辽宁网站开发,优秀网站建设最新报价,网络工程设计的概念,网络推广内容机器人技术的迅猛发展#xff0c;促使机器人逐渐走进了人们的生活#xff0c;服务型室内移动机器人更是获得了广泛的关注。但室内机器人的普及还存在许多亟待解决的问题#xff0c;定位与导航就是其中的关键问题之一。在这类问题的研究中#xff0c;需要把握三个重点#… 机器人技术的迅猛发展促使机器人逐渐走进了人们的生活服务型室内移动机器人更是获得了广泛的关注。但室内机器人的普及还存在许多亟待解决的问题定位与导航就是其中的关键问题之一。在这类问题的研究中需要把握三个重点一是地图精确建模二是机器人准确定位三是路径实时规划。在近几十年的研究中对以上三个重点提出了多种有效的解决方法。 室外定位与导航可以使用GPS但在室内这个问题就变得比较复杂。为了实现室内的定位定 姿 一 大 批 技 术 不 断 涌 现 其 中 SLAM 技 术 逐 渐 脱 颖 而 出。 SLAMSimultaneous Localization and Mapping即时定位与地图构建最早由Smith、Self和Cheeseman于1988年提出。作为一种基础技术SLAM从最早的军事用途到今天的扫地机器人吸引了一大批研究者和爱好者同时也使这项技术逐步走入普通消费者的视野。
使用ROS实现机器人的SLAM和自主导航等功能是非常方便的因为有较多现成的功能包可 供 开 发 者 使 用 如 gmapping、 hector_slam、 cartographer、 rgbdslam、 ORB_SLAM、 move_base、amcl等。本章我们将学习这些功能包的使用方法并且使用仿真环境和真实机器人实现这些功能。
理论基础
SLAM可以描述为机器人在未知的环境中从一个未知位置开始移动移动过程中根据位置估计和地图进行自身定位同时建造增量式地图实现机器人的自主定位和导航。
想象一个盲人在一个未知的环境里如果想感知周围的大概情况那么他需要伸展双手作为他的“传感器”不断探索四周是否有障碍物。当然这个“传感器”有量程范围他还需要不断移动同时在心中整合已经感知到的信息。当感觉新探索的环境好像是之前遇到过的某个位置他就会校正心中整合好的地图同时也会校正自己当前所处的位置。当然作为一个盲人感知能力有限所以他探索的环境信息会存在误差而且他会根据自己的确定程度为探索到的障碍物设置一个概率值概率值越大表示这里有障碍物的可能性越大。一个盲人探索未知环境的场景基本可以表示SLAM算法的主要过程。这里不详细讨论SLAM的算法实现只对概念做一个基本理解感兴趣的读者可以查找相关资料进行深度学习。
下图所示即为使用SLAM技术建立的室内地图。 家庭、商场、车站等场所是室内机器人的主要应用场景在这些应用中用户需要机器人通过移动完成某些任务这就需要机器人具备自主移动、自主定位的功能我们把这类应用统称为自主导航。
自主导航往往与SLAM密不可分因为SLAM生成的地图是机器人自主移动的主要蓝图。这类问题可以总结为在服务机器人工作空间中根据机器人自身的定位导航系统找到一条从起始状态到目标状态、可以避开障碍物的最优路径。
要完成机器人的SLAM和自主导航机器人首先要有感知周围环境的能力尤其要有感知周围环境深度信息的能力因为这是探测障碍物的关键数据。用于获取深度信息的传感器主要有以下几种类型。
1激光雷达 激光雷达是研究最多、使用最成熟的深度传感器可以提供机器人本体与环境障碍物之间的距离信息很多常见的扫地机器人就配有高性价比的激光雷达见图9-2。激光雷达的优点 是精度高响应快数据量小可以完成实时SLAM任务缺点是成本高一款进口高精度的激光雷达价格在一万元以上。现在很多国内企业专注高性价比的激光雷达也有不少优秀的产品已经推向市场 2摄像头 SLAM所用到的摄像头又可以分为两种一种是单目摄像头也就是使用一个摄像头完成SLAM。这种方案的传感器简单适用性强但是实现的复杂度较高而且单目摄像头在静止状态下无法测量距离只有在运动状态下才能根据三角测量等原理感知距离。另一种就是双目摄像头见图9-3相比单目摄像头这种方案无论是在运动状态下还是在静止状态下都可以感知距离信息但是两个摄像头的标定较为复杂大量的图像数据也会导致运算量较大。 3RGB-D摄像头 RGB-D摄像头是近年来兴起的一种新型传感器不仅可以像摄像头一样获取环境的RGB图像信息也可以通过红外结构光、Time-of-Flight等原理获取每个像素的深度信息。丰富的数据 让RGB-D摄像头不仅可用于SLAM还可用于图像处理、物体识别等多种应用更重要的一点是RGB-D摄像头成本较低它也是目前室内服务机器人的主流传感器方案。常见的RGB-D摄 像头有Kinect v1/v2、华硕Xtion Pro等见图9-4。当然RGB-D**摄像头也存在诸如测量视野窄、盲区大、噪声大等缺点。** 准备工作
ROS中SLAM和自主导航的相关功能包可以通用于各种移动机器人平台但是为了达到最佳效果对机器人的硬件仍然有以下三个要求。
1导航功能包对差分、轮式机器人的效果好并且假设机器人可直接使用速度指令进行控制速度指令的定义如图9-5所示。
linear机器人在xyz三轴方向上的线速度单位是m/s。angular机器人在xyz三轴方向上的角速度单位是rad/s。 2导航功能包要求机器人必须安装激光雷达等测距设备可以获取环境深度信息。
3导航功能包以正方形和圆形的机器人为模板进行开发对于其他外形的机器人虽然可以正常使用但是效果可能不佳。
传感器信息
1.环境深度信息 无论是SLAM还是自主导航获取周围环境的深度信息都是至关重要的。要获取深度信息首先要清楚ROS中的深度信息是如何表示的。针对激光雷达ROS在sensor_msgs包中定义了专用数据结构——LaserScan用于存储激光消息。LaserScan消息的具体定义如图9-6所示。
rosmsg show sensor_msgs/LaserScan·angle_min可检测范围的起始角度。 ·angle_max可检测范围的终止角度与angle_min组成激光雷达的可检测范围。 ·angle_increment采集到相邻数据帧之间的角度步长。 ·time_increment采集到相邻数据帧之间的时间步长当传感器处于相对运动状态时进行 补偿使用。 ·scan_time采集一帧数据所需要的时间。 ·range_min最近可检测深度的阈值。 ·range_max最远可检测深度的阈值。 ·ranges一帧深度数据的存储数组。
如果使用的机器人没有激光雷达但配备有Kinect等RGB-D摄像头也可以通过红外摄像头获取周围环境的深度信息。但是RGB-D摄像头获取的原始深度信息是三维点云数据而ROS的很多功能包所需要的输入是激光二维数据是否可以将三维数据转换成二维数据呢如果你已不记得RGB-D摄像头所发布的点云三维数据的类型可以回顾7.1节的相关内容。
如果你已了解点云三维数据类型那么将三维数据降维到二维数据的方法也很简单即把大量数据拦腰斩断只抽取其中的一行数据重新封装为LaserScan消息就可以获取到需要的二维激光雷达信息。这么做虽然损失了大量有效数据但是刚好可以满足2D SLAM的需求。
原理就是这么简单ROS中也提供了相应的功能包——depthimage_to_laserscan可以在launch文件中使用如下方法调用
!-- 运行depthimage_to_laserscan节点将点云深度数据转换成激光数据 --
node pkgdepthimage_to_laserscan typedepthimage_to_laserscan namedepthimage_to_laserscan outputscreen
remap fromimage to/camera/depth/image_raw /
remap fromcamera_info to/camera/depth/camera_info /
remap fromscan to/scan /
param nameoutput_frame_id value/camera_link /
/node2.里程计信息
里程计根据传感器获取的数据来估计机器人随时间发生的位置变化。在机器人平台中较为常见的里程计是编码器例如机器人驱动轮配备的旋转编码器。当机器人移动时借助旋转编码器可以测量出轮子旋转的圈数如果知道轮子的周长便可以计算出机器人单位时间内的速度以及一段时间内的移动距离。里程计根据速度对时间的积分求得位置这种方法对误差十分敏感所以采取如精确的数据采集、设备标定、数据滤波等措施是十分必要的。
导航功能包要求机器人能够发布里程计nav_msgs/Odometry消息。如图9-7所示nav_msgs/Odometry消息包含机器人在自由空间中的位置和速度估算值。
·pose机器人当前位置坐标包括机器人的x、y、z三轴位置与方向参数以及用于校正误差的协方差矩阵。
·twist机器人当前的运动状态包括x、y、z三轴的线速度与角速度以及用于校正误差的协方差矩阵。
上述数据结构中除速度与位置的关键信息外还包含用于滤波算法的协方差矩阵。在精度要求不高的机器人系统中可以使用默认的协方差矩阵而在精度要求较高的系统中需要先对机器人精确建模后再通过仿真、实验等方法确定该矩阵的具体数值。
rosmsg show nav_msgs/Odometry
