基于視覺SLAM 的自主導航無人車研究

德州學院 班瀟予 朱恒偉 蘇世耀 趙愛杰 李文文 畢森宇

具有自主導航能力且能夠在未知環境下正常運行的無人車成為了全球研究熱點,其中定位與SLAM建圖技術可為無人車自主導航提供實時的環境信息和位置信息。該技術是為了解決無人車在完全陌生的環境下通過無人車的自身傳感器來構建地圖且實現無人車的自身定位。本文在對SLAM技術理論研究的基礎上,結合當前SLAM研究中的主流算法開展研究工作,旨在實現無人車的自主定位與導航。

基于視覺SLAM的自主導航無人車主要是通過使用導航定位來實現在未知環境中的運動。讓無人車感知自身狀態與周圍環境，使其完成其他更加復雜的任務，如：路徑規劃、導航、避障等基礎功能，其具有高精度的定位性，車體前部裝有激光雷達向目標發射探測信號,然后將接收到的從目標反射回來的信號與發射信號進行比較。使用usart1和樹莓派進行通信。串口通信是SLAM無人車的核心內容，主要是將基礎的傳感器數據（自身位姿、運動狀態、電源管理數據、障礙物信息、充電樁信息等）和無人車系統之間搭建橋梁，使得無人車能夠在ROS系統中建立運動模型。

1 SLAM技術研究與應用現狀

同步定位與建圖(SLAM）技術能對無人車進行實時航行環境感知和自身定位,為無人車自主導航提供關鍵信息。近年來，其成為智能化機器人領域研究的前沿技術，以席卷之勢顛覆了多個領域。從早期的掃地機器人在家庭中的應用，到新興技術增強現實、虛擬現實在舞臺表演、醫療、游戲等領域的應用，再到近期的百度、谷歌無人駕駛汽車，其核心技術都涉及SLAM。而隨著計算機視覺技術的逐漸興起，并且視覺傳感器具有較多優點，例如成本低、小型化等。

鑒于當前視覺SLAM技術的應用，且隨著科技的發展，人工智能的持續突破，設計制造一款基于視覺SLAM的自主導航無人小車來代替配送員實現非復雜路線的導航及配送功能，這不僅減少了人與人接觸感染的風險，還能大大的提高配送效率，更加方便、快捷、安全。無人車作為廣義上的移動機器人,簡化仿人機器人的運動形式,從而能夠更加專注于解決具體問題，脫離傳統導航系統的束縛以實現真正自主化，視覺SLAM技術則是能應用于無人機上實現自主導航的關鍵。

2 基于視覺SLAM的算法分析

在構建地圖時，SLAM是最常用的工具，建圖主要由無人車的定位與其環境地圖的建立兩大部分組成。在實現無人車自主導航的模型構建中，即使將一輛無人車放在未知環境中的任意位置，也能使無人車在移動過程中可以隨時構建出該環境中完整的地圖（完整的地圖是指無人車在進入房間時可以靈敏的躲避障礙，該障礙也就是熟知地圖中的障礙點）。定位與建圖相輔相成、互相影響。

2.1 Gmapping建圖算法分析

Gmapping建圖算法主要應用在此無人車中。在建圖時，首先應參考已知地圖，并從中獲得無人車的坐標和方向。若想得到障礙物距無人車的距離，應先找到無人車的具體定位，并使用無人車中的激光雷達掃描障礙物，即可測得障礙物距無人車距離。綜上，第一步在建圖過程中已知無人車的精準位置（朝向與坐標位置），且在第二步計算出障礙物距無人車的距離。在掃描算法中主要采用bresenham直線段，在無人車所處的柵格與障礙物柵格之間畫直線。在掃描算法中，也能用概率去表示被占的柵格。用兩個激光束分別掃描并標記為occupy，因此被占據的柵格概率也就會隨之變大，相反，柵格的概率變小。所以即可使用二維柵格的地圖來表示無人車處的環境。

2.2 Hector slam建圖算法分析

Hector slam算法一般情況下都會遇到scan-matching問題，為了解決此問題，引入了高斯牛頓的方法，因此傳感器要求應更加靈敏。

優點：實現了空中無人機及地面小車在惡劣環境中建圖的運用，不使用里程計；從得到的地圖中進一步優化激光束點陣，估計激光點所占網格的概率，和其在所構建地圖中的位置信息；利用高斯牛頓方法，可以使其在已有地圖的剛體變換中獲得激光點集的映射。

缺點：運算過程中，在保證由于測量而引起的噪聲較低的情況下，且要求雷達（LRS）在每秒鐘的更新頻率盡可能高。因此，在圖形制作時，如果想得到較為理想的建圖效果，就必須將robot速度控制在一個偏低的范圍內。在運算過程中可能會出現里程計信息使用無效的情況，即使該無效信息是在相比之下較為準確的里程計數據。

2.3 Cartographer建圖算法分析

基于谷歌的slam建圖項目Cartographer，視覺攝像頭可設置在頂部并進行實時網格劃分，達到5cm級精度的2D網格圖像。在生成一個子圖后，會先進行一次局部的回環，完成所有子圖后，再進行全局的回環。

3 無人車模型搭建及導航

3.1 無人車運動模型的搭建

給定一個坐標系，若想無人車實現運動則必須依附于給定的坐標系。右手笛卡爾坐標系則被廣泛應用其中。使用該坐標系時應先握緊右拳，其右手大拇指所指方向為Z軸，右手中指所指方向為Y軸，右手食指所指方向為X軸。而對于無人車來說，在控制運動過程中，其實不難發現無人車的運動實質上就是在二維平面內（對應右手笛卡爾坐標系的XY軸平面）進行的，因此無人車無論在做何種運動，其Z軸方向的線速度始終為0，也可認為無人車在Z軸方向不做運動。從而得出結論，無人車在Y軸方向的角速度不為0，而線速度為0；在Z軸方向的角速度不為0；而在X軸方向的角速度為0且在Y軸方向角速度也為0。

航跡推演（Odometry）常用于無人車底層開發程序中的導航定位和一般方向控制。其中，不僅能估計無人車的位姿，還有一個很重要的是無人車行進速度與左右輪速度、轉向角速度w之間的轉換關系。運動學模型的正確解釋是將無人車的輪速轉化為笛卡爾右手坐標系中的X、Y方向上的線速度和Z方向上的角速度。圖1中θ1為兩個相鄰時刻內無人車旋轉的角度，θ3為相鄰兩時刻內無人車航向角之差。l是左右輪之間的間距，d是右輪比左輪多走的距離，r是移動機器人圓弧運動的半徑。

圖1 相鄰時刻的位姿態

（1）無人車在每秒鐘的前進速度為：

（2）無人車角速度與航向角計算。如圖1所示，將兩個不同時刻、不同位置的無人車加到一起，則可以看出無人車航向角變化量θ3。從圖中可以看出：

（3）無人車航向角變化的度數等于圓心旋轉的度數。讓無人車繞其中心旋轉一周（做圓周運動），此時便可知道無人車的航向角為360°，其繞圓心運動的角度也為360°。最終便可得到公式：

則無人車繞圓心運動的角速度就等于航向角變化的速度：

3.2 基于ROS的導航

首先將ROS安裝在樹莓派系統中，并設置樹莓派的網絡環境；其次需要將與樹莓派相同版本的ROS安裝在Ubuntu主機上，Ubuntu主機網絡連接網絡后，再將其主機配置為ROS網絡；隨后Ubuntu主機通過SSH連接樹莓派，在SSH連接后的樹莓派終端后輸入roscore來測試ROS網絡。經過以上操作便可開發。

在操作過程中，采用ToF方法，該方法測量了光脈沖從發射器發出，經目標表面反射，返回到圖像傳感器所經歷的時間。

4 車道線檢測和行駛

基于opencv的圖像處理技術，將無人車放置在車道內通過攝像頭采集車道數據，對車道圖像進行處理和檢測。然后，控制機器人在車道線內移動，同時實現大彎、小彎、S彎、十字路口等路道檢測和運動。測試之前確保已經在地面粘貼了車道，車道內部為白板、邊線為黑色。同時布置好攝像儀器，其位置在正前偏下。

當所有操作完成后，開始讓無人車移動。打開新的終端，通過rosparam set設置參數，rosparam get查看參數。當StartMove設置為true時，無人車開始沿著車道移動。在移動過程中我們可以調節大彎和小彎的MaxKP，MixKP參數。不同的參數無人車轉彎或發生變化，參數越大無人車的調節就會更快，轉彎半徑也會增大。

結論：本文通過對SLAM建圖及其算法進行分析，設計出一種基于SLAM建圖的的無人車，并進行無人車運動模型的搭建。選擇室內布置道路進行車道線檢測和行駛，通過無人車室內道路試驗，驗證了無人車可以正常的采集道路信息并按照軌跡行駛，且具有良好的操縱穩定性，可以滿足設計要求。