前言

隨著科技得越來(lái)越發(fā)達(dá)，人工智能，自動(dòng)駕駛導(dǎo)航等字眼頻頻出現(xiàn)在我們得眼前。但是目前來(lái)說自動(dòng)駕駛并沒有得到很全面得普及，還在進(jìn)行不斷的開發(fā)和測(cè)試當(dāng)中。從小就愛好車的我，對(duì)這項(xiàng)技術(shù)也很是感興趣。

偶然間在上網(wǎng)的時(shí)候買了一臺(tái)SLAM小車，能夠利用2D激光雷達(dá)進(jìn)行建圖，自動(dòng)導(dǎo)航，動(dòng)態(tài)規(guī)避等功能。今天我將我在使用這臺(tái)SLAM小車進(jìn)行動(dòng)態(tài)避障功能的實(shí)現(xiàn)記錄下來(lái)。在進(jìn)行動(dòng)態(tài)避障用到的算法是DWA和TEB算法。

簡(jiǎn)單介紹一下我用到的機(jī)器

myAGV SLAM小車

myAGV 是 Elephant Robotics 的一款自動(dòng)導(dǎo)航智能車輛。 它采用了競(jìng)賽級(jí)別的麥克納姆車輪和帶有金屬框架的全包裹設(shè)計(jì)。 內(nèi)置了一些SLAM算法來(lái)滿足建圖和導(dǎo)航方向的學(xué)習(xí)。

myAGV是以樹莓派4B為微型控制板，以u(píng)buntu為開發(fā)系統(tǒng)，這也是為什么選擇它的原因，樹莓派有世界上最大的活躍社區(qū)，擁有許多全世界各地的用戶案例提供借鑒。

建圖/Mapping

首先我得搭建一個(gè)場(chǎng)景，讓myAGV在我搭建的場(chǎng)景里進(jìn)行建圖，自動(dòng)導(dǎo)航，動(dòng)態(tài)避障。

這是我簡(jiǎn)易搭建的一個(gè)場(chǎng)景，一些障礙物以及一些遮擋的物品。

現(xiàn)在開始我的建圖。沒有地圖怎么進(jìn)行導(dǎo)航呢，平時(shí)開車導(dǎo)航地圖都是已經(jīng)存在的，所以我要給場(chǎng)景進(jìn)行建圖，用到的gmapping算法。

Gmapping：

gmapping是一種用于在機(jī)器人上建立環(huán)境地圖的算法。它是一種基于激光雷達(dá)數(shù)據(jù)的SLAM（Simultaneous Localization and Mapping）算法，可以在機(jī)器人運(yùn)動(dòng)時(shí)實(shí)時(shí)地構(gòu)建環(huán)境地圖，并同時(shí)確定機(jī)器人的位置。gmapping算法是ROS（Robot Operating System）機(jī)器人操作系統(tǒng)中的一個(gè)軟件包，可以通過ROS的命令行工具或者編程接口來(lái)調(diào)用和使用它。

這里跟隨Elephant Robotics 的Gitbook（有詳細(xì)的操作方式）來(lái)進(jìn)行操作。

利用激光雷達(dá)等傳感器收集周圍環(huán)境信息，然后通過計(jì)算機(jī)算法將這些信息組合成一幅環(huán)境地圖。之后我就可以在這張地圖上進(jìn)行導(dǎo)航和動(dòng)態(tài)避障等功能了。

PS：gmapping完成之后記得保存建好的地圖。

我在這調(diào)用了myagv的一種控制方法，用鍵盤進(jìn)行控制myAGV去執(zhí)行建圖。

自動(dòng)導(dǎo)航

AMCL 定位

這里要介紹一個(gè)算法ACML算法，AMCL算法是一種概率機(jī)器人定位算法，它基于蒙特卡羅方法（Monte Carlo Method）和貝葉斯濾波（Bayesian Filtering）理論，通過對(duì)機(jī)器人搭載的傳感器數(shù)據(jù)進(jìn)行處理，實(shí)時(shí)估計(jì)機(jī)器人在環(huán)境中的位置，并不斷更新機(jī)器人位置的概率分布。

AMCL算法通過以下步驟實(shí)現(xiàn)機(jī)器人的自適應(yīng)定位：

1. 初始化粒子集合：首先，在機(jī)器人初始位置周圍生成一組粒子，代表機(jī)器人可能的位置。
2. 運(yùn)動(dòng)模型更新：根據(jù)機(jī)器人的運(yùn)動(dòng)狀態(tài)和控制信息，更新粒子集合中每個(gè)粒子的位置和狀態(tài)信息。
3. 測(cè)量模型更新：根據(jù)機(jī)器人搭載的傳感器數(shù)據(jù)，計(jì)算每個(gè)粒子的權(quán)重（即代表機(jī)器人在該粒子位置時(shí)傳感器數(shù)據(jù)與實(shí)際數(shù)據(jù)的匹配程度），并通過歸一化處理，將權(quán)重轉(zhuǎn)化為概率分布。
4. 重采樣：根據(jù)粒子的權(quán)重，對(duì)粒子集合進(jìn)行重采樣，從而提高定位精度并減少計(jì)算復(fù)雜度。
5. 機(jī)器人定位：根據(jù)粒子集合的概率分布，確定機(jī)器人在環(huán)境中的位置，并更新機(jī)器人狀態(tài)估計(jì)信息。

通過以上步驟的循環(huán)迭代，AMCL算法可以實(shí)時(shí)地估計(jì)機(jī)器人在環(huán)境中的位置，并不斷更新機(jī)器人位置的概率分布。

navigation提供了一套框架，可以讓我們靈活的選擇global_planner、local_planner來(lái)提供路徑規(guī)劃功能，其中g(shù)lobal_planner是全局規(guī)劃器，而local_planner是局部路徑規(guī)劃器，它們之間的有些消息，例如：全局規(guī)劃的軌跡，就是在框架內(nèi)部傳遞，沒有topic可以跟蹤。總的說，ROS的導(dǎo)航模塊提供了一套機(jī)制，通過選擇不同的規(guī)劃器，可以實(shí)現(xiàn)機(jī)器人的自主導(dǎo)航。

可以看到除了規(guī)劃器，導(dǎo)航模塊還包括 cost_map ，也就是柵格地圖，并且也包括了靜態(tài)障礙物的信息，也就是說哪些區(qū)域可以通過哪些不可以通過。同時(shí)動(dòng)態(tài)障礙物信息是通過sensor topics來(lái)發(fā)布，然后實(shí)時(shí)更新cost_map來(lái)實(shí)現(xiàn)動(dòng)態(tài)避障。除了地圖，導(dǎo)航模塊還需要定位信息，是由amcl模塊來(lái)提供定位信息，如果想采用其它的定位模塊替代，只需要發(fā)布相同的topic即可。同時(shí)還要提供tf信息，也就是說不同傳感器之間的轉(zhuǎn)換關(guān)系，這在機(jī)器人中非常常見。機(jī)器人的位姿信息則由odometry來(lái)提供，包括機(jī)器人的速度、角度等，提供給局部規(guī)劃器來(lái)規(guī)劃路徑。

如果不太了解，這邊推薦去查閱ROS官方文檔。

我們來(lái)一起看看自動(dòng)導(dǎo)航的效果如何

這是實(shí)現(xiàn)了靜態(tài)的避障，能夠簡(jiǎn)單的實(shí)現(xiàn)。但是很多場(chǎng)景都有不確定的因素，比如說突然走出來(lái)一個(gè)人，這個(gè)時(shí)候站在面前，如果只依靠靜態(tài)避障的話，那么它就會(huì)直接撞上去，這個(gè)時(shí)候就需要用到另一種功能，動(dòng)態(tài)避障。

動(dòng)態(tài)避障是指機(jī)器人在移動(dòng)過程中，根據(jù)環(huán)境變化實(shí)時(shí)調(diào)整路徑，避開障礙物的能力。與靜態(tài)環(huán)境下的避障不同，動(dòng)態(tài)避障需要機(jī)器人能夠?qū)崟r(shí)感知周圍環(huán)境的變化，并做出相應(yīng)的調(diào)整，以保證機(jī)器人的安全移動(dòng)，從而提高生產(chǎn)效率和安全性。動(dòng)態(tài)避障我這邊主要用到的是DWA和TEB算法。

總結(jié)

動(dòng)態(tài)避障的算法需要涉及的知識(shí)較多，本篇的文章就記錄到這里，后續(xù)我會(huì)將DWA和TEB算法寫在另一篇文章中，如果你覺得我寫的還不錯(cuò)，或者有啥需要改進(jìn)的地方請(qǐng)?jiān)谙路搅粞浴?/p>

這里在寫一下對(duì)myAGV的使用下來(lái)的感受，首先呢它的外觀是很好的，它能夠搭載機(jī)械臂作為一個(gè)復(fù)合機(jī)器人去實(shí)現(xiàn)很多任務(wù)。我買他的初衷主要是為了學(xué)習(xí)SLAM小車的一些知識(shí)，實(shí)現(xiàn)自主導(dǎo)航等依靠雷達(dá)的功能，它搭載這樹莓派4B全球最大的硬件開發(fā)社區(qū)，有很多的資源提供，這也是選擇它的理由。

除此之外，它也不是完美的，它的電池消耗的很快，最長(zhǎng)待機(jī)時(shí)間是2小時(shí)，如果使用的頻率較高的話，一小時(shí)左右就快沒電了。這是使用下來(lái)我覺得需要提升的地方，后續(xù)也繼續(xù)更新使用myAGV的感受。

審核編輯：湯梓紅