曹家寧　陸馨妍　熊依琪

摘要： 近年來，隨著高新科學技術的不斷發(fā)展，移動機器人的研究進展越來越迅速。其中移動機器人在未知環(huán)境下，實現(xiàn)同時定位與環(huán)境地圖構建（SLAM，Simultaneous Localization and Mapping）過程是機器人研究的重要領域。本文簡單介紹了ROS操作系統(tǒng)并研究了與 SLAM 問題相關的幾類系統(tǒng)模型及Gmapping_slam、Hector_slam和Google開源的Cartographer_slam等相對成熟的slam算法。并對上述的三種 SLAM 算法在實際應用中的性能進行分析。

關鍵詞：移動機器人;ROS;SLAM

中圖分類號：TP311 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2019）13-0199-02

引言

近些年，移動機器人的應用已滲透到各個行業(yè)中，如軍事偵察、醫(yī)學診療、物料搬運、社會服務、工業(yè)和農業(yè)生產等。正是由于如此廣泛的應用，決定了移動機器人的工作場景既復雜又具很多不能確定的因素。因此移動機器人的定位能力、環(huán)境感知能力等對其完成任務的成功率、自身定位的準確率和自身性能的完善起到了至關重要的作用。移動機器人是否可以利用自身隨帶的各種傳感器采集到的周圍環(huán)境信息來進行運動場景地圖的創(chuàng)建，以及通過預設的一些指令完成相關指令規(guī)劃的任務，在運行的過程中完成自主分析，自主決策，最終順利到達目的地 ，這一問題已經(jīng)成為研究學者們學習和鉆研的關鍵。

隨著GPS技術的廣泛應用，當移動機器人處于空曠、信號良好的室外環(huán)境時，上述問題可以利用高精度的GPS來解決。但在室內或一些復雜環(huán)境中，GPS的信號很不穩(wěn)定時，就需要使用其他技術來解決移動機器人定位及環(huán)境地圖創(chuàng)建問題。因此，研究學者們提出了SLAM。至今，SLAM已成為移動機器人研究領域的一項重要課題。

1 ROS系統(tǒng)

ROS（Robot Operating System，下文簡稱“ROS”）是一個適用于機器人的開源的元操作系統(tǒng)。它提供了操作系統(tǒng)應有的服務，包括硬件抽象，底層設備控制，常用函數(shù)的實現(xiàn)，進程間消息傳遞，以及包管理。

1.1 ROS優(yōu)勢

1.1.1多語言支持及開源環(huán)境

ROS由于開發(fā)者使用的語言不同，因此ROS獨立了開發(fā)語言，支持C++、python等多種語言。除了ROS提供的功能包之外，ROS還匯合了全球開源社區(qū)開發(fā)者實現(xiàn)的大量功能包。這些開源功能包與ROS一起創(chuàng)建了強大的開源生態(tài)環(huán)境。

1.1.2 結構設計松耦合

程序運行時是由多個松耦合的進程組成，每個ROS進程稱之為節(jié)點（Node）。所有節(jié)點可以運行在一個處理器上，也可以通過ROS分布式特性運行在多個處理器上。在實際開發(fā)時，這種結構設計可以讓開發(fā)者根據(jù)作品所需功能方便靈活地添加功能模塊。

1.2 ROS缺陷

ROS的功能由各個節(jié)點組成，節(jié)點間通過消息機制通信，通訊環(huán)節(jié)消耗了很多計算資源。尤其是當所有節(jié)點運行在同一個處理器時，ROS仍然執(zhí)行相應的消息分發(fā)，節(jié)點間的數(shù)據(jù)通信通過內存復制，使得系統(tǒng)必須選用高性能的處理器和存儲系統(tǒng)以彌補速度的不足。

2 SLAM相關模型

2.1常用傳感器模型

2.1.1 激光傳感器

激光傳感器通過激光來測量到被測物體的距離等參數(shù)。常用的測距方法是由激光器發(fā)出時間極短的脈沖激光發(fā)射到被測目標，回波返回，由光電探測器接收。根據(jù)主波信號和回波信號之間的時間間隔，就可以算出到待測目標的距離。

2.1.2 視覺傳感器

視覺傳感器探測范圍較廣、獲取信息較激光傳感器豐富，實際應用中常使用多個視覺傳感器或者與其他傳感器配合使用，通過科學合理的算法可以得到物體的點云、距離、色彩等諸多信息;還可通過SSD算法，根據(jù)一個鏡頭的運動圖像來計算本地與目標的相對位移。

2.2 柵格地圖

柵格圖像，即光柵圖像，是指在空間和亮度上都已經(jīng)離散化了的圖像。我們通過把一幅柵格圖像考慮為一個矩陣，矩陣中的任一元素的坐標對應于圖像中的一個點，而元素的值對應于該點的灰度級，矩陣中的元素叫作像素。

柵格地圖主要就是把地圖離散化為一個個的單元（cell），每個單元占據(jù) r*r 個像素，所以 r 的大小就代表了地圖的分辨率。當 cell 為 free 時，該 cell 的灰度值就設為 255，也就是白色，當 cell 為 occupied 時，該 cell 的灰度值就設為 0 ，也就是黑色。初始時我們不知道 cell 具體的狀態(tài)，我們就將其設為 100 ，也就是灰色。接下來我們設 mi為第 i 個 cell 是否occupied 的隨機變量，那么 p（mi=1） 或 p（mi） 就表示第 i 個 cell 為 occupied 的概率，所以 p（mi）=1 就表示第 i 個 cell 為 occupied ，p（mi）=0 就表示第 i 個 cell 為 free 。

2.3 坐標位姿模型

與向量間的旋轉類似，我們同樣可以描述兩個坐標系之間的旋轉關系，再加上平移，統(tǒng)稱為坐標系之間的變換關系。在機器人的運動過程中，常見的做法是設定一個慣性坐標（或者叫世界坐標系），可以認為它是固定不動的，如圖中的[Xw，Yw，Zw]定義的坐標系。同時，傳感器或機器人是一個移動坐標系，例如[Xc，Yc，Zc]定義的坐標系。相機視野中某個向量P，它的坐標為[Pc]，而從世界坐標系下看，它的坐標為[Pw]。這時，就需要先得到該點針對機器人坐標系坐標值，再根據(jù)機器人位姿轉換到世界坐標系中，這個轉換關系由一個矩陣T來描述。

3 ?2D SLAM 算法介紹與實現(xiàn)

算法的輸入一般是：機器人對周圍環(huán)境的觀測信息 z （激光雷達的掃描點、攝像頭的圖像等） 和 機器人的控制信息 u （運動過程中的前進轉向等信息，一般對其積分后用里程計 odometry 來表示）;算法的輸出是：機器人的運動軌跡 x 和 周圍的地圖 m 。

而我們要做的就是在給定 z 和 u 的條件下估計出 x 和 m：

p（x，m|z，u）

我們用概率形式來表示在存在各種誤差的情況下，使用 z 和 u 來估計 x 和 m 的分布。并且在 2d SLAM 中， x 就是一個 [x，y，theta] 的三維隨機變量， 如果 m 是柵格地圖， m 就是一個 r*c 維的隨機變量，其中 r 是地圖的寬度， c 是地圖的長度，所以我們可以用一個條件概率來解決我們的問題。

3.1 Gmapping slam

Gmapping是基于濾波SLAM框架和RBpf粒子濾波算法的常用開源SLAM算法，將定位和建圖過程分離，先進行定位再進行建圖。如圖1。

優(yōu)點：Gmapping在構建室內小場景地圖時擁有計算量小、精度高的特點。里程計可以提供機器人的位姿先驗，算法有效利用里程計的信息，從而對激光雷達的頻率要求變低。

缺點：Gmapping犧牲空間復雜度保證時間復雜度，因此不適合構建大場景地圖。此算法沒有回環(huán)檢測，在回環(huán)閉合時可能會造成地圖錯位。

3.2 Hector slam

Hector_Slam利用現(xiàn)代激光雷達系統(tǒng)的高更新率，并以傳感器的掃描速率提供2D姿態(tài)估計。如圖2。

優(yōu)點：不依賴里程計信息，空中無人機及地面小車在不平坦區(qū)域建圖得以普及;利用高斯牛頓數(shù)學方法處理scan-matching匹配問題，獲得激光點集會映射到已建地圖的剛體變換。

缺點：激光雷達的更新率要求較高，所建環(huán)境噪聲較小。所以在建圖過程中，需要移動機器人控制在速度比較低的條件下，建圖效果才會比較理想;且在里程計數(shù)據(jù)比較精確的時候，無法有效利用里程計信息。

3.3 Cartographer slam

Cartographer_Slam基于激光雷達構建2D環(huán)境地圖，分辨率精確至5cm。激光雷達返回的數(shù)據(jù)scans會以最佳的位置插入到submap中，這個最佳的位置假設在一定的時間內可以認為是很準確的。其中scan matching必須是和它相對應的submap進行匹配，因此它只和最接近的scan點集有關。這個系統(tǒng)結合了局部最優(yōu)和全局最優(yōu)的方法，都對激光雷達觀測到的位置進行了優(yōu)化。優(yōu)化后的位置用[（ξx，ξy，ξθ）]表示，包括（x，y）坐標的轉化和角度的旋轉，實際上就是對scan點集的進一步優(yōu)化。

我們在學校實驗室中用木紙板搭建了一個簡單的地圖環(huán)境，采用Jetson TX2硬件開發(fā)平臺驅動激光雷達采集周圍環(huán)境信息，并利用ROS分布式在同一局域網(wǎng)下在PC端運行Cartographer算法構建地圖，通過上位機與下位機的stm32f103單片機進行串口通信控制小車底盤的移動，從而實現(xiàn)了小車環(huán)境的構建。如圖3。

4 結束語

大體上講，SLAM發(fā)展趨勢有兩大類：一方面是朝輕量級、小型化方向發(fā)展，讓SLAM能夠在小型移動終端上良好運行，然后考慮以它為底層功能的實際應用。在大部分場合中，我們的研發(fā)目標是實現(xiàn)機器人、AR/VR設備的功能，比如說導航、教學、娛樂，而SLAM是為上層開發(fā)應用提供機器人本身的位姿估計。在這些應用中，我們不希望SLAM占用太多的計算資源。另一方面則是利用高性能設備，實現(xiàn)精密場景理解等功能。我們的目的是準確地重建場景地圖，而對于計算資源和設備的便攜性沒有多大要求。因此可以利用GPU，在這個方向和深度學習結合亦是計算機視覺的發(fā)展方向。

參考文獻：

[1] 高博.視覺SLAM十四講[M].北京：電子工業(yè)出版社，2016.

[2] Google.Real-Time Loop Closure in 2D LIDAR SLAM .[R] ICRA ，2016

[3] 王富.未知環(huán)境中移動機器人定位與建圖技術的研究[D].黑龍江：哈爾濱工程大學，2013.

[4] 梁明杰，閔華清，羅榮華.基于圖優(yōu)化的同時定位與地圖創(chuàng)建綜述[J].機器人，2013（6）.

[5] 顧其洋.基于ROS的家庭服務機器人SLAM的設計與實現(xiàn)[D].蘭州：西北師范大學，2016.

[6] 白佳奇.基于ROS的移動機器人改進視覺SLAM算法研究[D].天津：天津工業(yè)大學，2018.

【通聯(lián)編輯：唐一東】