移动机器人技术开发与应用 课件 6.移动机器人导航

第六章移动机器人导航目录SCIENCEANDTECHNOLOGY01引言02机器人导航相关技术03路径规划算法04A-star路径规划实践05总结与展望引言016.1.1自主导航的重要性智能化基础自主导航是移动机器人实现智能化的核心能力，通过实时感知环境与自身状态，使机器人能够在复杂场景中独立完成任务，大幅提升自动化水平和工作效率。01应用扩展性具备自主导航能力的机器人可广泛应用于工业物流、医疗服务、户外勘探等领域，突破传统固定式机器人的空间限制，创造更多商业价值。安全可靠性自主导航系统通过多传感器融合和动态路径规划，能够有效识别并规避障碍物，显著降低人工干预需求，保障作业过程的安全性和稳定性。技术融合平台导航技术整合了传感器技术、SLAM算法、运动控制等多学科成果，是人工智能和机器人技术发展的重要交汇点。020304机器人导航相关技术026.2.1导航系统框架多传感器融合架构采用激光雷达、视觉相机、IMU等多源传感器数据融合，通过卡尔曼滤波或粒子滤波算法实现数据互补，提升环境感知精度与鲁棒性。典型架构包含感知层、决策层和执行层的分层设计。模块化软件架构基于ROS（机器人操作系统）搭建导航栈，包含gmapping定位建图模块、move_base路径规划模块和AMCL定位模块，支持算法快速迭代与功能扩展。闭环控制系统由环境感知模块实时采集数据，定位模块解算位姿，路径规划模块生成最优轨迹，运动控制模块驱动执行机构，形成"感知-决策-执行"的闭环反馈机制，确保导航过程动态调整。6.2.2定位技术相对定位即机器人通过搭载具有测量航迹的传感器获取时间段内自身动态信息，并通过对这些信息数据累积求和来获取机器人相对于初始状态位置估计。绝对定位即机器人在移动过程中，通过探测感知环境中为机器人设置的参照信标，确定自身与这些参照信标的位置关系，进而得出自身在全局坐标系中的位置。6.2.3地图构建技术栅格地图构建三维点云地图拓扑地图生成采用占据栅格算法（OccupancyGrid）将激光雷达点云转化为二维概率栅格地图，每个栅格存储占据概率值，支持动态障碍物更新，适用于室内移动机器人导航。通过提取环境中的关键节点（如门廊、拐角）和连接边构建图结构，利用Voronoi图或RTAB-Map算法实现环境抽象表示，显著降低地图存储与计算复杂度。采用LOAM或LeGO-LOAM算法处理3D激光雷达数据，生成带强度信息的高精度点云地图，支持三维路径规划与障碍物规避，广泛应用于自动驾驶领域。6.2.4路径规划技术全局路径规划基于A、Dijkstra等图搜索算法在已知地图上求解最优路径，结合JPS（JumpPointSearch）优化搜索效率，规划时间可缩短至毫秒级，适用于静态环境导航。动态避障算法采用TEB（TimedElasticBand）或DWA（DynamicWindowApproach）等局部规划器，实时处理激光雷达检测的动态障碍物，通过速度空间采样生成无碰撞轨迹。多目标优化规划综合考虑路径长度、平滑度、能耗等多维度指标，利用RRT或InformedRRT等采样算法求解Pareto最优解，特别适用于复杂工业场景的AGV调度。路径规划算法03本节主要介绍局部路径规划中常用的时间弹性带算法TEB(TimeElasticBand，TEB)。TEB方法结合了时间信息，有效优化了动态避障轨迹。基于优化的方法，建立多种约束条件和目标，不仅考虑环境信息，也考虑移动机器人本身约束条件，例如最小转向半径等条件。约束条件作为图优化的边，优化项作为图优化的节点。6.3.1局部路径规划时间弹性带算法TEB(TimeElasticBand，TEB)选取了两个连续的移动机器人位姿模型。移动机器人转向时按规划的路径行驶,相邻两个位姿位于同一段圆弧上，得到非完整运动学约束。运动约束由于吸引势场函数保持不变，则叠加势场在目标点求解速度不为零，存在目标点不可达问题。利用机器人与目标点的距离和实时速度，设置目标点加速度约束。目标点加速度约束沃罗诺伊图(Voronoidiagram，VD)又称泰森多边形，由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。泰森多边形是对空间平面的一种剖分，其特点是多边形内的任何位置离该多边形的样点的距离最近，离相邻多边形内样点的距离远，且每个多边形内含且仅包含一个样点。6.3.2全局路径规划沃罗诺伊图(Voronoidiagram，VD)采用图像中值滤波去噪法，遍历地图内所有像素点，通过对邻域内所有像素进行排序，取其中值为邻域中心像素值。这种去噪方法对处理图像中离散点效果较好，因此适合处理原始地图中的离散点。地图噪点处理以节点作为启发式搜索范围，通过节点间的延伸、连接实现初步路径规划。处于起始点S的机器人搜索最近的节点n1，通过启发式搜索逐步连接n2、n3、n4等节点，接着路径延伸至距离目标点G最近的节点n5，最终连接n5与目标点G，完成路径的初步规划。节点延伸路径策略首先对原始Voronoi图进行多分支化处理，使之增大搜索范围，细化搜索粒度，确保路径的平滑和代价最小。6.3.2全局路径规划路径生成与平滑处理针对基于空旷地图生成的VD图产生的节点较少的情况，对原始生成VD图的方法进行改进，加入随机障碍点，丰富VD图分支和节点数量，缩小搜索粒度，扩大搜索范围。路径多分支化预处理通过对所有优化区间离散节点进行线性拟合，计算出每个区间对应拟合直线方程，获取相邻区间两条拟合直线交点。按顺序连接这些交点，形成新的路径。Voronoi节点线性拟合和平滑处理A-star路径规划实践046.4.1A-star算法背景介绍启发式搜索起源应用领域扩展核心公式解析A算法由PeterHart等人在1968年提出，结合了Dijkstra算法的精确性和贪心算法的效率，通过启发式函数（如曼哈顿距离、欧几里得距离）预估节点到目标的代价，优先扩展最优路径节点。总代价函数f(n)=g(n)+h(n)，其中g(n)为起点到当前节点的实际代价，h(n)为当前节点到终点的启发式预估代价，需满足可采纳性（h(n)≤真实代价）以保证最优解。除游戏AI和机器人导航外，A还用于物流配送路径优化、无人机避障、自动驾驶全局规划等场景，尤其在动态环境中有变种算法如DLite。6.4.2A-star算法配置操作系统：Ubuntu的版本为20.04。ROS系统：ROSNoeticNinjemys基础库：CMake、Git、g++、gcc、Ros环境配置数据集及代码获取安装机器人驱动源码包Step1:下载源码创建工作空间：打开终端输入mkdircatkin_ws命令目的是在主文件夹下创建一个名为catkin_ws的工作空间cdcatkin_ws进入catkin_ws的工作空间然后输入mkdirsrc目的是在catkin_ws文件夹下再创建一个名为src的子目录，用于存放程序源代码等资源在~/catkin_ws/src终端下使用git下载代码：gitclone/6-robot/wpr_simulation.git在终端下输入cdcatkin_ws/src/进入~/catkin_ws/src终端，输入gitclone/6-robot/wpb_home.git在~/catkin_ws/src终端下，输入cdwpb_home/wpb_home_bringup/scripts/然后在~/catkin_ws/src/wpb_home/wpb_home_bringup/scripts/下输入./install_for_noetic.sh随后终端中输入y进行依赖包的安装然后回到~/catkin_ws终端下，执行catkin_make对这个源码包进行编译6.4.3环境准备环境准备a.将Gmapping建图生成的map.pgm和map.yaml两个文件放入catkin_ws/src/wpr_simulation/maps文件夹下环境准备b.在~/catkin_ws/src终端下，输入catkin_make_pkgnav_pkgroscpprospymove_base_msgsactionlib这行命令是用catkin_make命令创建一个名为nav_pkg的包，然后在这个包下面创建一个nav.launch文件导航参数输入c.将代码写入nav.launch6.4.4A-star算法程序运行运行仿真程序在~终端中输入roslaunchwpr_simulationwpb_stage_robocup.launch运行A*导航算法重新打开一个新的~终端输入roslaunchnav_pk