎo)航的移動機(jī)器人功能需要的總體步驟，包括SLAM建圖，點(diǎn)云匹配以及設(shè)計(jì)路線。在這一大框架下先介紹了國內(nèi)外發(fā)展的現(xiàn)狀，通過對一系列技術(shù)和知識的學(xué)習(xí)，最終使用了基于激光傳感器的SLAM進(jìn)行研究，在進(jìn)一步比較算法，使用hectorSLAM作為理論支撐，應(yīng)用一種改進(jìn)icp算法，加入DBSCAN算法，有效降低甚至可以消除噪點(diǎn)。除去這些干擾在進(jìn)行匹配會使結(jié)果更加達(dá)到我們想要的效果，以此完成前端所需的掃描匹配環(huán)節(jié)。其次使用圖優(yōu)化盡可能除去偏差獲得完善的環(huán)境地圖，獲取全部的點(diǎn)后，在全局做出最優(yōu)優(yōu)化，不容易產(chǎn)生累計(jì)的誤差至此完成建圖，之后提出全局A*算法并在全局算法的基礎(chǔ)上研究本章重點(diǎn)的局部避障方法，并最終在動態(tài)窗口法和人工勢場法中提出比較并選擇前者。從而在經(jīng)過實(shí)物和VS2019仿真的雙重驗(yàn)證后，成功完成了移動機(jī)器人有效避障功能的實(shí)現(xiàn)。讓我們選擇的方法有了更加可靠的支撐。在完成此次項(xiàng)目的同時明顯也能感覺到未來的發(fā)展趨勢以及本次激光小車的不足之處，在此提出。首先，本文基于2DSLAM做出研究，同時也發(fā)現(xiàn)了2D環(huán)境不夠直觀簡潔從而必然被3D環(huán)境發(fā)展替代的必然趨勢；其次本車使用了激光陀螺儀等多個傳感器，但如果能夠使用相機(jī)聲納進(jìn)行傳感器融合又會大大提高傳感器的精度。在本次問題中本來是基于柵格地圖的實(shí)驗(yàn)，但沒有能夠?qū)崿F(xiàn)，相信在柵格地圖的基礎(chǔ)上，定位建圖能夠更加精確有效，而且目前還有拓?fù)涞貓D很值得研究，不僅能夠有效規(guī)劃路徑且精確定位還能很方便操作員學(xué)習(xí)，很值得研究。在本文的最后一部分研究內(nèi)容也就是路徑規(guī)劃中，提出了動態(tài)窗口法這一直觀精確的方法，但是在局部避障中一旦有突然的陌生的障礙物加入環(huán)境中如突然走過來的人或忽然掉下的東西，機(jī)器人很難反應(yīng)，所以在障礙檢測和重定位這方面還有很大的研究空間，同時在本次實(shí)踐中還存在由于小車體積等外界因素造成的重新規(guī)劃路線不能有效避障的情況，也需要在今后的研究中探索和解決。

參考文獻(xiàn)羅恒杰,鮑泓,徐成,李培峰等.基于激光雷達(dá)的2DSLAM方法綜述[J].計(jì)算機(jī)科學(xué)，2019，46(10A)：162-167.危雙豐,龐帆,劉振彬,師現(xiàn)杰.基于激光雷達(dá)的同時定位與地圖構(gòu)建方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2020，37(02)：328-332.何世政.2D激光和深度相機(jī)融合的移動機(jī)器人SLAM算法研究[D].安徽理工大學(xué)，2020：50-65.王彥.基于激光雷達(dá)的移動機(jī)器人SLAM研究[D].陜西理工大學(xué)，2020：20-28.任紀(jì)穎.基于圖優(yōu)化的差速移動機(jī)器人激光SLAM研究[D].山東大學(xué)，2020：26-29.熊艷.移動機(jī)器人激光導(dǎo)航系統(tǒng)研究與實(shí)現(xiàn)[D].重慶郵電大學(xué)，2015：68-72.韓敏.移動機(jī)器人自主避障能力淺析[N].中國計(jì)算機(jī)報(bào)，2021-3-22（14).文國成，曾碧，陳云華.一種適用于激光SLAM大尺度地圖的閉環(huán)檢測方法［J］．計(jì)算機(jī)應(yīng)用研究，2018，35(6)：1724-1727，1732．OlsonEB.Real-timecorrelativescanmatching［C］//ProcofIEEEInternationalConferenceonRobotsandAutomationPiscataway，NJ:IEEEPress，2009:4387-4393．[10]GrisettiG，StachnissC，BurgardW．Improvedtechniquesforgridmap-pingwithRao-Blackwellizedparticlefilters［J］．IEEETransonRo-botics，2007，23(1):34-46．[11]FERNANDOM,RUDOLPHT,LUISM,etal.Twodifferenttoolsforthree-dimensionalmapping：de-basedscanmatchingandfeature-basedloopdetection]J].Ro-botica,2014,32(1)：19-41.[12]HessW，KohlerD，RappH，etal．Real-timeloopclosurein2DLidarSLAM［C］//ProcofIEEEInternationalConferenceonRobo-ticsandAutomation．Piscataway，NJ：IEEEPress，2016：1271-1278．[13]KohlbrecherS，VonStrykO，MeyerJ，etal．AflexibleandscalableSLAMsystemwithfull3Dmotionestimation［C］//ProcofIEEEIn-ternationalSymposiumonSafety，Security，andRescueRobotics．Pis-cataway，NJ:IEEEPress，2011:155-160．[14]領(lǐng)銜資訊.SLAM在國內(nèi)的發(fā)展現(xiàn)狀[EB/OL]./slamtec/p/9686610/html[15]辛煜，梁華為，海濤等.基于激光傳感器的無人駕駛汽車動態(tài)障礙物檢測及表示方法[J].機(jī)器人，2014，36（6）：655-661.[16]李金龍,曹喜信,王浩然,張朝陽.提升移動機(jī)器人激光導(dǎo)航精度的技術(shù)研究與實(shí)現(xiàn)[J].微納電子與智能制造,2020,2(03):5-10.附錄VoidDwaSample(){cout<<"DynamicWindowApproachsampleprogramstart!!"<<endl;statestatex={0,0,pi/10,0,0};//機(jī)器人初始狀態(tài)vector<state>cartraj,realtraj;//cartraj累積存儲走過的軌跡點(diǎn)的狀態(tài)值//機(jī)器人運(yùn)動學(xué)模型參數(shù),最高速度m/s],最高旋轉(zhuǎn)速度[rad/s],加速度[m/ss],旋轉(zhuǎn)加速度[rad/ss],速度分辨率[m/s],轉(zhuǎn)速分辨率[rad/s]]floatKinematic[6]={10.0,DegreeToRadian(20.0),2,DegreeToRadian(50.0),0.1,DegreeToRadian(1.0)};Pointend(300,290);//評價(jià)函數(shù)參數(shù)[heading,di