1．本課題的研究內容、重點及難點

研究內容：

機器人在室內環境或缺少全局位置信號(GPS等)的情況下，以機器人搭載的內部傳感器和外部傳感器數據為輸入條件，系統地解決機器人自主定位與地圖創建的問題，為機器人以后切實能夠在廢墟環境內部自主運行做理論性的嘗試和前期的探索。

具體要求如下：

（1） 通過對移動機器人控制系統的功能要求分析，確定系統的總體設計方案；

（2） 可圍繞室內環境中的定位與地圖創建問題，機器人同步定位與地圖創建(Simultaneous localization and mapping, SLAM)領域的混合地圖表達方法、數據關聯問題、局部地圖表示方法以及SLAM算法在室內環境下的適應性問題等進行系統設計；

（3） 進行實驗調試，證明所提方法的有效性。

研究重點：

（1） 如何采集實際環境中的各類型原始數據；

（2） 如何估算不同時刻間移動目標相對位置；

（3） 如何構建地圖。

研究難點：

（1） 如何優化里程計帶來的累計誤差；

（2） 如何消除空間累計誤差。

2．準備情況（已查閱的參考文獻或進行的調研）

已查閱的參考文獻：

[1] 田野, 陳宏巍, 王法, 等. 室內移動機器人的SLAM算法綜述[J]. 計算機科學, 2021, 48(3): 223-234.

[2] 張為心. 基于激光雷達的室內移動機器人SLAM及路徑規劃研究[D]. 桂林: 桂林理工大學, 2021.

[3] 盧彩霞. 無人駕駛應用環境下基于激光雷達的3D SLAM研究[D]. 北京: 北京交通大學, 2019.

[4] Giorgio Grisetti, Cyrill Stachniss, Wolfram Burgard. Improved Techniques for Grid Mapping With Rao-Blackwellized Particle Filters[J]. IEEE Transactions on Robotics: A publication of the IEEE Robotics and Automation Society, 2007, 23(1): 34-46.

[5] Lenac Kruno, Kitanov Andrej, Cupec Robert, et al. Fast planar surface 3D SLAM using LIDAR[J]. Robotics and Autonomous Systems, 2017, 9(2): 197-220.

[6] Pierzchal, Marek, Giguere, et al. Mapping forests using an unmanned ground vehicle with 3D Li DAR and graph-SLAM[J]. Computers and Electronics in Agriculture, 2018, 14(5): 217-225.

[7] Smith, Randall, Self, et al. Estimating Uncertain Spatial Relationships in Robotics[J]. Robotics & Automation, 2013, 37(3): 16-33.

[8] 朱友帥. 基于ROS的服務機器人同步定位與地圖構建研究[D]. 鎮江: 江蘇科技大學, 2019.

[9] Imone Ceriani, Daniele Marzorati, Matteo Matteucci, et al. Single and Multi Camera Simultaneous Localization and Mapping Using the Extended Kalman Filter On the Different Parameterizations for 3D Point Features[J]. Journal of mathematical modelling and algorithms in operations research, 2014, 13(1): 23-57.

[10] 沈斯杰, 田昕, 魏國亮, 等. 基于2D激光雷達的SLAM算法研究綜述[J]. 計算機技術與發展, 2022, 32(1): 13-18.

[11] 阮毅, 楊影, 陳伯時. 電力拖動自動控制系統-運動控制系統[M]. 北京: 機械工業出版社, 2016.

[12] Tadeusz Michalowski. Applications of MATLAB in science and engineering[M]. Rijeka: InTechOpen contributors, 2011.

[13] Toshiba Corporation. TB6612FNG motor driver datasheet[M]. Tokyo: Toshiba Corporation, 2011.

[14] 劉火良, 楊森. STM32庫開發實戰指南[M]. 北京: 機械工業出版社, 2017.

[15] 陳孟元. 移動機器人SLAM目標跟蹤及路徑規劃[M]. 北京: 北京航空航天大學出版社, 2018.

[16] 郭帥. 基于混合地圖表示的SLAM算法研究[D]. 沈陽: 中國科學院沈陽自動化研究所, 2012.

[17] Jiachen Ma, Qi Zhang, Liyong Ma. A novel robust approach for SLAM of mobile robot[J]. Journal of Central South University, 2014, 21(6): 2208-2215.

[18] 陶輝, 吳懷宇, 程磊, 等. 基于特征地圖的移動機器人EKF-SLAM和Fast-SLAM算法自主導航研究[J]. 北京聯合大學學報(自然科學版), 2010, 24(2): 18-24.

[19] 陳世明, 鄭麗楠, 吳龍龍, 等. 面向3維空間的移動機器人快速自適應SLAM算法[J]. 信息與控制, 2012, 41(4): 419-424.

[20] 張文玲, 朱明清, 陳宗海. 基于強跟蹤UKF的自適應SLAM算法[J]. 機器人, 2010, 32(2): 190-195.

[21] 周旭. 基于改進粒子濾波的SLAM算法研究[D]. 南京: 南京理工大學, 2014.

[22] 陶輝, 吳懷宇, 程磊, 等. 輪式移動機器人FastSLAM算法研究[J]. 哈爾濱理工大學學報, 2011, 16(1): 42-47.

[23] 郭利進, 王化祥, 孟慶浩, 等. 移動機器人在大尺度未知環境下的自主導航方法-改進的FastSLAM算法[J]. 高技術通訊, 2008, 18(4): 375-381.

調研情況：

機器人在現實生活的應用過程中，無論是室內室外的導航服務、汽車的無人駕駛以及虛擬現實的模擬都需要通過自身搭載的各類傳感器采集環境中的距離、圖像等多種信息，然后估計自身主體的位姿同時構建環境地圖，這就是同時定位與地圖構建技術(SLAM)。現今的SLAM技術較為繁多，但使用過程中都有一定的局限性[1]。

例如通過無線信號進行定位的SLAM技術只能在事先搭建的環境中使用；使用GPS定位的SLAM技術顯然無法在室內環境中正常工作，并且成本較高。而在SLAM技術發展的30多年以來，基于激光雷達的SLAM技術研究熱度卻從未降低。作為主流的SLAM技術，其有著其他技術無法比擬的優點，例如：其通過激光反射的原理，能夠完成對障礙物信息的準確判斷，不受光線的影響，在黑暗的環境下正常進行工作；可以搭載其他傳感器共同感知處理信息，構建更為精確的環境地圖[2]。

激光SLAM技術主要依靠搭載的2D或3D激光雷達、IMU、里程計等傳感器完成建圖任務。最早的基于激光雷達的SLAM算法是由Smith于1988年提出的EKF-SLAM算法，使用了最大似然算法進行數據關聯，但計算復雜、魯棒性差，構建的地圖無法用于機器人導航任務[2]。2002年Montemerlo等人提出了FastSLAM算法，靈活地將SLAM問題分割為定位和地圖構建兩個問題，并且能夠使用柵格地圖[3]。在此基礎上，Grisetti等人提出Gmapping算法，改善了采樣粒子數過大的問題，對位姿進行了掃描匹配，實現了較好的建圖效果，是目前使用最為廣泛的2D激光SLAM算法。之后激光SLAM算法研究進入了飛速發展的魯棒性時代。Lenac等[4]提出一種基于3D姿態的快速SLAM，使用了360°激光雷達能夠更好的估計車輛軌跡。Pierzchala等[5]針對森林技術，提出了基于graph-SLAM的同時定位和映射算法的局部圖。

3、實施方案、進度實施計劃

SLAM算法的選用：

在機器人領域，SLAM技術是極其重要的研究熱點。如何進行機器人的定位和路徑規劃，都需要以SLAM技術為前提[6]，所以它也是整個機器人導航系統的關鍵[7]。早期時候，基于濾波的激光雷達SLAM算法常應用于解決移動機器人SLAM問題[8]。隨著近些年來計算機和傳感器技術的高速發展，它們的性能方面有了極大的提升，所以在這種環境下，基于圖優化的激光雷達SLAM算法嶄露頭角，漸漸成為發展的新方向。但基于濾波的SLAM算法在實際應用中仍然有著非常好的效果，占據著重要的基礎地位。其中的拓展卡爾曼濾波(EKF)和粒子濾波(PF)在早些年被主要集中研究，但EKF算法不適用于非線性系統，特別是在環境特征數目較大時計算復雜度過高[9]；基于PF的RBPF算法同樣因過多的采樣粒子難以在較為復雜的場景中完成建圖。針對這一系列難題，Gmapping算法優化了粒子分布、完善了采樣過程，同時添加了里程計和傳感器的觀測信息來獲取更加精確地估計，有效地提高了算法運算效率，在室內移動機器人建圖過程中被廣泛使用。

目前，主流的激光SLAM算法的優缺點分析如表1所示。

表1 激光SLAM算法的優缺點分析[10]

file:///C:/Users/HUANGZ~1/AppData/Local/Temp/ksohtml12324/wps1.jpg

Gmapping算法原理：

Gmapping算法是由Grisetti、Stachniss等人最早提出，其主要基于Rao-Blackwellized粒子濾波器原理，同時融合了擴展卡爾曼濾波器思想的二維激光SLAM算法，是目前室內機器人領域廣泛使用的一種激光SLAM算法[2]。該算法將SLAM問題分成機器人位姿估計和環境地圖構建兩個問題，利用粒子濾波和擴展卡爾曼估計機器人位姿與構建地圖[11]。

如圖1所示為Gmapping算法整體框架。Gmapping算法在進行同時定位和地圖構建時，除了接收處理激光傳感器的外部環境信息的同時還要接收處理機器人的里程計信息。最終將這兩種信息數據處理整合，同樣構建出柵格地圖[12]。

file:///C:/Users/HUANGZ~1/AppData/Local/Temp/ksohtml12324/wps2.png

圖1 Gmapping 算法總體框架圖

基于ROS搭建仿真實驗平臺：

ROS旨在提供一個統一的、開源的編程框架，被用于在各種現實世界和模擬環境中控制機器人[13]。機器人包含很多重要的專業技術，并且要想使其成為大眾產品，仍然存在很多技術局限，因此，需要企業、專家和用戶一起努力。而ROS正是提供學者們一起協作和開發的平臺，它降低了機器人入門的技術門檻、促進了技術的傳播和使用，社區中的每個人都能做出自己的貢獻。其中有導航、SLAM、3D物體識別、多關節手臂的運動控制和機器學習等優秀的開源資源供學者們一起學習[14]。

Gazebo是一款3D的物理仿真器，支持機器人開發中所需要的機器人、傳感器和環境模型，同時內部搭載的物理引擎可以得到較好的仿真效果[15]。此外，Gazebo在ROS中有特定的接口，其中包含了ROS和Gazebo需要的所有控制，因此Gazebo和ROS非常兼容，這樣有利于在缺乏硬件平臺的情況下，可以先對功能進行仿真驗證。不僅如此，若在機器人模型上添加有激光雷達和攝像頭等傳感器，可以用過Rviz顯示對應傳感器的深度信息或者是點云信息。在本文后面的SLAM仿真研究中，Gmapping節點發布的柵格地圖，可以通過Rviz訂閱顯示[16]。因此，本設計選擇它們為仿真軟件并進行相應的工作。

移動機器人設計方案：

一個完備的室內移動機器人需要能夠完成自主導航的基本任務要求，基于這一實際的功能需求，移動機器人的系統設計必須包括檢測機構、控制機構和執行機構這三個主要部分[17]。如圖1所示為設計的移動機器人的系統框架圖。其中檢測機構主要由激光雷達、IMU、里程計等組成，通過這些功能齊全的外部和內部傳感器實時接收外界環境信息[18]；控制機構作為移動機器人的核心需要處理檢測機構獲得的數據信息，主要有主控制模塊“樹莓派”和底盤控制器STM32組成[14]；執行機構則受控于控制機構，按照其發布的控制指令完成機器人的定向運動，主要由電機驅動器和電機組成[11]；為了能夠監控移動機器人運動過程中的實時數據和運動情況，增加監控機構，由連接主控模塊的PC主機來完成監控任務[19]。

file:///C:/Users/HUANGZ~1/AppData/Local/Temp/ksohtml12324/wps3.jpg

圖2 移動機器人系統框架圖

移動機器人在執行自主導航任務時需要先驗的環境地圖信息和運動路徑線路作為前提條件，本設計方案中其具體內容步驟如圖2所示[20]。由檢測機構中的激光雷達、IMU、里程計等傳感器實現對環境障礙物信息和機器人自身位姿及運動信息的采集，并將采集到的信息傳輸到控制機構中[21]；控制機構中的STM32底層控制器首先對接收的各個傳感器信息進行融合處理并傳送給主控模塊“樹莓派”，通過主控模塊“樹莓派”中已經編寫好的SLAM算法實現移動機器人的位姿定位和局部地圖的構建[22]；當移動機器人遍歷整個環境時，全局地圖不斷更新完善直至構建完整[23]。

file:///C:/Users/HUANGZ~1/AppData/Local/Temp/ksohtml12324/wps4.jpg

圖3 移動機器人地圖構建步驟圖

進度計劃：

（4）設計圖紙及樣機；

（5）程序源碼。