【AGV小车激光SLAM技术研究开题报告6300字】

AGV小车激光SLAM技术研究开题报告目录TOC\o"1-3"\h\u17893AGV小车激光SLAM技术研究开题报告 1155911.1课题的研究背景及意义 1278781.2国内外研究现状与趋势 417361.2.1AGV发展现状 4165621.2.2激光SLAM技术研究现状 5114411.4激光扫描匹配方法 8189911.4.1定位方法 83041.4.2环境地图表示方法 9209721.5本文研究内容及论文安排 101.1课题的研究背景及意义目前，电子商务随着随着互联网的大潮蓬勃发展，网购的盛行带动了我国物流业的高速发展[1]。传统物流配送中心依靠人工的方式进行货物的拣选和运输，如图1-1所示。这种方式通常效率低、出错率高，而且存在安全隐患，难以适应当下电商物流“多品类、多批次、少批量”的订单结构[2]，加上物流量的急剧增长、劳动成本的增加以及劳动力匮乏等诸多问题，通过引进仓储AGV来提高仓储作业效率和降低运营成本成为了电商行业发展的趋势[3]，“机器换人”已经势在必行。仓储AGV是一种综合了机械、电子、计算机、自动控制等多个领域的物流搬运机器人，采用蓄电池供电，通过导引装置沿规划的路径行驶，进而完成一系列的物料运输任务[4]。导航技术的进步，是仓储AGV自动化、柔性化程度发展的重要标志。传统的导航方式，如电磁导航、磁带导航等，需要人为预先铺设运行路径，通过导航装置识别和跟踪路线即可实现导航，但这种固定路径导引方式存在对环境依赖较大、刚性较高、维护成本高和改动困难的问题[5]，应用场合受到极大限制。对于柔性需求较高的物流系统，则需要进一步提高仓储ＡＧＶ的智能化程度，进而更好地满足企业的发展需要。自主导航能解决AGV对环境的依赖问题，自主导航AGV无需预先铺设磁条、磁钉，其灵活性强，柔性化程度高，使仓储AGV的应用场合不受限制。SLAM是机器人实现自主导航的前提。SLAM技术能使机器人在不借助外部设备的前提下，通过自身携带的传感器和高效的处理算法，在未知环境中定位自身的同时构建环境地图。有了所建的环境地图后，机器人才能进行路径规划，实现自主导航[6]。因此SLAM作为机器人实现自主导航的关键技术，成为智能机器人领域的一大研究热点。本课题来源于中科院海西研究院泉州装备制造研究所项目：高精度AGV激光导航技术研究及其应用（2018H0043），本文重点研究激光导航AGV的关键技术——激光SLAM技术。1.2国内外研究现状与趋势1.2.1AGV发展现状AGV技术经过60多年的发展，目前技术方向主要分为两大类。一类是以欧美为代表的全自动AGV技术，这类技术追求AGV产品的高效自动化，几乎完全不需要人工的干预。其路径规划和生产流程复杂多变，能够运用在几乎所有的搬运场合。这些AGV功能完善，技术先进。为了能够采用模块化设计，降低设计成本，提高批量生产的标准，欧美的AGV放弃了对外观造型的追求，采用大部件组装的形式进行生产。相应系列产品覆盖面广，功能齐全，系列产品的载重量可从50kg到60000kg不等。国外知名的AGV厂商有KUKA、Egemin、Atab、Axter、Omniroll等。第二类是以日本为代表的简易型AGV（AGC）技术。该种技术着力于简单的应用，让用户在最短的时间内收回投资成本。该类产品只用于简单的生产场合，进行简单的重复性搬运工作，导引采用简易的电磁导引方式。通过简化功能，大大降低了AGC的制造成本，从而使其获得大范围的应用。国外AGV领域研究开始较早，但研究进展缓慢，主要集中于仓储物流及自动化领域。网上购物商城巨头亚马逊公司，作为最早使用AGV的电商企业之一，其研发的物流机器人kiva已经大量应用于其商品仓库；国际知名物流巨头DHL公司，也已经在全球范围内部署了各类型的AGV机器人；在电动汽车领域，大众汽车集团为了解决充电设施短缺日益严重的问题研发了一款可移动的充电AGV。在停车场内，该AGV能够自动导航至需要充电的车辆附近，与车辆进行身份确认后，充电枪自动连接车辆，为车辆充电。该AGV能够有效缓解停车场充电设施的不足给电动汽车出行带来的不便，目前该AGV还在研发中。我国AGV技术起步较晚。20世纪70年代后期，北京起重运输机械研究所研制了第一台三轮式AGV。80年代后期，北京机械工业自动化研究所为二汽研制了应用在立体化仓库中的AGV。90年代，清华大学国家CIMS工程中心成功将国外引进的AGV应用于CIMS试验。后经引进和试验研发，1992年我国第一次将国产AGV应用在柔性生产线上。目前，国内具备自主研发AGV的企业有北京特种机械研究所、沈阳新松、云南昆船、松科等企业。根据中国移动机器人产业联盟、新战略机器人产业研究所数据统计，2019年度，中国移动机器人市场规模达到61.75亿元，较之于2018年增长幅度为45.2%［2］。由此可见，国内AGV产业目前发展十分迅速。目前，国内5G、物联网、人工智能、大数据等高新技术发展迅速，这些技术与AGV技术相结合，使AGV产品性能进一步提升。旷世科技作为国内人工智能领域行业的佼佼者，2018年全资收购了艾瑞思机器人，主要研发用于物流仓储、智能工厂等行业的AGV机器人。得益于旷世科技公司强大的深度学习及智能调度算法，艾瑞思的物流AGV生产效率和人工协作效率进一步提高。此外，新电商零售的思路与AGV技术相结合，也催生出了一系列AGV应用的新领域。目前京东、美团、阿里等互联网企业研发的AGV在新零售、无人配送领域处于领先地位。1.2.2激光SLAM技术研究现状SLAM技术起源于国外，当前的激光SLAM方法分为两大类，分别是基于贝叶斯滤波器的SLAM方法和基于图优化的SLAM方法，如图1-所示。早期的SLAM方法主要是基于贝叶斯滤波器。在1985年，SLAM问题就在Cheeseman和Smith[7]撰写的文章中被提出，文中提出了求解SLAM问题的数学原理，即以描述几何不确定性和特征与特征之间相互关系的统计学原理。SLAM问题中机器人定位依赖于环境地图，而环境地图的构建也依赖于机器人的准确定位，这是一个“鸡生蛋，蛋生鸡”，高度相关的过程，任何一个问题都不能单独解决。1987年，基于KF的SLAM算法由Smith，Self和Cheeseman[8]提出，该基于KF的SLAM算法理论研究框架曾一度成为应用最广泛的方法。1993年，基于SIS的非线性滤波算法由Gordon[9]等人提出，这也是粒子滤波器研究的开端，粒子滤波器适用于任何非线性系统，它基于蒙特卡洛思想，使用粒子集表示概率，鲁棒性相比卡尔曼滤波更高。Murphy[10]使用Rao-Blackwellized算法对基于粒子滤波器的SLAM问题进行研究，分离了定位和建图，降低了SLAM的复杂度。针对卡尔曼滤波计算复杂度高，并且对数据关联错误敏感两个重要缺点，来自卡内基梅隆大学的MichaelMontemerlo[11-13]提出了使用粒子群滤波器的Fast-SLAM算法。Fast-SLAM将算法复杂度从平方级降低到对数级，有效地降低算法复杂度，且Fast-SLAM算法描述了对已知和未知数据关联的两种情况，结果表明Fast-SLAM算法可以在大规模的地标模糊环境中获得准确的环境地图。Grisetti[14]针对RBPF-SLAM存在粒子退化的问题，使用自适应重采样方法，有效缓解了粒子退化问题，并使用传感器模型代替里程计预测，改进了提议分布，取得了良好的建图效果，其开源的gmappping得到了广泛的应用。基于图优化的SLAM算法如今已成为主流研究方向，该算法是通过所有的传感器信息去估计机器人的完整位姿信息和地图信息，故而也称作是全SLAM算法，能够在大的环境中进行高精度地图的构建。相比之下，基于滤波器的SLAM算法属于在线SLAM算法，在建立大型地图时随着时间的推移会出现内存消耗大、计算量增大的问题，因此该算法不适用于大环境下的地图构建。和基于滤波器的SLAM技术一样，国外在图优化理论方面研究也较早。基于图优化的理论最先由Lu和Milios提出[15]，阐述了图优化的SLAM技术的基本思想，它们通过ICP扫描匹配确定扫描之间的成对测量，然后通过迭代线性化优化图，但在当时求解计算量大，不被重视，后来研究表明矩阵稀疏，可加速求解，于是图优化SLAM成为主流框架。Gutmann等人[16]对该框架进行了改进，提出通过三个环节（顺序匹配、回环检测、图优化）去解决SLAM问题，该框架得到了广泛的应用。Konolige等人[17]提出基于二维激光雷达的图优化Karto-SLAM算法，该算法通过构造线性矩阵和分解非迭代Cholesky去求解稀疏位姿图，使用关键帧进行匹配检测的闭环方法，关键帧由每隔几帧的激光数据组成，不仅在数量上减少了匹配候选集，而且提高了检测速度，大大的减少了计算量，但存在误检的情况。Tipaldi[18]和Kallasi[19]提出一种通过对比不同特征区域的相似度的闭环检测方法，特征区域由环境中的小范围特征提取而来；2016年谷歌提出的基于激光雷达和IMU的开源算法cartographer[20]提出使用多帧连续的激光数据构建子地图，闭环检测通过匹配激光数据和子地图，该方法使激光数据连续帧之间的冗余性大大减少，闭环检测的速度得以提高，但存在一些误检情况，因为采用的还是帧对帧的匹配方法。国内对图优化SLAM的研究起步晚，2017年邹谦ADDINNE.Ref.{FCC7CB16-DCD8-409A-86BE-07244828198E}[21]针对狭长走廊等单调场景中激光难以检测闭环的问题，采用二维码观测信息参与图优化激光SLAM过程的方法。实验结果均表明二维码参与的地图构建具有较好的一致性。2018吴成鼎ADDINNE.Ref.{7F025D96-DEFE-4012-A204-3F0EA56104BA}[4]提出了一种激光雷达数据补偿方法，该方法和激光雷达扫描帧特征提取改进占据栅格地图构建的方法能够有效减小激光雷达的测距误差并提高图优化SLAM算法建图精确度。2018文国成ADDINNE.Ref.{E3C89B3A-6953-4296-AF8E-EADE0571F865}[5]针对求解公式中信息矩阵因数据累积导致复杂计算量的问题，提出构建关键帧的解决方法，用基于关键帧构建的全局图进行图优化，以减少信息矩阵的元素计算量；基于CSM(CorrelativeScanMatching)匹配算法做闭环检测，针对原算法匹配效率低下和存在误检的情况，提出用关键帧提高匹配准确率的改进方法。2019尹磊ADDINNE.Ref.{487F999D-CC0D-414C-A9D5-1CA73774C92A}[2]提出了一种基于多信息融合的闭环检测算法，通过机器人当前位姿来限制闭环搜索范围，通过视觉词袋模型来初步检测闭环信息，最后通过激光扫描匹配结果来验证是否为真实闭环，保证了闭环检测的准确性。2019刘智宇ADDINNE.Ref.{C8DCA13B-1F10-4AAF-ADDB-328A44EFB4C6}[6]针对针对原有Cartographer中位姿融合不准确，存在延迟的问题，设计了一种基于位姿增量的位姿融合方法。在对激光雷达传感器的扫描数据进行位姿优化后，本方法能够结合惯性测量单元以及里程计数据更快更准确地为下一时刻提供位姿估计2020王亚飞ADDINNE.Ref.{3B062744-E70F-47EE-B719-92F150758F1D}[7]对传统的激光雷达和视觉数据融合的方法进行分析，最后提出了一种数据紧耦合的融合方式，并且根据视觉特征构建词袋模型进行回环检测，实验结果表明，此方式在使用低成本激光雷达进行融合定位和地图构建时，定位精度和鲁棒性要优于传统的融合方法，2021赵芸赵敏ADDINNE.Ref.{602FCA06-EA18-46C1-B339-AF9A4255A927}[8]对CartographerSLAM在回环检测时使用ScantoMap匹配出现特征点缺失问题进行改进，提出MaptoMap策略。该方法利用子图间的匹配闭环检测，去掉连续帧之间的冗余数据，减少运算时间，提高精度。2021李文豪ADDINNE.Ref.{CA4DEFCF-7C84-4C6F-BCBB-D66B4727258E}[9]基于ESKF与图优化的轻量级多传感器融合SLAM系统，经过实际测试表明，相比于主流的紧耦合方案，该系统可以在精度接近的情况下实现更快的运行速度。SLAM算法从提出发展到今天，不仅硕果累累，而且研究和应用呈现出多元化。1.4激光扫描匹配方法1.4.1定位方法定位是激光SLAM的关键技术，图优化激光SLAM的前端通过激光扫描匹配方法配准前后两帧激光点云数据，从而得到激光雷达传感器前后的位姿差，构建激光里程计，用于估计机器人的位姿变化，激光里程计的准确度很大程度决定了SLAM的效果。ICP算法[29]是最早用于激光扫描匹配的方法，其假设对应点对数量及对应关系在迭代过程中保持不变，此外，ICP算法还假定两个点云中的点完全相同，而事实上，当传感器视点改变后，尤其是当采样分辨率较低时，前后两次扫描找到同一物理点的对应点对的可能性极小，因此实际应用效果不好。pl-icp算法[30]在icp的基础上改进了误差方程，采用点到其最近两个点连线的距离作为误差，更符合实际情况，求解精度高于ICP，在结构化环境中效果更好，但对初始值敏感，通常不能单独采用。文献[31]提出将激光点云数据与地图进行匹配，构建似然场模型，将点云的配准转换为求解函数极值问题，计算量小，但也对初值敏感。VICP算法[32]在ICP的迭代求解过程中估计传感器速度，利用该速度估计来补偿由于运动造成的点云畸变；并且在速度更新的迭代过程中，能够有效排除异常点，从而得到更加鲁棒和准确的位姿估计，但对于频率较低的激光雷达效果不好。NICP算法[33]在误差项里考虑了更多的因素，充分利用实际曲面的法向量和曲率来对错误点进行了滤除，在误差项里除了考虑了点到对应点切面的距离，还考虑了对应点法向量的角度差，配准效果较好，但计算量大，而且目前NICP方法开源的代码主要是针对3D点云。Go-ICP方法[34]，将ICP算法与分支定界方法相结合，以保证求解的全局最优，但计算代价较大；LOAM[35]中结合VICP方法和IMU传感器对激光点云进行补偿，一定程度上较少点云的运动畸变，获得了较好位姿估计结果。IMLS-ICP算法[36]对点云进行的局部曲面建模，选择具有代表性的激光点来进行匹配，既能减少计算量同时又能减少激光点分布不均匀导致的计算结果出现偏移，曲面重建的越准确，对真实世界描述越准确，匹配的精度就越高。综上所述，由于激光点云存在运动畸变会影响扫描匹配结果，在进行激光扫描匹配前必须对点云进行运动畸变去除；同时激光扫描匹配存在误差，导致连续的激光扫描匹配存在漂移，从而影响了机器人的定位，进而导致所建地图与实际环境不一致。1.4.2环境地图表示方法SLAM的另一个重要环节是构建环境地图。在已知机器人位姿的前提下，使用激光数据构建环境地图相对容易。特征地图、拓扑地图以及栅格地图是常用的三种地图表示方法。栅格地图的使用方法在1985年由MoravecADDINEN.CITE<EndNote><Cite><Author>Moravec</Author><Year>1985</Year><RecNum>30</RecNum><DisplayText><styleface="superscript">[32]</style></DisplayText><record><rec-number>30</rec-number><foreign-keys><keyapp="EN"db-id="vezed52f99099re5dwypaafz59rtwavv0zsa"timestamp="1551523654">30</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Moravec,Hans</author></authors></contributors><titles><title>HighResolutionMapsfromWideAngleSonar</title><secondary-title>Proc.oftheIEEEInt.conf.onRobotics&Automation</secondary-title></titles><periodical><full-title>Proc.oftheIEEEInt.conf.onRobotics&Automation</full-title></periodical><dates><year>1985</year></dates><urls></urls></record></Cite></EndNote>[37]等学者第一次提出。将实际场景划分为大小一致的小正方形是基于栅格的地图划分方法，每个栅格被赋于一个值用来表示格子占用概率。在2D栅格地图中，每个格子通常有三种状态，分别表示未被占用、被占用以及未知。在3D栅格地图加入了高度值，这在户外环境中是不可缺少的。构建，扩展和后续维护在栅格地图中较为简单，实际区域的障碍物信息可以通过一个栅格的状态来表示。同时，栅格地图对于机器人导航来说也是十分方便的，机器人的路径规划、实时避障都可以轻松的通过栅格地图来实现。并且，可以对环境中的动态障碍物进行处理也是栅格地图的一大优点。DurrantwhythADDINEN.CITE<EndNote><Cite><Author>Durrant-Whyte</Author><Year>1988</Year><RecNum>15</RecNum><DisplayText><styleface="superscript">[17]</style></DisplayText><record><rec-number>15</rec-number><foreign-keys><keyapp="EN"db-id="vezed52f99099re5dwypaafz59rtwavv0zsa"timestamp="1551460209">15</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Durrant-Whyte,H.F.</author></authors></contributors><titles><title>Uncertaingeometryinrobotics</title><secondary-title>IEEEJournalonRobotics&Automation</secondary-title></titles><periodical><full-title>IEEEJournalonRobotics&Automation</full-title></periodical><pages>23-31</pages><volume>4</volume><number>1</number><dates><year>1988</year></dates><urls></urls></record></Cite></EndNote>[38]等人提出了特征地图，该方法使用环境特征构建地图。特征地图是使用传感器获取环境中的特征信息组合而成。此种方式描述方便，定位准确，对环境目标的识别敏锐。缺点是环境信息描述不够精确，因为保留的是过滤后的、表现较好的几何特征。而几何特征对关联数据并不有利，需要几何特征表现很好才能在多幅特征地图组成全局地图时构建出准确的全局地图，但由于几何信息存在遮挡，在不同角度可能结果不一样，因此不适用于构建全局地图。MataricADDINEN.CITE<EndNote><Cite><Author>Matari'C</Author><Year>1999</Year><RecNum>32</RecNum><DisplayText><styleface="superscript">[33]</style></DisplayText><record><rec-number>32</rec-number><foreign-keys><keyapp="EN"db-id="vezed52f99099re5dwypaafz59rtwavv0zsa"timestamp="1551524955">32</key></foreign-keys><ref-typename="Book">6</ref-type><contributors><authors><author>Matari'C,MajaJ.</author><author>Dedeoglu,Goksel</author><author>Sukhatme,GauravS.</author></authors></contributors><titles><tit