基于多传感器融合的室内机器人自主导航方法研究

摘要

自主导航是室内机器人实现自决行为规划的核心问题，相对复杂条件下的环境感知，基于多传感器融合成为新的发展趋势。本课题以机器人平台为工程应用背景，期望将深度学习引入人工智能领域，开展相关机器人技术在自主导航中的方法研究，开发集机械平台、嵌入式硬件、软件系统、SLAM算法、场景识别方法于一体的机器人综合系统框架，结合多传感器融合的环境信息，实时指导路径规划，不仅提供室内机器人自主导航的可行方法，对促进该领域语义地图的发展也具有一定积极意义。本文主要内容如下:
　　研究并设计满足自主导航条件的机器人综合系统框架，包括集主动感知、语音输入、运动控制等的机械平台，集IO驱动、数学运算库、机器人控制、运动学和动力学模型等的嵌入式硬件结构，集环境感知与执行、移动终端、中间层连接、分布式架构、任务算法等的机器人系统。
　　研究适用于ROS环境的多传感器融合SLAM算法:融合超声、RGBD、激光雷达数据，基于Gmpping建立二维栅格地图，通过自适应蒙特卡洛定位，导航时采用A*算法实施全局探索，并辅以动态窗口法进行局部避障。实验证明所创建地图分辨率为2cm，并能指导机器人进行室内导航。
　　提出一种混合IMU的里程计实时校正算法:基于扩展卡尔曼滤波和互补滤波融合获取姿态角，修正机器人方位信息;定时比较里程计位移与二次积分加速计数据，防止机器人运动漂移及悬空。相关传感器经过零漂校准后，融合实验数据精度高、收敛速度快，并能校正里程计丢失现象。
　　提出一种用于路径规划的方向A*算法:首先采用“视野线”平滑原则优化路径，消除锯齿效应并避免部分碰撞;其次应用“圆弧-直线-圆弧”转弯策略，避免机器人本体宽度影响;最后基于二叉堆加速算法，提升算法计算效率。仿真实验结果表明，方向A*算法满足平滑要求且能有效避免碰撞，其加速方法可平均提速4-7倍。同时，机器人在真实实验环境下实现安全自主导航，跟踪误差小于0.15m，验证了方法的可行性。
　　提出一种基于语义建图的场景分类方法:首先映射深度信息构建二维栅格地图，自主规划场景识别路径;其次基于卷积网络建立场景分类模型，实时识别脱离特定训练;最后利用贝叶斯框架融合先验知识，修正错误分类并完成语义建图。实验结果表明，机器人能够进行全局自主探索，实时判断场景类别，并创建满足要求的三维语义地图。同时，在实际路径规划中，机器人可以根据语义信息改善导航行为，验证了方法的可行性。

目录

声明

摘要

1．1 研究背景

1．2 国内外室内机器人发展现状

1．3 机器人导航技术及其发展

1．3．1 自主导航方法

1．3．2 自主导航关键技术及发展现状

1．4 多传感器融合在自主导航上的应用

1．5 本课题来源、目的及意义

1．5．1 课题来源

1．5．2 课题目的

1．5．3 课题意义

1．6 论文研究内容及结构安排

第2章 机器人综合系统框架总体设计

2．1 系统组成

2．2 机械平台

2．2．1 开源机器人平台

2．2．2 本课题平台设计

2．3 嵌入式硬件结构

2．3．1 开源硬件系统

2．3．2 本课题设计的硬件结构

2．4 软件系统

2．4．1 系统环境

2．4．2 本课题设计的软件系统

2．5 机器人系统总体框架

2．6 本章小结

第3章 基于ROS的多传感器融合SLAM方法研究

3．1 同时定位与地图构建的提出

3．1．1 自主导航问题

3．1．2 SLAM概念

3．1．3 SLAM在自主导航上的应用

3．2 本文提出的SLAM方法

3．2．1 超声、激光和视觉的多传感器融合

3．2．2 基于ROS的SLAM方法实现

3．2．3 本文方法在自主导航上实现

3．3 实验分析

3．3．1 融合建图实验

3．3．2自主导航实验

3．4 本章小结

第4章 差动机器人里程计校正方法研究

4．1 里程计修正问题的提出

4．1．1 里程计问题

4．1．2 惯性测量单元简介

4．1．3 IMU类型对比及选用

4．2 本文提出的里程计修正方法

4．2．1 姿态解算

4．2．2 基于EKF融合加速度计和陀螺仪数据

4．2．3 基于互补滤波融合磁力计数据

4．2．4 本文的综合修正方法

4．3 实验分析

4．3．1 传感器校准实验

4．3．2 传感器融合实验

4．3．3 里程计校正实验

4．4 本章小结

第5章 室内机器人全局路径规划方法研究

5．1 全局路径规划

5．1．1 路径规划定义

5．1．2 全局路径规划方法及发展

5．2 本文提出的方向A*算法

5．2．2 “视野线”平滑准则

5．2．3 “圆弧—直线—圆弧”转弯策略

5．2．4 本文的方向A*算法

5．2．5 基于二叉堆的加速方法

5．3 实验分析

5．3．1 路径规划仿真实验

5．3．2 真实环境下的实时路径规划

5．4 本章小结

第6章 基于语义建图的室内场景分类方法研究

6．1 室内语义SLAM

6．1．1 语义建图及发展

6．1．2 语义地图构建趋势

6．1．3 深度学习对语义建图的影响

6．2 本文提出的场景分类算法

6．2．1 自主规划探索路径

6．2．2 AlexNet实时分类模型

6．2．3 基于概率分布的语义建图

6．3 实验分析

6．3．1 自主建图实验

6．3．2 语义地图实验

6．3．3 语义地图对路径规划的影响

6．4 本章小结

第7章 总结与展望

7．1 总结

7．2 展望

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果