走到哪都不会迷路，全自动机器人是怎么导航的？

手机

`

现在很多餐厅，都用上了送餐机器人，机器人能端着盘子蹭蹭蹭地自动上菜。

送餐机器人

这个有点厉害呀，无人餐厅的第一步就靠它们了吧！

不过仔细看，这不是巡线小车吗？只要事先铺设好路线，它就会跟着指引线走。

但很多情况下，地上都没有指引线（比如室外），那要如何找路呢？目前有两种方式。

第一种：找参照物，规划好机器人的运动线路。比如下图，机器人从1向西运动x →距离西墙还有y时，右转90度→向北运动z ，到2。

参照物导航

这里假设运动距离和转向角度测量都是精准的，但其实是不可能的。

那么，问题又来了，如果机器人遇到障碍物，或者被人为挪动了，起点就会错乱。我们把“遇障碍”叫动态路径规划，“被挪动”叫机器人绑架问题。

我们就要用另一种方法——感知式系统。它会先得到地图（事先得到或者自己建立），然后对地图解析推理，得到最佳的路。就像手机导航，从地图中找路。

它能做更复杂的操作，比如自主定位、自主导航。像智能扫地机器人、无人车等就是用了感应式系统。

感应式系统导航

今天就来教大家用感知式系统导航。

宾夕法尼亚大学的Vijay Kumar教授在Coursera公开课上讲过，任何系统的导航，都由四部分组成：

状态估计（State Estimation）：实现机器人的定位和感知；

建图（Mapping）：建立所在环境的地图（如果事先没有给地图的话）；

规划（Planning）：制定能走的路；

控制（Control）：控制机器人按照导航走。

定位（状态估计）和建图

这两部分经常被一起提起，他们就是大名鼎鼎的SLAM（Simultaneous Localization And Mapping，同步建图与定位）。

我们用一个最简单的一维定位问题，来看机器人如何定位。

红色曲线是传感器得出的位置分布概率

黑色曲线是传感器和已知的地图信息，一起得出的位置分布概率

在这个问题里，三个门的相对位置是已知的。机器人一开始不知道自己在哪，所以黑线（表示概率）没有起伏。（a图）

前进时，机器人发现了一扇门，它立马确定自己在一扇门旁边，但不知道哪一扇。所以机器人在三扇门位置的概率都升高了。（b图）

考虑到误差等因素，其在其他位置的概率并没有等于0。

我们继续走，发现了另一扇门。根据两扇门的相对位置（地图提供），机器人确定自己在第二扇门的旁边。（d图）

现在，机器人基本确定了自己的位置，完成了定位。无人车在3D地图中，也是靠这种方法定位。

无人车激光雷达生成定位地图

那万一机器人走进沟里、爬树上了怎么办？我们也有对策。平面中，常用二维栅格地图，地图会被切成一个个小格。

我们可以用“0”和“1”来表示这个格子是否可以通过，最终得到了相应的地图。

格子越小，地图就越精确，不过占用的存储空间也就越大。

接下来就要建图（建立地图），过程涉及到概率的知识，这里不展开讲。

白色为可通行范围

黑色为障碍物边缘

有兴趣的同学可以参考Sebastian Thrun（谷歌无人车之父）的《ProbabilisticRobotics》第九章，有很详细的讲解（本书的中文版《概率机器人》已在17年5月出版）。

最后放一个移植的Gmapping开源方案的SLAM，大家随意感受一下什么是SLAM。

右下为机器人在建立的地图中走

规划

现在有了定位和地图，可以开始导航了。就像手机导航一样，我们需要知道起点和终点，然后找到一条路。关键就在“路”的选择上，需要考虑很多因素。

举个栗子，我在西安上学，打算自驾去拉萨看布达拉宫。小学学过，两点之间直线最短，我就沿着直线跑。

跑着跑着发现不对头，这路都是土路、山路、峡谷，耗油量反而更高了！于是规划出另一条路，尽量绕开山坡，同时保证路径最短。

机器人的运动同理，需要考虑全局规划（路径短）和局部规划（绕障碍），最后得到最佳的路径。

无人机规划路径

经典的规划算法有A*、D*、RRT、RPM等，其中D*和RRT算法比较有代表性。

下面的是D*算法的仿真，红点是临时加入的“障碍物”，可以看出它有抗动态干扰的能力。NASA的火星车就使用了D*算法。

D*算法

RRT算法是一种基于采样的路径规划算法，它也能抗干扰，而且消耗资源更少。

黑线规划出的所有的路径

红色是连接终点和起点的路径

控制

控制就是让机器人动起来，并且动得很精准，主要包括对底盘的运动控制和电机的PID控制。

实战一下

对导航有基本认识后，我们来现学现卖一把。

以我们为RoboMaster ICRA参赛队开源的RoboRTS为例。RoboRTS可以让机器人在已知地图中，实现自主定位和导航，还能对特定目标（装甲板）识别、跟踪和打击。

从github网站上下载源代码，按照网站上的说明进行编译即可运行。

链接：https://github.com/RoboMaster/RoboRTS

代码分析

我们简单分析源代码，主要分为perception（感知）、decision（决策）和planning（规划），包含了我们上面讲的定位、规划等。

perception部分主要实现了定位和感知功能。（地图已知，不需要进行mapping；感知用于探测步兵机器人的装甲板，提供打击目标）

decision部分进行决策，将任务交给planning部分进行规划路径，实现整车的运动。

编译程序

运行tools目录下的run_simulator.sh，可以得到Rviz输出：

这里将地图换成了RoboMaster赛场。物理模型是通过stage进行模拟，感兴趣的同学可以自行学习相关知识。

我们查看其具体情况：

程序运行后，系统里共有六个节点：

LocalizationNode节点结合tf信息（这里tf可以理解为传感器信息）以及map_serve节点提供的map信息（事先保存的地图），确定自身的位置；

decision_node节点进行决策后，由local_planner_node节点和global_planner_node节点共同作用进行运动路径规划。

路径规划

上图中，红点代表机器人（如果放得足够大，会发现是许多小箭头），黄线的代表模拟的激光雷达采集到的数据；

绿线代表全局路径（global_planner_node节点得出），红线代表局部路径（local_planner_node节点得出），机器人导航就实现了。

◆◆◆

以上只介绍了系统的基本知识。想要研发自己的机器人，还需要补充ROS系统、C++编程等方面的知识，希望大家再接再厉，早日做出最牛的机器人！

`

2018-5-25 16:39:05

zhenbang真棒，赞赞赞，有更多其他算法方面的介绍吗

jf_ed1027433 · 2018-5-31 10:35:05

以后服务机器人应该会普及吧

搜索历史

走到哪都不会迷路，全自动机器人是怎么导航的？

相关推荐

2 条评论

精选推荐

最新话题

热门话题

创建小组步骤

站长推荐 /6