【《基于SLAM的AGV系统算法设计案例》13000字】

[10]。之后。A*算法，A*(A-Star)算法是一种静态路网中求解最短路径最有效的直接搜索方法，也是解决许多搜索问题的有效算法。A*算法通过两个函数来找到最短路径，一个是从起点到中间的节点n的估价函数，另一个则是从中间的节点n到终点的估价函数，结合这两项最终得出最优的路径。在实验中A*算法比Dijksra更为优秀。图1.21matlab中演示Dijkstra算法结果图1.22matlab中演示A*算法结果AGV小车作为移动机器人的一种，必然有着动态避障的需求，为了实现动态避障就需要局部路径规划算法，在局部路径规划过程中AGV小车会使用激光雷达对局部环境进行检测并在地图中显示出新的障碍物，然后根据实时增量地图实现动态避障。局部路径规划则与ROS中base_local_planner这个包息息相关，AGV小车根据之前绘制并保存好的SLAM栅格地图加上DWA（DynamicWindowapproachs）即动态窗法和TrajectoryRollout两种算法计算达到目标点的许多运动轨迹，然后根据估价函数在不碰到障碍的情况下找到最优轨迹快速到达目的地。DWA和TrajectoryRollout算法的主要思路如下：对AGV小车实时的速度和角度进行采样。通过采样的各项数值来预估机器人下一个时刻的状态，并且求出一条预估的轨迹。通过一些和权重相关的行数，对多条预估出的轨迹进行评价，然后选出最优的轨迹并将其信息交给AGV小车。1.1.2AGV小车自主导航的操作步骤和结果分析先以绘制好的hectorslam栅格地图为例，确认好地图的保存路径，我的保存路径是“~/slam_map/hector_map5.yaml”。然后在工作站电脑上利用SSH远程Turtlebot2的主机终端，并输入以下指令启动minimal.launch。$roslaunchturtlebot_bringupminimal.launch接着再打开一个Turtlebot2的主机终端，输入下列指令。$exportTURTLEBOT_LASER_SENSOR=rplidar$exportTURTLEBOT_MAP_FILE=/home/kagari/slam_map/hector_map5.yaml$roslaunchturtlebot_navigationrplidar_amcl_demo.launch最后在工作站电脑上运行下列指令打开控制自主导航的rviz界面。$roslaunchturtlebot_rviz_launchersview_navigation.launch--screen之后就可以看见例如图1.20这样的界面。图1.23rviz中的自主导航界面如果没有初始化Turtlebot2的位姿的话，就使用rviz上方菜单栏中的“2DPoseEstimate”，然后依照AGV小车的实际位姿来调整AGV小车在SLAM栅格地图中的位姿。位姿调整好后，选择上方菜单栏中的“2DNavGoal”，然后点击地图中的灰色区域，就可以看到小车自身开始旋转，说明小车开始在进行规划路径了，在rplidar_acml_demo.launch的终端界面可以看见路径规划的话题信息，于此同时rviz上会显示一条绿色的最短路径，小车到达目的地后，在rplidar_acml_demo.launch的终端界面可以看见“Goalreached”，说明自主导航结束，在这个过程中如果有人或物体突然出现在小车前方，命令行窗口会有调用DWA算法变更轨迹的话题信息，随即小车可以自主避开障碍物，即动态避障。在rviz左侧状态栏中可以随时查看Planner和TrajectoryCostmap中调用路径规划算法的系统路径。从AGV小车的自主导航过程来看，可以总结出以下信息，在路径规划阶段A*算法比Dijkstra算法略微要快，但是在路径的选择上，二者并无明显差异，其选择的路径都会非常逼近物理上的最短距离，而从动态避障的结果来看，RplidarA1的雷达的性能还欠佳，