基于多传感器融合SLAM应用的室内机器人研究分析

施平

摘  要：针对SLAM技术發展的限制，加上移动机器人的不确定复杂环境且不能实现长期可重新定位的导航方案，该文将在多传感器信息融合的基础上进行SLAM算法行为优化，以提高SLAM的速度和精度。采用2D激光雷达和一般深度相机，与里程计信息和惯性传感器IMU相融合，优化多传感器信息融合以及数据关联模型。对多传感器融合SLAM应用的室内机器人研究作出一个浅述。

关键词：SLAM  SLAM算法  IMU  里程信息

中图分类号：TP242                                 文献标识码：A                          文章编号：1672-3791（2019）03（c）-0013-02

SLAM研究最早出现在1986年，对空间位置关系进行了描述。室内机器人它是能够通过传感器感知自身状态、环境等，实现在环境中面向目标移动的一类运动，从而完成一定的操控功能的机器人系统。SLAM技术发展飞速，现已广泛应用于智能移动机器人和自动驾驶控制等领域，而对环境感知能力的高低直接决定了SLAM的水平。目前，室内移动机器人利用轮式里程计、惯性传感器（IMU）、激光、视觉里程计、红外传感器、超声波等传感器实现机器人导航的相关技术已经比较成熟。21世纪，基于多传感器信息融合的同步定位与地图创建（SLAM）在国际上机器人应用和理论领域成为了一个新兴热点。视觉导航使用摄像头，和一些MEMS惯性传感器做组合，可以用一个很低的成本达到非常高的精度，多传感器信息融合冗余性、互补性的传感器数据合成提高了系统的可靠性。

1  RGBD、IMU和激光雷达在室内移动机器人SLAM中的应用

SLAM技术包括对环境进行辨识的同时进行地图构建，并估算机器人当前的运行状态。地图构建不仅为操作者提供路径规划，还为限制机器人自身状态的估算误差提供标准;更需要为机器人错误定位后提供重新定位的依据（回环检测）。

SLAM问题是描述机器人自主创建地图，同时利用该地图推算自己位置的一个过程。探讨机器人在运动、观测等过程中均具有不确定性，利用传感器对环境中路标进行观测，需要采用有效的算法不断修正误差，达到准确定位。

SLAM旨在为自主运动测量和回环检测提供全局一致的环境描述。现在用于室内运动测量的里程计算法多结合视觉和惯性信息，但是仅仅有视觉（visial）和惯性（inertial）的导航对于环境拓扑过程中相似的场景容易误认为回环，鲁棒性依然是难题。

（1）RGBD相机：Kinect既可以提供彩色图像，也可以提供深度信息，单独使用定位定姿精度较差，要提高环境适应力，多跟惯性单元（IMU）组合使用。研究SURF特征提取方案。

（2）IMU：可以做姿态结算和航位推算，处理速度快，但是单独使用会很快出现位置漂移，常做VSLAM的辅助元件。研究初始化姿态后，跟Kinect融合估计平移、旋转和加速度姿态。

（3）激光雷达：技术成熟，但3D元件价格昂贵，2D信息量不足，但可以以二维点特征为路标的位置环境的分析及区域划分，所以该项目中跟Kinect和IMU组合使用，克服VSLAM的缺点。研究区域划分的动态阈值，确定地标分区，解决回环检测的鲁棒性问题。

2  多传感器融合算法

多传感器信息融合技术常用的方法有下面几种。

（1）加权平均法：加权平均法是一种底层数据融合方法，它是将多个传感器的冗余数据进行加权平均一下。

（2）贝叶斯推理：贝叶斯推理是基于贝叶斯定理的条件，或者是后验概率的统计数据融合的一种算法，能够通过已知的事实条件对未知的事件进行分析判断。

（3）D-S证据推理：D-S证据推理是贝叶斯推理方法的拓展，它特别适应于处理多个传感器集成系统的信息融合问题，它使用了一个不稳定区间，可通过未知前提的先验概率来弥补贝叶斯推理方法的不足。

（4）卡尔曼Kalman滤波：卡尔曼Kalman滤波也是在基于贝叶斯推理方法框架下，同样是运动预测到一个感知更新的递推的一个过程，是一种最优最有效的线性递推估计算法。

（5）人工神经网：人工神经网通过一定的学习算法可将传感器的信息进行融合，获得网络数据参数。

多传感器系统采集信息量大，而且这些信息在时间、空间、可信度和表达方式上不尽相同，建立合理的多传感器信息融合模型是提高信息可信度和算法实时性的关键。具有高鲁棒性和灵活性的先进的传感器系统需要融合多传感器数据到多个层次上。项目的传感器融合分为3个等级：低等级首先进行数据融合;然后将结果与高等级的测量数据进行融合;最后获得最终的决定。采用改进的卡尔曼滤波构建多传感器数据融合的最佳模型，进行数据层、特征层以及决策层等不同层次的融合，也可以实现测距传感器信息、内部航迹推算系统信息、全局定位信息之间的信息融合，进而准确、全面地认识和描述被测对象与环境，从而使移动机器人能够作出确的判断。

（1）将分布在不同位置的不同种类的传感器所提供的局部环境的不完整信息加以分析，进一步研究多传感器融合技术和数据关联问题。

（2）消除多传感器之间可能存在的冗余和矛盾。

（3）降低定位和地图构建的不确定性，获得机器人在工作空间中的位置、方向和环境信息，从而提高建立环境模型的鲁棒性。

采用嵌入式ROS开源机器人操作系统的husky平台上实现组合定位制图，为提高SLAM算法的实时性、准确性和鲁棒性提供测试和分析。

应用于移动机器人的传感器有两大类，分别是内部传感器与外部传感器。内部传感器包括里程计、陀螺仪、磁罗盘及光电编码器等用于检测机器人系统内部参数;外部传感器主要有视觉传感器、激光测距传感器、超声波传感器、红外传感器等用于感知外部环境信息，由于单一传感器难以保证信息的准确性和可靠性，不足以充分反映外界环境信息。因此，采用多个传感器可实现环境信息的充分理解，便于机器人做出正确的决策。

3  移动机器人导航技术的展望

目前，移动机器人导航技术已经取得了很好的研究成果。计算机网络技术、电子通信技术、传感器技术、控制技术等迅猛发展必将使移动机器人在导航技术领域取得更多更好的研究成果。现如今移动机器人导航技术的发展有以下几方面的趋势。

（1）构建多传感器信息融合和数据关联模型，实现多传感器信息融合算法优化。视觉导航具有信息量大、探测范围广等特点， 仍然是移动机器人导航技术的主要发展方向;多传感器系统采得的信息会大大增加，而且这些信息在时间、空间、可信度和表达方式上不尽相同，重点和用途也不同。

（2）研究算法优化方案。提高SLAM算法的实时性和精确度，为移动机器人自主导航提供可靠的数据支持。导航系统结构将朝着分布式、模块化、网络化、多机器人协作的方向发展。分布式和模块化的结构有利于减少机器人的体积和自重。通过互联网实现机器人的远程操作以及基于网络的多机器人协作是导航技术新的研究热点。

（3）路径规划将朝着多层规划和多方法相结合的方向发展。采用基于反应式的行为规划与基于慎思行为规划相结合的方法。全局路径规划和局部路径规划相结合更有利于复杂环境的避障规划;实现快速有效自主定位制图的移动机器人系统，为解决SLAM实时性问题的解决提供应用参考。

（4）新的研究技术、新的研究方法将促进移动机器人导航技术更快地发展。机器人位姿的变化、特征的变化、特征的干扰以及判断中的虚假成分等使得数据关联将成为一个非常困难、复杂的过程。

4  结语

该文提出一种多传感器信息融合技术算法，降低SLAM技术成本，2D激光雷达和RGBD相机的组合，避免了3D激光雷达的昂贵投入。高效率实现回环检测：视觉+IMU组合的VSLAM的鲁棒性因为合理划分激光雷达扫描点区域而得到提高。有利于后续的避障导航：局部一致性的测量地图有利于避障导航的实现。对于该算法的优化提升以及如何更加快速准确地确定最佳偏好度等方面是今后仍需研究的问题。机器人技术发展迅猛，机器人逐渐走进人们的平常生活，但室内机器人的普及还存在许多问题，如定位与导航，研究方向有3个：机器人定位准确度、地图建设模块的精准、路径实时改变的规划。在近几十年的研究中，都出现了各种有效的解决方法，相比机器人硬件技术的不断成熟，软件方面的开发却显得跟不上步伐。所以，需要研究开发面向全局性能优化的导航理论与方法。相信随着机器人技术、人工智能技术以及智能控制等技术的发展，移动机器人导航技术必将取得更大的突破和发展。

参考文献

[1] 杜釗君，吴怀宇.基于激光测距与双目视觉信息融合的移动机器人SLAM研究[J].计算机测量与控制，2013，21（1）：180-183.

[2] 张毅，杜凡宇，罗元，等.一种融合激光和深度视觉传感器的SLAM地图创建方法[J].计算机应用研究，2016，33（10）：2970-2972.

[3] 丁伟，孙华，曾建辉.基于多传感器信息融合的移动机器人导航综述[J].传感器与微系统，2006，25（7）：1-3.

[4] 胡春旭，熊枭，任慰，等.基于嵌入式系统的室内移动机器人定位与导航[J].华中科技大学学报：自然科学版，2013，41（Z1）：254-257.

[5] 赵增顺，沈继毕，王继贞，等.基于Bayes滤波的移动机器人定位方法[J].计算机科学，2011，38（2）：199-201.

[6] 李宇波，朱效洲，卢惠民，等.视觉里程计技术综述[J].计算机应用研究，2012，29（8）：2801-2805.

[7] 罗荣华，洪炳荣.基于信息融合的同时定位于地图创建研究[J].哈尔滨工业大学学报，2004，36（5）：566-569.

[8] 黄先伟.基于多传感器信息融合的家用移动机器人SLAM系统的研究[D].广东工业大学，2013.

[9] 李金良，孙友霞，谷明霞，等.基于多传感器融合的移动机器人SLAM[J].中国科技论文，2012，7（4）：312-316.

[10] 路丹晖.融合视觉与惯性导航的机器人自主定位[D].浙江大学，2012.