基于激光雷達的自動駕駛的方案設計

王建彬　張軒望　譚卓　侯明

摘 要：針對在封閉環境內智能車如何實現自動駕駛問題，本文通過算法與理論的分析以及在仿真環境中進行運動規劃的驗證，進而得到了一套低成本、簡單易操控的自動駕駛引導方案。經實驗結果證明，基于ROS平臺設計的智能車，在地圖構建（SLAM）、定位、路徑規劃方面具有較好的穩定性、實時性、快速性與準確性。

關鍵詞：自動駕駛 ROS 仿真

1 自動駕駛的整體設計方案

這套針對封閉環境中既定路徑下車輛自動駕駛的控制方案是基于ROS操作平臺實現的，ROS提供了大量的工具組合用來進行功能的配置、啟動、自檢、調試以及可視化。在ROS平臺中使用Gmapping算法針對激光雷達和IMU位姿傳感器檢測和采集的信息對周圍環境進行二維柵格地圖構建（SLAM）、采用AMCL算法來實現車輛在地圖中的準確定位、最后通過A*算法進行全局的路徑規劃。在路徑規劃中針對道路中臨時出現的障礙通過TEB算法進行判別并進行局部的路徑規劃以實現對其合理避讓。整套方案在結構上具有適應性廣泛、開發成本低的特點，在不降低效率的前提下實現了對于自動駕駛的功能。

2 基于Gmapping建圖功能的設計

SLAM全稱為Simultaneous Localization and Mapping，及定位的同時完成建圖。本節從Gmapping算法功能包開始，結合重要參數信息展開介紹SLAM建圖功能。

Gmapping運行的理論基礎為通過從激光雷達和里程計分別獲取數組觀測向量信息和里程計測量信息，經過TF轉換，輸出地圖信息和位姿估計。

3 定位以及導航算法功能介紹

AMCL全稱為自適應蒙特卡洛定位，是在傳統MCL定位算法基礎上，添加KLD采樣實現功能改進。針對已有的地圖，使用粒子濾波器跟蹤機器人位置姿態。AMCL算法解決了機器人綁架問題，有效防止迭代過程中重要信息粒子的缺失，并極大程度地提高了運算效率。

4 全局路徑規劃

全局路徑規劃代價地圖包含地圖層和膨脹層。并基于A*算法配置、設計全局路徑規劃器，通過全局代價題圖獲取單元格代價信息，通過計算尋找起點與終點之間最小代價路徑。本節將具體介紹A*算法的基本原理以及實現過程。A*算法第一部是將區域作方格化簡化操作，將二維區域地圖簡化為2維數組的形式，數組的每個元素對應一個方格，便于計算操作。在簡化搜索區域完成后，需標注起始點、終點和障礙的位置信息。準備工作完成后，將起始點放入開放列表中，對其周圍的八個方格，計算F值，F值由G值和H值相加所得。G值對應從起始點移動到指定方格的移動代價，H值為指定方格移動到終點的估算成本。尋找F值最小的方格放入開放列表中，將該方格作為新的起始點，重復上述操作，直到起始點周圍方格中包含終點，則此時成功找到合適路徑。

5 局部路徑規劃

局部路徑規劃代價地圖包含障礙地圖層和膨脹層。該功能用于小車行進過程中，對地圖中未記錄的障礙信息，能夠及時改變路徑避開障礙。局部路徑規劃器是基于TEB算法實現的。

TEB算法核心圍繞位姿和記錄時間序列展開。位姿及為機器人在地圖中的位置、姿態信息記錄不同時間段的位姿信息，經過整合形成位姿序列。時間序列則由相鄰位姿狀態變化所經歷的時間整合而成。將位姿序列和時間序列進行合并，以全局路徑允許的最大路徑作為約束條件，通過加權目標優化獲取最優的路徑點。

6 智能車在Gazebo中的仿真

實現基于ROS操作系統的智能車仿真，需要一個穩定且功能強大的仿真的環境。ROS 官方專門提供了Gazebo物理仿真軟件。Gazebo仿真環境可以實現機器人在三維環境中完成復雜動作。Gazebo不僅提供各種可二次開發的數據庫，還可以與ROS系統中的其他平臺進行通訊，不僅提高了開發人員的工作效率也為ROS 平臺的開發提供了更多的可能性。仿真具體過程的流程如下：

6.1 車模與運動控制器的建立

在ROS操作系統里面，一個完整的機器人仿真模型由一系列的link和joint組成，斑紋采用acrox描述文件來構建車模的link（部件）與joint（連接件）的基本屬性。Link設置模型的各個部件的特性與名稱，link的三個屬性分別為，conllision，inertial分別與外觀，碰撞屬性和慣性特性相對應。Joint則是連接兩個link的關節，將parent link與child link進行連接，由于parent link與child link的運動關系不同，使得不同joint之間的連接類型不同，下表為仿真模型用到的主要joint類型參數。控制器的配置在很大程度上決定了車模的屬性。

智能車模型的運動控制器配置過程：

1）在配置模型屬性的過程中，模型的各部分joint已經添加了gazebo的標簽并且添加了相應的控制器插件，接下來通過一個yaml文件，聲明仿真需要的controller以及相對應的參數，并通過joint_state_controller來發布每個關節的實時狀態。

2）生成啟動文件，在文件目錄下加載需要加載的controller

6.2 建圖：

首先，打開 gazebo和rviz的launch啟動文件，此時將加載仿真車模及其仿真環境，以及啟動gampping的功能文件。接著gazebo結點會自動訂閱車模坐標控制信息、里程計坐標信息、激光雷達坐標信息，結合AMCL算法實現小車自定位，為建圖做好準備。然后，通過采用設計好的控制工具包提供的滑塊控制車模在環境中運動（如圖2所示），通過rviz可以觀察車模運動過程中地圖的掃描情況。在車模運動過程中，gampping算法將車模的坐標控制信息、里程計坐標信息、激光雷達坐標信息進行處理運算實現二維地圖的構建。完成建圖工作后使用 map_server 命令行工具將掃描好的地圖進行保存。

6.3 導航：

首先，開啟gazebo和rviz的仿真環境，在gazebo仿真環境中增設障礙物錐桶，以模擬真實環境中的路況變化。Rviz能夠加載顯示出新建好的二維柵格地圖。其次，分別開啟全局路徑規劃、局部路徑規劃、AMCL定位的功能文件，自動引導啟動與定位和導航相關的多個節點。通過在rviz上使用2D-nav goal指定目標點的位姿矢量，之后move_base節點自動訂閱車模坐標信息進行定位，并由此計算出最佳路徑，由控制器發送指令控制車模沿路徑方向移動至終點。

7 仿真結果的分析

經過測試本實驗設計的智能車可以在仿真環境中完成SLAM導航，Gmapping建立柵格地圖，躲避障礙物等功能，實現了Gzaebo在仿真環境中的研究。

為了測試智能車在仿真環境中的性能。通過激光雷達建立柵格地圖與環境模型進行對比，驗證實驗結果的準確性。將柵格地圖與環境模型進行比較，可知智能車在環境建圖測試中表現良好，擁有著較為精準的導航與建圖功能。圖4為測試結果。

8 結論

基于該方案設計的自主駕駛方案，經過基于ROS平臺的 Gezabo 仿真實驗，得到了準確度較高的柵格地圖，經與仿真環境中的賽道進行對比，證實了該方案在校園清潔、 醫院消毒、封閉環境中的自動駕駛與路徑規劃等應用場景的可行性。

參考文獻：

[1]恩里克費爾南德斯.ROS 機器人程序設計[M]. 機械工業出版社.2016.

[2]李鑫. 基于激光雷達的同時定位與建圖方法研究[D].長沙.

[3]高翔，張濤.視覺SLAM十四講：從理論到實踐[M].北京：電子工業出版社，2017.