基于激光测距传感器的家庭机器人导航仿真
基于激光测距传感器的家庭机器人导航仿真
作者:蔡则苏;洪炳镕;周浦城
在通常的室内环境下 ,自主移动机器人的应用依然面临很多挑战性问题. 定位问题就是其中之一. 在室内环境下广泛应用于机器人导航的超声波传感器的缺点是其角度分辨率太低 (约为25°左右) 、旁波较大 ,需要消耗过多的数据后处理时间 . 文献使用全维立体视觉作为外部传感器 ,通过锥形镜和摄像机 ,生成移动机器人周围环境的全景图. 这种方法由于其计算的复杂性和缺乏距离测量的动态变化 ,使其应用室内受到一定的限制. 毫米波雷达技术,在室内机器人的障碍检测、地图生成和导航方面具有很大的潜力 ,但缺点是成本太高. 激光测距传感器由于在距离范围和方向上具有较高的精确度 ,已经成为室内机器人定位和地图生成中最有吸引力的传感器之一.本文采用基于激光扫描和人工路标的方法 ,来解决室内环境下的机器人导航问题.
1 、同时定位和地图生成
同时定位和地图生成 (Simulatneous localization and map building , SLAM) 问题可以通过传感的融合来解决 ,特征或路标的估计位置就变成机器人状态的一部分. 机器人从一个具有给定不确定性的位置开始运动 ,逐渐获得相对其位置的环境特征测量值 ,并用这些测量值增量地创建和保持导航地图以及在这个地图中定位.
为了简化特征提取的计算复杂度 ,采用了人工路标法 ,分别设置了 12 个路标点B1~B12 . 激光测距器的配置是 180°扫描视野 ,角度分辨率为 1°,最大感知范围为 8 m ,通过 RS232 接口以 19200 波特率获取环境的信息. 基于激光测量的地图采用了网格占据几率来描述激光数据的关联性.
2 、基于扩展卡尔曼滤波的导航算法
使用扩展卡尔曼滤波算法 ( Extended Kalman Filter , EKF)可以较好地融合里程计数据和激光测距数据. EKF 算法使用平均值和协方差矩阵将 SLAM 的后验值表述为高维、多变量高斯参数.平均值描述了机器人和路标的最有可能的状态 ,协方差矩阵表明了所有状态变量对之间的关联.假定机器人在室内二维平面内运动 ,状态平均值是 2 N + 7维 ,其中 N 是所采用的路标个数 ,7 是描述机器人位姿的维数 ,2 是描述路标的维数 (距离和方向角) .
3 、仿真结果
在室内环境下通过设定人工路标 ,采用扩展卡尔曼滤波算法融合激光测距数据和里程计数据 ,完成的机器人在室内环境下的导航.移动机器人欲跟踪的路径、基于传统航位推算法的路径、基于 EKF 的融合算法估计的路径及路标的观测位置. 可以看出 ,传统的航位推算法的误差随时间而增加 ,在机器人移动一定距离后 ,航位推算的路径偏离欲跟踪路径较大. 基于 EKF 的融合算法 ,通过激光测距器对外部的路标进行测量 ,并用路标的位置和方向来修正跟踪误差 ,形成的估计路径在整个机器人运动过程中 ,与欲跟踪的路径基本重合 ,但当运动路径中路标稀少时 ,EKF 不能有效融合路标数据 ,使得路径跟踪的误差较大.
4 、结 论
基于激光测距传感器的 EKF 导航算法可以有效地提高家庭机器人定位的精度 ,能够有效地完成机器人的路径跟踪.
本文章转自爱学术(aixueshu.com),如有侵权,请联系删除