基于SLAM的智能導航小車的應用探究和改良

賈凡,蒲沛,童德林,農勝旺

江蘇大學汽車與交通工程學院,江蘇鎮江 212013

0 引言

基于視覺的同時定位與建圖(V-SLAM)是移動機器人導航的熱門研究方向。視覺 SLAM 依托相機獲得環境信息，搭載不同的相機進行特征提取、選擇關鍵幀，獲得不同的建圖效果。ORB-SLAM即是一種完整的V-SLAM系統，核心是使用 ORB(oriented fast and brief)即特征提取算法作為整個視覺 SLAM 中的核心特征。ORB-SLAM 算法的核心思想為基于 ORB 描述量進行特征匹配和重定位，并采用在一個輸出窗口的關鍵幀和位姿的BA聯合優化算法來獲得尺度[1]。該種視覺SLAM系統較其他有更好的視角性，能更容易且清晰地進行場景重建及擴展，且位置精度較高。

本文運用Arduino平臺的建模仿真與函數載入功能，其他硬件主要包括驅動模組、S12XE控制芯片以及LDC1000傳感器等，發現和探究在Arduino平臺搭載ORB-SLAM算法的室內導航小車并進行實踐運用的可行性。通過仿真分析，探尋其在大規模的醫院內部為不熟悉該醫院的人們進行導航，最終將他們帶到需要去的科室、病房或掛號、收費等地點的實際功能。

1 總體介紹

1.1 總體結構

本文所使用的ORB-SLAM算法在工作過程中可分為特征檢測與跟蹤、建立地圖、閉環檢測與校正這3個階段。具體流程如下：特征檢測與跟蹤階段，在此階段中首先應該先從環境圖像中檢測出相應的ORB特征，并根據上一幀的圖像信息對當前幀的圖像信息進行優化補充，從而估計出當前小車所處的位置與姿勢；然后通過相鄰地圖點采集到的環境圖像信息來檢測更多的特征，進而對估計到的位姿進行細化與完善[2]；最后從中提取相應的關鍵幀，建立局部地圖。ORB-SLAM工作流程如圖1所示。

圖1 ORB-SLAM工作流程

在建立地圖階段中，建圖部分的主要工作是建立局部地圖，并通過添加實時采集的關鍵幀來更新局部地圖，同時剔除冗余老舊的關鍵幀，通過這種方式來保證局部地圖的及時性[3]。在閉環檢測與校正階段中，通過相應的反饋環節對建立的局部地圖進行相應的檢驗與調整，從而保證其準確性。隨后使用Arduino平臺的虛擬仿真功能，探究在視覺SLAM算法運行過程中可能存在的問題，如其與循跡小車在程序上的不兼容之處等，并對程序進行相應的改良，來滿足圖像信息的多方向多次使用，保證雙目相機采集到的圖像信息能夠實現地圖構建、自動避障及面部識別等應用的要求，對信息進行多功能、全方面地利用。在試驗過程中，通過更改雙目相機搭載的位置，對不同位置下收集到的圖像信息在傳遞過程中的完整度和效率進行分析比較，從而找到在一般使用過程中能最大限度地接受全視角圖像信息的安裝位置。

1.2 功能及特點

所設計出的智能小車能夠從單一的尋跡導航中解除束縛，快速地對更復雜的外部環境信息做出反應，能夠在密集的路面情況中靈活運作，設計最優路線，并且根據雙目相機反饋的外界信息中的人臉信息，自動進行配速與發出表情和語音等功能，做到人性化設計。同時能夠保證自身機身的使用安全，延長使用壽命，減少能量損耗。

2 硬件設計

智能小車采用Arduino Uno主控芯片及S12XE微控制器芯片，處于系統的核心位置，聯結整個系統的其他各個模塊，如超聲測距系統、光電傳感器及紅外傳感器等。其他部件采用S12XE外圍電路、CAN總線收發器等組成。小車核心MCU與各傳感器示意如圖2所示。

圖2 小車核心MCU與各傳感器示意

3 軟件設計與分析

3.1 系統搭建

首先在Arduino平臺上運用函數輸入功能，輸入ORB-SLAM算法函數，使用Python編程語言和Qt開發框架結合于一體的圖形工具文件PyQt，設計適當的環境識別系統，初步虛擬仿真出搭載視覺SLAM系統的導航小車。

Arduino平臺具有語言編程功能，編寫相應的程序后可利用平臺上的模擬仿真功能進行傳感器拓展，并進行模擬感知，通過控制雙目相機、LED屏幕等裝置來獲取環境信息并進行反饋。為在Arduino平臺上設計出尋跡小車并搭載上雙目相機，運用ORB-SLAM 算法建立即時地圖，并傳遞信息于小車的控制系統以代替光電管接收到的路面印記信息，最終通過Arduino平臺的功能進一步實現小車的導航系統。智能小車的3種工作狀態如圖3所示。

圖3 智能小車的3種工作狀態

3.2 后端優化

在后端優化校正線程，主要對所采集圖像數據的傳輸軌跡進行優化處理，包括傳輸過程的閉環檢測、局部或全局BA優化以及局部地圖的擴展。

采用分段式優化處理方式，將圖像數據精度達到一定高度的特征點標記為合格地標點，不再對其進行優化，減少了同一時間段內所處理的數據總量，同時也提高了系統的數據處理速度[4]。為了進一步減小誤差，在試驗中將SLAM算法下相機生成的軌跡文件保存到Camera Trajectory文件中，并與地面實際軌跡進行軌跡誤差比較，采用絕對軌跡誤差(ATE)的方式[5]對比不同SKAM算法下相機采集到的外部信息的軌跡誤差之間的優劣。接著對采集到的每幀圖像進行預處理，使用時間戳把特征檢測階段中估計出的相機所處位置與實際相機位置進行對比分析。

3.3 避障功能設計

利用ORB-SLAM建立局部地圖，之后收集到相關位置信息，然后通過輸入相關算法函數來構建小車的避障系統，最終才能達成智能導航這一目標。具體步驟如下：

(1)載入MAX驅動函數;

(2)定義UltraSonic函數;

(3)命名障礙物距離值指定引腳;

(4)定義變量die;

(5)初始化MAX函數將測算到的障礙物距離值保存在變量die中;

(6)在串口顯示器上顯示障礙物距離值。

通過相關主函數來完成以下功能：

(1)判斷障礙物距離值所處區間;

(2)die≥45:小車保持直行;

(3)15≤die<45:小車自動開始播放警示音效;

(4)die<15:小車會原地掉頭避開障礙物，最終往復。

4 試驗仿真

4.1 試驗方案

在V-SLAM系統中，前端跟蹤線程需要通過將外部環境的3D點投影到當前幀畫面的2D點，進而確定相機在當前環境下所處位置，為了保證導航的準確性，還需要采集多個特征點在下一個畫面幀的具體位置或者偏差量。

本文針對導航小車在兩種不同類型的室內環境下稀疏重建外部環境進行了仿真試驗，通過對采集的特征點所組成的局部地圖數據進行分析。在環境較密集的辦公室中，由于辦公桌上有較多的辦公設施，相機采集了大量的無用特征點，所用方法并未能取得理想的效果。而在大型廠房，廠房內有少量大型設備，還有預先放置的磚瓦、垃圾桶等障礙物。墻面平整且大部分呈白色，只有少部分墻體表面有管道和變壓設備，特征點較少且分布較為密集。結果表明，所設計的導航小車系統在大型廠房這種障礙物明顯且相對分散的場合具有良好的使用性能。

4.2 試驗結果

通過對試驗結果的分析，發現區域匹配算法可以最大限度地完成這種相鄰幀之間特征點的匹配，故而可最大限度地降低圖像信息傳輸中存在的誤差，并減小后續優化校正線程的計算負擔。需要注意的是，在試驗中還應盡可能地選擇特征點較密集的區域，否則在不同幀畫面的匹配過程中仍然會存在較大誤差。

對于具體的相鄰幀之間匹配過程，經過對多種匹配方式的仿真研究，結果表明，變換網絡進行模板仿射變換無疑是最好的選擇。在圖像選取目標環境區域后，由內部程序對該圖像進行一定程度的尺寸轉變后輸入到變換網絡，通過變換網絡對該圖像進行仿射變換，直到某一結果最大程度上和下一幀采集到的圖像信息上的某區域相吻合，使得區域內的特征點得到匹配從而更好地搭建局部地圖[6]。利用這種技術，不僅可以保證相機在小車行駛不平路段和轉彎時也能發揮良好的性能，而且降低了SLAM算法的運算負擔，保證了導航的迅速[7]。

綜上，無論是在軌跡誤差方面還是在相機估計位值方面，本文所采取的優化方式都有著相當良好的表現，軌跡對比如圖4所示。通過對辦公室小場景環境下的真實軌跡和優化后相機的軌跡進行對比，并建立相關函數分析每段相機位置與預估位置間的差異，得出平均偏移誤差為0.095 32。在對大型廠房所得數據進行分析時，系統后端優化校正線程的效果也非常顯著，真實軌跡和相機軌跡基本上吻合，僅僅只在極少數地區存在細微誤差，在該環境下的平均偏移誤差為0.097 13。通過對比搭載不同SLAM算法的各個系統在相同場景下的性能，本文提出的算法不僅能滿足導航功能的要求，而且能更加準確地處理帶有深度的數據，并且在快速性、準確性、實時性等方面具有不俗的優勢。

圖4 軌跡對比

5 結論

本文從導航小車的應用場景、設計和搭建、循跡原理和SLAM算法的載入等幾個方面介紹了導航小車的設計初衷和理念，其包含了Arduino平臺的虛擬仿真、ORB-SLAM算法等前沿技術。所設計的這一款導航小車即為基于Arduino平臺的循跡小車并搭載雙目相機運用ORB-SLAM算法。

相比較于傳統的循跡小車，經過改良的導航小車不僅能精確行駛循跡路線，還能在非循跡情況下實現自動導航的功能，并實現高精度的場景重建與避障功能，最終得到的小車功能更加完善。導航小車各個硬軟件都采用了比較成熟的技術，性能和功能穩定性均得到了保障。