CN114510057A - 一种室内环境中基于ros的移动机器人自主导航方法 - Google Patents
一种室内环境中基于ros的移动机器人自主导航方法 Download PDFInfo
- Publication number
- CN114510057A CN114510057A CN202210156749.XA CN202210156749A CN114510057A CN 114510057 A CN114510057 A CN 114510057A CN 202210156749 A CN202210156749 A CN 202210156749A CN 114510057 A CN114510057 A CN 114510057A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- path
- point
- robot
- map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000026676 system process Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000009499 grossing Methods 0.000 abstract description 2
- 230000004888 barrier function Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 24
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0293—Convoy travelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种室内环境中基于ROS的移动机器人自主导航方法，涉及机器人导航技术领域。该方法在未知室内环境下进行探索，通过激光雷达扫描获得环境的点云信息，采用Hector‑IMU SLAM算法对未知环境进行建图，使得移动机器人对室内环境进行感知并构建出地图，设置起始点、目标点，采用A*‑Select算法进行冗余点删除与关键点选择，并对所得路径进行平滑，结合DWA‑D局部路径算法进行路径规划，移动机器人沿规划路径从初始点运动到目标点。本发明的方法能够准确且稳定地构建环境地图，同时可以提升全局路径规划的速度，快速获得一条无障碍且长度短的路径，使移动机器人能够更快更安全的从起始点到达目标点，实现移动机器人的自主导航。
Description
技术领域
本发明涉及机器人导航技术领域，尤其涉及一种室内环境中基于ROS的移动机器人自主导航方法。
背景技术
随着现代化科学技术的发展和进步，移动机器人已经在各个领域内广泛应用。一个国家的科技和制造水平可以从这个国家移动机器人的研究水平中得出结论，也就是说移动机器人的研究与发展已经和国家的发展进步密不可分。当人们开始追求生活的质量和效率的时候，移动机器人的智能化就变得尤为关键，比如它可以在我们日常生活中的商场、医院、办公区等地方给人们指引方向，智能规划路径；可以在火灾或者核电站等危险环境下精准安全地完成任务；可以在医疗、工业、教育、娱乐等各个领域发挥强大作用。
目前，自主导航已经成为移动机器人的核心和焦点之一。自主导航分为同时定位与建图和路径规划两大部分，移动机器人需要具备自主探索周围环境的能力，经过探索完成所在环境的地图构建，然后根据自我位姿分析进行路径的规划。本研究问题有明确的理论价值和良好的应用价值。可以通过移动机器人的自主导航技术实现特定的任务，给人们的生活带来便捷，给危险的工作降低风险。
虽然，自主导航技术在移动机器人领域的应用越来越广泛，在研究成果上已经取得了一定的进步，但是在实际应用中仍然存在着一些问题，比如移动机器人在构建地图过程中，容易产生建出地图过程出现偏移的现象，或者实时出现障碍物时无法进行建图，路径规划时规划时间过长等等问题的出现。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种室内环境中基于ROS的移动机器人自主导航方法，能够准确并且稳定的构建环境地图，同时可以提升全局路径规划的速度，使移动机器人能够更快更加安全的从起始点到达目标点，具有良好的实用性与可行性。
为解决上述技术问题，本发明所采取的技术方案是：
一种室内环境中基于ROS的移动机器人自主导航方法，包括以下步骤：
步骤1：对ROS下的导航系统构建平台进行研究并搭建仿真环境，为接下来的即时定位与建图和路径规划部分提供移动机器人的物理模型，并通过Gazebo软件绘制出实验物理仿真模型。
步骤2：针对移动机器人对于位置环境的定位与建图，通过环境地图的表达方式将地图表示出来，提出Hector-IMU SLAM算法，使用卡尔曼滤波的方法融合激光雷达数据、里程计数据以及惯性测量单元IMU的数据，来达到地图匹配更加稳定的目的，移动机器人可以在室内未知环境下，安全并且稳定的定位与构建地图。
步骤3：在地图中标记移动机器人的起始点与目标点。
步骤4：移动机器人采用全局路径规划和局部路径规划相结合的方法进行路径规划，快速得到一条路径短、曲线圆滑并且能够实时避开障碍物的路径，移动机器人沿着规划好的路径从初始点运动到目标点；
全局路径规划采用A*-Select路径规划算法，规划出一条安全无碰撞的路线；
局部路径规划采用DWA-Distance局部路径规划算法，将原DWA算法中评价函数的方向角函数改为与目标点距离函数，减少移动机器人与障碍物发生碰撞的可能性。
采用上述技术方案所产生的有益效果在于：本发明提供的室内环境中基于ROS的移动机器人自主导航方法，通过采用Hector-IMU SLAM算法对未知环境进行建图，使得移动机器人对室内环境进行感知并构建出地图，通过融合三种数据信息，改善移动机器人建图过程中出现地图偏移的现象，提升了建图的稳定性。本发明还提出了A*-Select算法，进行冗余点删除与关键点的选择，并对所得路径进行了平滑，后又结合了提出的DWA-D局部路径算法，与传统A*算法相比较，改进后的算法遍历的点减少，算法运算效率得到了提升，并且能够在实时出现障碍物时及时进行局部路径规划躲避障碍物。本发明的方法可以实现在未知室内环境下进行探索，通过激光雷达扫描获得环境的点云信息，从而获得环境地图，设置起始点、目标点，采用本发明可以快速地获得一条无障碍并且长度短的路径，从而实现移动机器人的自主导航。本发明方法能够准确并且稳定地构建环境地图，同时可以提升全局路径规划的速度，使移动机器人能够更快更加安全的从起始点到达目标点，具有良好的实用性与可行性。
附图说明
图1为本发明实施例提供的室内环境中基于ROS的移动机器人自主导航方法的流程图；
图2为本发明实施例提供的A*-Select算法关键点筛选示意图；
图3为本发明实施例提供的物理仿真环境图；
图4为本发明实施例提供的移动机器人建图所得地图；
图5为本发明实施例提供的移动机器人路径规划图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本实施例提供一种室内环境中基于ROS的移动机器人自主导航方法，具体方法如下所述。
步骤1：移动机器人实现自主导航技术需要基于一定的系统环境以及仿真平台，首先对ROS下的导航系统构建平台进行研究并搭建仿真环境，为接下来的即时定位与建图和路径规划部分提供移动机器人的物理模型，并通过Gazebo软件绘制出实验物理仿真模型。
配置物理仿真模型的步骤是：
步骤1.1：为link添加惯性参数和碰撞属性，配置好物理属性；
步骤1.2：为link添加gazebo标签；
步骤1.3：为joint添加传动装置，以供机器人运动；
步骤1.4：为模型添加Gazebo控制器插件；本实施例中的移动机器人采用两轮驱动的机器人，Gazebo控制器插件直接调用ROS中插件使用；
步骤1.5：采用Gazebo软件中的Building Editor工具绘制物理仿真模型。
步骤2：针对移动机器人对于位置环境的定位与建图，通过环境地图的表达方式将地图表示出来，建图过程中，当移动机器人在速度提升后探索环境，就容易出现地图匹配不准确以及出现偏移的现象。针对此问题，本实施例提出Hector-IMU SLAM算法，使用卡尔曼滤波的方法融合激光雷达数据、里程计数据以及惯性测量单元IMU的数据，来达到地图匹配更加稳定的目的，实现移动机器人在室内未知环境下，安全并且稳定地定位与构建地图。
首先，通过使用激光雷达对数据进行预处理。然后，采用里程计信息和惯性测量单元IMU信息，基于扩展卡尔曼滤波法进行融合，并估算机器人当前位姿信息。里程计信息可以记录移动机器人行走的路程，惯性测量单元可以记录机器人行走的角度变化。在t时刻，机器人在x轴、y轴行走的路程分别记为xt、yt，角度变化记为θt，则该时刻下的机器人状态运动方程Xt和t时刻的先验估计
可分别表示为：
Xt＝(xt，yt，θt)T (1)
其中，在t-1时刻，ut-1是控制量，wt-1为噪声表示；
表示t-1时刻的后验状态估计值，该后验估计可表示为：
其中，
和
分别表示在t-1时刻机器人在x轴、y轴行走的路程以及角度变化的后验估计值。
若将t-1时刻到t时刻的路程记为
角度变化记为
则t时刻的运动方程可表示为：
由于激光雷达获得的点云信息下的坐标采用极坐标系表达，故将极坐标系转化成直角坐标系。极坐标系转化成直角坐标系的转换公式为：
移动机器人的状态观测方程Zt表示为：
式中，H为变换矩阵，μt是测量噪声，
是表示的是移动机器人的位置变化，
表示的是里程计信息的变化，
表示的是一个周期内检测到的移动机器人角度变化大小。
然后使用扩展卡尔曼滤波法将式(6)离散化，并进行更新，那么t时刻的状态矩阵Ak和经过扩展卡尔曼滤波后更新的过程分别表示为：
其中，在t时刻时，更新后的先验估计表示为
先验协方差表示为
在t-1时刻时，控制量表示为ut-1，协方差表示为Pt-1，系统过程的协方差表示为Qt-1。经过扩展卡尔曼滤波后，机器人的位姿信息可以获得。
然后把地图划分为一个个栅格方块，得到栅格地图，使用双线性内插法进行计算，最后通过扫描和匹配进行更新移动机器人的位姿信息。通过本发明提出的提出Hector-IMUSLAM算法进行建图，对所构建的地图进行保存。
步骤3：在地图中标记移动机器人的起始点与目标点。
步骤4：采用全局路径规划和局部路径规划相结合的方法进行路径规划，快速得到一条路径短、曲线圆滑并且能够实时避开障碍物的路径；
通过步骤2获得了机器人所处环境的地图信息，接下来使得移动机器人运动起来继续完成自主导航的功能。当赋予了移动机器人一个特定任务时，机器人的全局路径规划算法就变得尤为重要，移动机器人点到点的路径规划，在移动过程中需要了解本身所处位置，目标点位置以及所处环境的地图信息，从而根据这些信息，采用路径规划的算法规划出一条安全无碰撞的路线。本发明提出了A*-Select全局路径规划算法，在全局路径规划部分提升了算法的速率，平滑了路径曲线，有效的解决了传统A*算法在计算中计算量过大，占用内存多的问题。
A*-Select全局路径规划算法在基于A*算法的基础上采用JPS跳点的思想对进行冗余点删除处理，选择出关键点，降低对计算机内存的占用，提升算法的速率，并采用三次B样条曲线进行平滑处理，减少对移动机器人的损伤。
A*-Select全局路径规划算法的具体步骤如下：
步骤4.1.1：将栅格地图中的起始点放入open列表中，按照朝向着目标点的方向在水平或竖直方向进行寻路。
步骤4.1.2：当在寻路过程中遇到障碍物或者遇到了栅格地图的边界处时，使用关键点筛选策略，若没有关键点，则沿着对角方向进行继续寻路。
如图2所示，为A*-Select算法关键点筛选示意图。其中C为起始点，D为目标点，图中黑色方块代表的是障碍物，移动机器人不可通过，则从C点到D点的最优路径即为
此时通过A*算法则需遍历中间5个空白方格。本实施例采取关键点筛选的方式来减少放入open队列中的节点，仅采用
的端点为关键点放入到open队列当中，选择关键点规则可表达为：
式中，C为起始点，D为目标点，
表示任意路径；n是任意自然数；
表示当前起始点到下一节点的向量；
当移动机器人规划的路径存在多个节点共线的情况时，将处于该线段的两端的节点标记并保留，将其余各点进行删除，选择端点为关键点放入open列表中。
步骤4.1.3：继续根据步骤4.1.2判断是否有关键点，若有关键点，则将该点放入open列表中，然后从open列表中选择f值最小的节点，其中，f值表示从起始点到目标点的代价值，将其放入close列表中，将这个f值最小的节点作为继续寻路的初始节点，继续按照朝向目标点的方向在水平或竖直方向进行寻路。
步骤4.1.4：继续重复步骤4.1.2和步骤4.1.3，直到寻路到达目标点，停止循环；
步骤4.1.5：在close列表中，从目标点开始依次反向搜索，按照顺序依次连接节点，形成最终全局路径。
对于局部路径规划，提出DWA-Distance局部路径规划算法，与上述的A*-Select算法相结合。
DWA算法通过使用三个归一化函数构成的轨迹评价函数进行局部路径规划躲避障碍物，但是在实际应用过程中，仍然存在一些问题，比如在室内环境下，当遇到狭窄路段时，DWA算法不考虑移动机器人本身的大小形状，将机器人本身当成质点来考虑，故容易出现通过DWA算法计算出的路线运动时，发生运动停止或者碰撞障碍物的情况。DWA算法是通过预测出现障碍物的运动轨迹来进行局部路径规划的，若动态障碍物没有按照DWA算法预测的轨迹进行运动，那么移动机器人与障碍物易发生碰撞。针对以上DWA算法存在的问题，本实施例提出DWA-Distance算法，将原DWA算法中评价函数的方向角函数改进，改为与目标点距离函数，故命名为DWA-Distance算法，简称为DWA-D算法。
动态窗口法在进行机器人的运动规划时采样的每一组速度(v,ω)都对应着一条运动轨迹，那么，需要从众多轨迹中筛选出一条最佳轨迹，就需要使用轨迹评价函数：
G(v，ω)＝ε(α·heading(v，ω)+β·dist(v，ω)+γ·velocity(v，ω)) (10)
公式(10)中，ε表示影响移动机器人选取路径的函数，heading(v,ω)表示的是在速度为(v,ω)时，机器人的轨迹位姿朝向与目标方向的差距评价，θ表示夹角大小。dist(v,ω)表示在该速度下障碍物与当前轨迹的距离大小。velocity(v,ω)表示的是评价该轨迹的线速度大小。对这三个参数进行归一化处理，然后使用三个权重系数α、β、γ，与其分别相乘再相加，得到动态窗口法的轨迹评价函数，。
归一化处理就是把每一组速度(v,ω)的评价因子与在这个运行周期内对应的轨迹因子的和作除法，这样就可以避免存在某一项值过高或过低的，从而造成函数不准确的问题。归一化公式如下：
其中，i表示评价函数中的当前轨迹。总之，这三个归一化函数构成的轨迹评价函数可以使得移动机器人在局部路径规划的过程中，能够平稳的避开障碍物，并能够及时继续朝着目标点运动。
当移动机器人所在位置与目标点的位置相近时，在速度为(v，ω)时，机器人的轨迹位姿朝向与目标位置的夹角大小会骤然增大，那么在heading(v，ω)的评价函数下，随着角度的增大，机器人行驶会变的越来越不稳定，甚至出现震荡的现象。因此，本实施例提出使用与目标点的距离函数代替评价函数中heading(v，ω)的函数。改进后新的评价函数表示为：
GT(v，ω)＝ε(α·Tdist(v，ω)+β·dist(v，ω)+γ·velocity(v，ω)) (16)
式中，GT(v，ω)则表示新的评价函数，Tdist(v，ω)表示的是在速度为(v，ω)时，移动机器人所在位置与目标点的距离。
对Tdist(v，ω)、dist(v，ω)、velocity(v，ω)这三个参数进行归一化处理，然后使用三个权重系数，与归一化后的三个参数分别相乘再相加，得到DWA-D算法的轨迹评价函数，即：
GT(v，ω)＝ε(α·avg-Tdist(v，ω)+β·avg-dist(v，ω)+γ·avg-velocity(v，ω)) (17)
其中，Tdist(v，ω)的归一化公式为：
本实施例提出的DWA-D算法在局部路径规划过程中，舍去了存在危险模式和危险模式的路径，故也加大了与障碍物之间的距离，在此基础上提高了移动机器人局部路径规划的安全性。
如图3-图5所示，为采用本实施例的方法进行移动机器人自主导航的实际演示。首先，通过Gazebo仿真软件绘制出移动机器人的物理仿真模型以及移动机器人的环境物理模型。如图3所示，为在Gazebo仿真软件界面中的环境物理模型。然后，通过控制移动机器人在未知环境中行走一周，使得移动机器人感知地图，通过本发明提出的Hector-IMU SLAM算法，对未知环境进行建图，构建好地图后，对地图进行保存。最后，在地图中标记起始点和目标点，如图4所示。通过全局路径规划算法和局部路径规划算法相结合的方法，规划出一条安全无碰撞且长度短的路径，如图5所示，实现本发明自主导航功能。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (4)
1.一种室内环境中基于ROS的移动机器人自主导航方法，其特征在于：包括以下步骤：
步骤1：对ROS下的导航系统构建平台进行研究并搭建仿真环境，为接下来的即时定位与建图和路径规划部分提供移动机器人的物理模型，并通过Gazebo软件绘制出实验物理仿真模型；
步骤2：针对移动机器人对于位置环境的定位与建图，通过环境地图的表达方式将地图表示出来，提出Hector-IMU SLAM算法，使用卡尔曼滤波的方法融合激光雷达数据、里程计数据以及惯性测量单元IMU的数据，来达到地图匹配更加稳定的目的，实现移动机器人在室内未知环境下，安全并且稳定地定位与地图构建；具体方法为：
步骤2.1：通过使用激光雷达对数据进行预处理；
步骤2.2：采用里程计信息和惯性测量单元IMU信息，基于扩展卡尔曼滤波法进行融合，并估算机器人当前位姿信息；
步骤2.3：把地图划分为一个个栅格方块，得到栅格地图，使用双线性内插法进行计算，最后通过扫描和匹配更新移动机器人的位姿信息；
步骤2.4：建图完成后，对所构建的地图进行保存；
步骤3：在地图中标记移动机器人的起始点与目标点；
步骤4：采用全局路径规划和局部路径规划相结合的方法进行路径规划，移动机器人沿着规划好的路径从初始点移动到目标点；
全局路径规划采用A*-Select全局路径规划算法，规划出一条安全无碰撞的路线，具体方法为：
步骤4.1.1：将栅格地图中的起始点放入open列表中，按照朝向目标点的方向在水平或竖直方向进行寻路；
步骤4.1.2：当在寻路过程中遇到障碍物或者遇到栅格地图的边界处时，使用关键点筛选策略，若没有关键点，则沿着对角方向进行继续寻路；
所述关键点筛选策略是指采用跳点搜索法的思想，从open列表中删除冗余点；当移动机器人规划的路径存在多个节点共线的情况时，将处于该线段的两端的节点标记并保留，将其余各节点进行删除，选择端点为关键点放入open列表中，那么将选择关键点的公式表达为：
式中，C为起始点，D为目标点，
表示任意路径；n是任意自然数；
表示当前起始点到下一节点的向量；
步骤4.1.3：继续根据步骤4.1.2判断是否有关键点，若有关键点，则将该关键点放入open列表中；然后从open列表中选择f值最小的节点，其中，f值表示从起始点到目标点的代价值；将f值最小的节点放入close列表中，并将该节点作为继续寻路的初始节点，继续按照朝向目标点的方向在水平或竖直方向进行寻路；
步骤4.1.4：继续重复步骤4.1.2和步骤4.1.3，直到寻路到达目标点，停止循环；
步骤4.1.5：在close列表中，从目标点开始依次反向搜索，按照顺序依次连接节点，形成最终全局路径；
局部路径规划采用DWA-Distance局部路径规划算法，即将原DWA算法中轨迹评价函数的方向角函数改为移动机器人所在位置与目标点的距离函数Tdist(v,ω)；
对移动机器人所在位置与目标点的距离Tdist(v,ω)、障碍物与当前轨迹的距离dist(v,ω)、评价该轨迹的线速度velocity(v,ω)这三个参数进行归一化处理；
归一化后使用三个权重系数与其分别相乘再相加，得到DWA-D算法改进后的轨迹评价函数表示为：
GT(v,ω)＝ε(α·avg_Tdist(v,ω)+β·avg_dist(v,ω)+γ·avg_velocity(v,ω)) (17)
式中，GT(v,ω)表示改进后的轨迹评价函数，ε表示影响移动机器人选取路径的函数，Tdist(v,ω)表示的是在速度为(v,ω)时，移动机器人所在位置与目标点的距离；dist(v,ω)表示在速度为(v,ω)时，障碍物与当前轨迹的距离大小；velocity(v,ω)表示评价该轨迹的线速度大小；α、β、γ为三个权重系数。
2.根据权利要求1所述的室内环境中基于ROS的移动机器人自主导航方法，其特征在于：所述步骤1中配置物理仿真模型的方法为：
步骤1.1：为link添加惯性参数和碰撞属性，配置好物理属性；
步骤1.2：为link添加gazebo标签；
步骤1.3：为joint添加传动装置，以供机器人运动；
步骤1.4：为模型添加Gazebo控制器插件；所述移动机器人采用两轮驱动的机器人，Gazebo控制器插件直接调用ROS中插件使用；
步骤1.5：采用Gazebo软件中的Building Editor工具绘制物理仿真模型。
3.根据权利要求2所述的室内环境中基于ROS的移动机器人自主导航方法，其特征在于：所述步骤2.2的具体方法为：
在t时刻，机器人在x轴、y轴行走的路程分别记为xt、yt，角度变化记为θt，则该时刻下的机器人状态运动方程Xt和t时刻的先验估计
分别表示为：
Xt＝(xt，yt，θt)T (1)
其中，在t-1时刻，ut-1是控制量，wt-1为噪声表示；
表示t-1时刻的后验状态估计值，该后验估计表示为：
其中，
和
分别表示在t-1时刻机器人在x轴、y轴行走的路程以及角度变化的后验估计值；
若将t-1时刻到t时刻的路程记为
角度变化记为
则t时刻的运动方程表示为：
其中，激光雷达获得的点云信息下的极坐标要转换为直角坐标；
移动机器人的状态观测方程Zt表示为：
式中，H为变换矩阵，μt是测量噪声，
是表示的是移动机器人的位置变化，
表示的是里程计信息的变化，
表示的是一个周期内检测到的移动机器人角度变化大小；
使用扩展卡尔曼滤波法将式(6)离散化，并进行更新，那么t时刻的状态矩阵Ak和经过扩展卡尔曼滤波后更新的过程分别表示为式(7)和式(8)：
其中，在t时刻时，更新后的先验估计表示为
先验协方差表示为
在t-1时刻时，控制量表示为ut-1，协方差表示为Pt-1，系统过程的协方差表示为Qt-1；经过扩展卡尔曼滤波后，获得机器人的位姿信息。
4.根据权利要求3所述的室内环境中基于ROS的移动机器人自主导航方法，其特征在于：所述步骤4.1.5中，对移动机器人所在位置与目标点的距离Tdist(v,ω)、障碍物与当前轨迹的距离dist(v,ω)、评价该轨迹的线速度velocity(v,ω)这三个参数进行归一化处理的归一化公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210156749.XA CN114510057A (zh) | 2022-02-21 | 2022-02-21 | 一种室内环境中基于ros的移动机器人自主导航方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210156749.XA CN114510057A (zh) | 2022-02-21 | 2022-02-21 | 一种室内环境中基于ros的移动机器人自主导航方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114510057A true CN114510057A (zh) | 2022-05-17 |
Family
ID=81550809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210156749.XA Pending CN114510057A (zh) | 2022-02-21 | 2022-02-21 | 一种室内环境中基于ros的移动机器人自主导航方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114510057A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115016510A (zh) * | 2022-08-08 | 2022-09-06 | 武汉工程大学 | 一种机器人导航避障方法、装置以及存储介质 |
| CN115302357A (zh) * | 2022-08-05 | 2022-11-08 | 中国人民解放军空军工程大学航空机务士官学校 | 一种基于评价函数的螺旋抛光路径规划方法 |
| CN115327564A (zh) * | 2022-07-22 | 2022-11-11 | 天津海关工业产品安全技术中心 | 机器人自主运行导航方法及系统 |
| CN116147606A (zh) * | 2022-12-02 | 2023-05-23 | 浙江大学 | 一种基于轮式移动机器人的自主探索建图方法及系统 |
| CN116448118A (zh) * | 2023-04-17 | 2023-07-18 | 深圳市华辰信科电子有限公司 | 一种扫地机器人的工作路径优化方法和装置 |
| CN117193020A (zh) * | 2023-10-12 | 2023-12-08 | 武汉科技大学 | 一种基于全自动液体样本处理工作站的目标识别和路径规划方法 |
| CN117330081A (zh) * | 2023-11-08 | 2024-01-02 | 广东拓普视科技有限公司 | 一种基于机器人的感知导航装置及其方法 |
| CN117705123A (zh) * | 2024-02-01 | 2024-03-15 | 戴盟(深圳)机器人科技有限公司 | 一种轨迹规划方法、装置、设备及存储介质 |
| CN117746524A (zh) * | 2023-12-08 | 2024-03-22 | 中北大学 | 一种基于slam和人群异常行为识别的安防巡检系统和方法 |
-
2022
- 2022-02-21 CN CN202210156749.XA patent/CN114510057A/zh active Pending
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115327564A (zh) * | 2022-07-22 | 2022-11-11 | 天津海关工业产品安全技术中心 | 机器人自主运行导航方法及系统 |
| CN115302357A (zh) * | 2022-08-05 | 2022-11-08 | 中国人民解放军空军工程大学航空机务士官学校 | 一种基于评价函数的螺旋抛光路径规划方法 |
| CN115302357B (zh) * | 2022-08-05 | 2023-05-16 | 中国人民解放军空军工程大学航空机务士官学校 | 一种基于评价函数的螺旋抛光路径规划方法 |
| CN115016510A (zh) * | 2022-08-08 | 2022-09-06 | 武汉工程大学 | 一种机器人导航避障方法、装置以及存储介质 |
| CN116147606B (zh) * | 2022-12-02 | 2023-09-08 | 浙江大学 | 一种基于轮式移动机器人的自主探索建图方法及系统 |
| CN116147606A (zh) * | 2022-12-02 | 2023-05-23 | 浙江大学 | 一种基于轮式移动机器人的自主探索建图方法及系统 |
| CN116448118A (zh) * | 2023-04-17 | 2023-07-18 | 深圳市华辰信科电子有限公司 | 一种扫地机器人的工作路径优化方法和装置 |
| CN116448118B (zh) * | 2023-04-17 | 2023-10-31 | 深圳市华辰信科电子有限公司 | 一种扫地机器人的工作路径优化方法和装置 |
| CN117193020A (zh) * | 2023-10-12 | 2023-12-08 | 武汉科技大学 | 一种基于全自动液体样本处理工作站的目标识别和路径规划方法 |
| CN117193020B (zh) * | 2023-10-12 | 2024-05-07 | 武汉科技大学 | 一种基于全自动液体样本处理工作站的目标识别和路径规划方法 |
| CN117330081A (zh) * | 2023-11-08 | 2024-01-02 | 广东拓普视科技有限公司 | 一种基于机器人的感知导航装置及其方法 |
| CN117330081B (zh) * | 2023-11-08 | 2024-05-10 | 广东拓普视科技有限公司 | 一种基于机器人的感知导航装置及其方法 |
| CN117746524A (zh) * | 2023-12-08 | 2024-03-22 | 中北大学 | 一种基于slam和人群异常行为识别的安防巡检系统和方法 |
| CN117705123A (zh) * | 2024-02-01 | 2024-03-15 | 戴盟(深圳)机器人科技有限公司 | 一种轨迹规划方法、装置、设备及存储介质 |
| CN117705123B (zh) * | 2024-02-01 | 2024-04-09 | 戴盟(深圳)机器人科技有限公司 | 一种轨迹规划方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114510057A (zh) | 一种室内环境中基于ros的移动机器人自主导航方法 | |
| Tang et al. | Geometric A-star algorithm: An improved A-star algorithm for AGV path planning in a port environment | |
| Duraklı et al. | A new approach based on Bezier curves to solve path planning problems for mobile robots | |
| CN111174798A (zh) | 一种足式机器人路径规划方法 | |
| US11747826B2 (en) | Method for route optimization based on dynamic window and redundant node filtering | |
| Li et al. | A mobile robot path planning algorithm based on improved A* algorithm and dynamic window approach | |
| Deng et al. | Multi-obstacle path planning and optimization for mobile robot | |
| Ab Wahab et al. | Path planning for mobile robot navigation in unknown indoor environments using hybrid PSOFS algorithm | |
| CN114577214B (zh) | 一种应用于跨异构多层空间的轮式机器人路径规划方法 | |
| Balan et al. | Optimal trajectory planning for multiple waypoint path planning using tabu search | |
| CN114089754A (zh) | 一种基于人工智能的自主路径规划方法和系统 | |
| Sundarraj et al. | Route planning for an autonomous robotic vehicle employing a weight-controlled particle swarm-optimized Dijkstra algorithm | |
| CN110849385B (zh) | 基于双层启发搜索共轭梯度下降的轨迹规划方法及系统 | |
| Dang | Autonomous mobile robot path planning based on enhanced A* algorithm integrating with time elastic band | |
| CN115326070A (zh) | 城市低空环境下基于三维切线图法的无人机航迹规划方法 | |
| Mi et al. | Path planning of indoor mobile robot based on improved A* algorithm incorporating RRT and JPS | |
| Ishida et al. | Robot path planning for multiple target regions | |
| Moreira | Deep Reinforcement Learning for Automated Parking | |
| Neuman et al. | Anytime policy planning in large dynamic environments with interactive uncertainty | |
| Lim et al. | Safe Trajectory Path Planning Algorithm Based on Rrt* While Maintaining Moderate Margin from Obstacles | |
| Duben | Motion planning with Hermite splines for Unmanned Aerial Vehicle in information gathering task | |
| Zhang et al. | An Optimization-based Trajectory Planning Method with Polynomial Curves | |
| CN117451068A (zh) | 一种基于改进a*算法和动态窗口法的混合路径规划方法 | |
| Munoz et al. | Fast path-planning algorithm for future mars exploration | |
| Shi | Research on Path Planning Method based on Graph Search Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |