智能终端应用开发基础 课件 第11章 SLAM建图与自主导航

第11章

SLAM建图与自主导航Contents01.引言02.基础理论04.SLAM建图03.准备工作05.amcl功能包与代价地图的配置06.机器人导航实践07.多点连续导航01引言室内机器人定位导航挑战服务型室内移动机器人面临地图构建、定位和路径规划等挑战，需解决精度、稳定性和实时性问题。机器人技术瓶颈室内机器人需实现实时地图更新、准确定位和实时路径规划，以满足快速响应和高效导航的需求。实时性与准确性室内环境复杂多变，光照、障碍物等影响机器人感知和决策，需提升机器人环境适应性和鲁棒性。室内环境复杂性123SLAM通过实时感知环境并构建地图，实现机器人在无GPS信号或先验信息缺失环境中的自主定位与导航。SLAM技术优势SLAM技术从军事领域拓展至扫地机器人、无人机等民用领域，成为智能系统实现自主导航的关键技术。技术应用广泛科研人员持续优化SLAM算法，提升其精度、鲁棒性和实时性，推动相关应用向更广泛领域渗透。算法不断优化SLAM技术崛起及应用03未来展望随着技术不断发展，基于ROS的机器人SLAM与导航技术将更加成熟，为机器人技术的广泛应用奠定基础。01ROS功能包ROS提供了如gmapping、hector_slam、cartographer等功能包，简化了机器人的SLAM和导航开发。02实践项目通过具体项目实践，如使用ROS实现机器人的实时地图构建与自主导航，可深化对理论知识的理解与应用。ROS机器人SLAM与导航实践02基础理论0102SLAM核心概念SLAM，即时定位与地图构建，驱动机器人未知环境自主探索。机器人边移动边构建地图，持续定位自身，实现智能导航与路径规划。盲人比喻借盲人探索比喻SLAM，盲人伸手探测障碍，移动校正地图与位置，体现SLAM核心，机器人亦如此，不断感知、定位、建图，实现自主导航。盲人感知局限盲人探索环境，感知有限，会存在误差，他根据确定程度为障碍物设置概率值，概率越大，障碍物可能性越高，体现SLAM探索的局限性。应用场景家庭、商场、车站等室内场所是室内机器人的主要应用场景，在这些应用中，用户需要机器人通过移动完成某些任务，这就需要机器人具备自主移动、定位的功能。自主导航自主导航与SLAM紧密相连，SLAM生成的地图是机器人移动的蓝图，引导机器人精准定位，规划最优路径，避开障碍物，实现高效、智能的自主移动。030405SLAM简介深度信息获取01机器人SLAM与自主导航的关键在于感知周围环境，特别是深度信息，用于探测障碍物距离。激光雷达、摄像头和RGB-D摄像头是获取深度信息的三种主要传感器。激光雷达02激光雷达是研究最多、使用最成熟的深度传感器，提供精确的距离信息，用于扫地机器人等。其优点是精度高、响应快、数据量小，适合实时SLAM；缺点是成本高。RGB-D摄像头03RGB-D摄像头融合了RGB图像和深度信息，适用于SLAM、图像处理和物体识别。其成本较低，但存在测量视野窄、盲区大和噪声大等缺点，是室内服务机器人的主流方案。传感器简介激光雷达通过发射接收激光束，实现3D扫描，获取周围环境深度信息。机器人利用这些数据实现精准避障，确保在复杂环境中稳定运行。3D扫描与避障在室内定位与建图方面，激光雷达具有显著优势；它为机器人提供精确的环境数据，支持实时地图构建与定位，是实现智能导航的关键技术。室内定位与建图尽管激光雷达具有高精度和稳定性，但成本较高；因此，在选用时需综合考虑性能与成本，选择性价比优的产品，以满足不同应用场景的需求。性能与成本考量激光雷达单目摄像头：单目摄像头以一个摄像头完成SLAM任务，具有传感器简单、适用性强的特点；但实现过程复杂，且在静止状态下无法测量距离，需依赖运动状态下的三角测量原理。双目摄像头：双目摄像头通过两个摄像头协同工作，实现距离信息的感知，无论在运动或静止状态下均能进行有效测量；然而，两个摄像头的精确标定较为复杂，且图像数据量大导致运算量大。摄像头室内应用主流：RGB-D摄像头因其成本低廉且性能稳定，成为室内服务机器人的首选传感器方案；然而，其测量视野相对较窄，且存在盲区和噪声问题，需在实际应用中加以注意。融合感知技术：RGB-D摄像头通过融合RGB图像与深度信息，实现环境的三维重建与深度感知。其独特优势在于能够精准识别物体位置与姿态，为SLAM提供强有力的支持。RGB-D摄像头03准备工作环境深度信息无论是SLAM还是自主导航，获取周围环境的深度信息都是至关重要的。要获取深度信息，首先要清楚ROS中的深度信息是如何表示的。激光雷达扫描数据针对激光雷达，ROS在sensor_msgs包中定义了专用数据结构——LaserScan，用于存储激光消息。LaserScan消息的具体定义如下图所示。雷达驱动与launch文件机器人教学平台的激光雷达节点，可视化机器人的激光雷达发布的数据，机器人的雷达驱动launch文件存放在xtark_driver功能包中。传感器信息启动雷达驱动节点远程连接机器人，启动此launch文件，将雷达驱动起来，然后在PC端（注意，非机器人端）启动RViz，按照添加雷达数据的话题。固定帧修改与显示添加完成后，按将GlobalOptions里的FixedFrame修改为laser，即可在三维界面中看到我们的雷达扫描出的环境深度信息数据。里程计信息里程计根据传感器获取的数据来估计机器人随时间发生的位置变化，在机器人平台中，较为常见的里程计是编码器，例如，机器人驱动轮配备的旋转编码器。传感器信息机器人当前的运动状态，包括x、y、z三轴的线速度与角速度，以及用于校正误差的协方差矩阵。上述数据结构中，除速度与位置的关键信息外。在精度要求不高的机器人系统中，可以使用默认的协方差矩阵；而在精度要求较高的系统中，需要先对机器人精确建模后，再通过仿真。机器人能够发布里程计nav_msgs/Odometry消息，如图11-11所示，包含机器人在自由空间中的位置和速度估算值，pose为机器人当前位置坐标。机器人移动时，编码器测量轮子旋转圈数；知周长，可算速度与距离。里程计通过速度积分求位置，对误差敏感，需精确采集、标定、滤波等措施。精度需求与协方差矩阵导航功能包要求twist编码器测量轮距传感器信息里程计数据估计里程计根据传感器数据估计机器人位置变化，常见里程计为编码器；通过测量轮子旋转圈数和周长，可计算机器人速度和移动距离。深度信息获取无论是SLAM还是自主导航，获取周围环境的深度信息都是至关重要的；要获取深度信息，首先要清楚ROS中的深度信息是如何表示的。LaserScan消息定义LaserScan消息定义包含角度、时间、距离等信息，用于存储激光雷达扫描数据；angle_min和angle_max定义可检测范围。激光雷达数据采集运行机器人教学平台的激光雷达节点，并启动相应的launch文件，可在RViz中可视化激光雷达扫描的环境深度信息数据。环境深度信息数据采集与标定01里程计根据传感器获取的数据来估计机器人随时间发生的位置变化，在机器人平台中，较为常见的里程计是编码器，例如，机器人驱动轮配备的旋转编码器。发布Odometry消息02导航功能包要求机器人能够发布nav_msgs/Odometry消息，包含机器人在自由空间中的位置和速度估算值，以及用于校正误差的协方差矩阵。精度需求与矩阵设定03在精度要求不高的机器人系统中，可以使用默认的协方差矩阵；而在精度要求较高的系统中，需要先对机器人精确建模后，再通过仿真、实验等方法确定。里程计信息04SLAM建图gmapping优缺点gmapping实时构建室内地图，适用于小场景，对激光雷达频率要求低且鲁棒性强。相比Cartographer，gmapping计算量小、精度相当且能利用里程计信息，但构建大地图时受内存和计算量限制，且无回环检测可能导致地图错位。gmapping功能包gmapping功能包采用Rao-Blackwellized粒子滤波算法，订阅深度信息、IMU和里程计，配置参数后输出二维栅格地图。支持的话题和服务包括地图数据发布、坐标变换及动态地图获取，同时提供丰富的配置参数以满足不同应用需求。gmapping建图流程在机器人中启动gmapping建图，需发送SSH命令以远程连接机器人并执行建图文件。该过程包括启动键盘控制节点以手动控制机器人移动，同时在PC上启动RViz并加载配置文件以实时查看地图。建图完成后，使用map_saver节点保存地图。gmappinghector-slam的优点在于无需里程计，适应空中无人机及地面小车在不平坦区域建图，通过高斯牛顿方法优化激光点阵，实现精准映射。但依赖于高频率、低噪声雷达，且建图效果受速度影响，无法有效利用精确里程计信息，存在局限性。hector_slam的核心是hector_mapping节点，订阅激光数据/scan并发布构建的地图及机器人位姿话题。支持的话题包括激光扫描数据、系统命令等，发布的话题有地图Meta数据、栅格地图、机器人位姿等，同时提供服务动态获取地图数据。在机器人中启动hector建图需发送SSH命令以远程连接机器人并执行建图文件，同时启动键盘控制节点以低速控制机器人移动。在虚拟机上启动RViz并加载配置文件以查看建图过程，建图完成后使用map_saver保存地图，并关闭相关节点。hector优缺点hector功能包hector建图流程hector-slamcartographer的优缺点采用基于图网络的优化方法，占用计算资源少，能有效避免建图中移动物体的干扰，并支持大环境。但相较于其他SLAM算法，它占用内存较大，需要考虑到资源消耗问题，在资源受限的环境下需谨慎使用。cartographer功能包需要源码编译安装，将创建一个工作空间catkin_google_ws并下载源码编译。为避免冲突，已安装人员可跳过。安装涉及更新、初始化、合并ROS安装、编译及设置环境变量等步骤，确保所有依赖正确安装。在机器人中使用cartographer在机器人教学平台中，启动cartographer建图算法需发送SSH命令连接机器人并执行集成启动文件。该文件启动了必要的底层驱动和cartographer算法节点。通过虚拟机中的键盘控制节点和RViz进行建图操作。cartographer05amcl功能包与代价地图的配置amcl支持灵活配置，通过调整粒子数、误差界限、更新间隔等参数，可以根据具体应用场景优化定位性能，同时提供初始化姿态、激光模型和里程计模型等高级配置选项。amcl与里程计同为机器人定位工具，里程计依赖连续运动数据定位，而amcl通过匹配激光扫描实现定位，两者结合使用，可以互补优缺点，提升机器人定位的稳定性和准确性。订阅激光雷达、TF变换和地图数据，发布机器人在地图中的位姿估计及粒子云，提供全局定位服务，并通过服务调用实现地图获取和恢复操作，灵活应对不同定位需求。amcl功能包提供自适应蒙特卡罗定位方法，通过粒子滤波器在地图中跟踪机器人姿态，实现自主定位。这种方法基于概率统计，能处理机器人任意状态下的定位问题。里程计与amclamcl话题服务amcl配置参数amcl定位方法amcl功能包本地规划配置文件为本地代价地图提供宽度、高度、分辨率等参数，这些参数适用于局部路径规划和实时避障，确保机器人在复杂环境中能够灵活导航。代价地图配置导航功能包使用代价地图来存储环境障碍信息，通过配置文件设置地图参数，如更新频率、发布频率、静态地图等，以适应不同的导航需求。通用配置文件定义共用的代价地图参数，如障碍物范围、射线追踪范围、机器人足迹、膨胀半径等，这些参数确保了代价地图能够准确地反映环境障碍信息。全局规划配置文件针对全局代价地图，设置参考系、更新频率、是否静态地图等参数，这些参数有助于规划全局路径，实现高效、准确的全局导航。代价地图的配置06机器人导航实践远程连接：通过安全的SSH协议远程连接至机器人，确保实时操作与监控的无界限，为导航任务奠定坚实基础。地图准备：启动机器人激光雷达节点，利用RViz三维可视化工具实时查看并确认雷达扫描到的环境深度信息，为后续导航任务提供精准地图支持。远程链接与地图准备远程连接到机器人，启动gmapping建图文件的集成文件，该文件包含所有gmapping建图所需的节点和配置，用于生成室内地图。启动gmapping启动hector_mapping建图算法的集成文件，该文件包含必要的节点和配置，用于构建地图，适用于空中无人机及地面小车等特殊平台。启动hector启动cartographer建图算法的集成文件，该文件包含所有cartographer建图所需的节点和配置，实现实时高精度2D地图构建。启动cartographer启动导航集成文件RViz可视化与标定坐标变换标定：利用RViz中的工具和功能，对激光雷达坐标系与机器人基坐标系、里程计坐标系之间的变换进行精确标定，确保导航信息的准确无误。RViz配置：在虚拟机上启动RViz，并加载事先准备好的RViz配置文件，该文件包含固定视角、话题订阅等设置，确保三维可视化界面的准确性和实用性。自动避障：机器人通过超声波传感器或激光雷达实时检测到障碍物，并能够自主规划路径，绕开障碍物继续前行，实现智能自主的移动。精度测试：通过模拟复杂环境，在地图上设置随机分布的障碍物，测试机器人在导航过程中的定位精度和路径规划能力，确保其在真实环境中的可靠运行。机器人自动避障导航07多点连续导航导航框架01机器人导航核心在于精准定位与高效路径规划。ROS导航框架集成amcl定位与move_base规划，实现实时避障与智能导航，部署简便，性能卓越。传感器信息02导航功能