室内机器人导航系统的设计及仿真验证

高腾腾，李彩虹，刘国名，郭娜，王迪

(山东理工大学 计算机科学与技术学院, 山东 淄博 255049)

移动机器人是一种在复杂环境下工作，具有自规划、自组织、自适应能力的智能系统[1]。在移动机器人的相关技术研究中，自主导航是其核心问题，也是实现智能化和自主移动的关键技术，具有重要的研究意义。简单来说，自主导航系统能够确定机器人当前位姿，控制机器人沿一条高效、通畅的路线移动到指定目标位置。

自主导航系统中，应用最广泛的是GPS定位导航[2-4]与INS惯性导航[5-7]。其中GPS导航通过GPS实时接收卫星信息调整机器人位姿，促使机器人完成既定路线的智能化追踪。这种方式在室外空旷环境有比较好的导航效果，但在室内环境中，由于建筑物等对GPS信号的干扰，极易使机器人造成定位误差，无法追踪规划好的路线。惯导系统通过计算传感器数据的方式推算机器人航迹，实现定位与导航。这种方式在短时间内，导航精度比较高，但随着时间的增长，因漂移现象积累的误差将会使机器人逐渐丧失导航能力。文献[8-11]针对GPS导航系统与惯导系统的缺点，提出INS/GPS组合导航系统，在一定程度上提高了导航精度。但在室内场景下，其提升效果并不理想。文献[12]提出地面铺设交变磁场轨道与读取IC卡定位的方式进行导航系统设计，成本较大且导航点无法自由调节。文献[13]提出一种多惯性导航系统信息融合方法，有效提高了传统单惯性导航系统的导航精度。文献[14-15]提出结合惯导系统与视觉导航系统，有效发挥两种导航技术的优势，进而提高导航精度。

本文针对GPS导航系统与INS惯导系统缺点，参照文献[13-15]的研究成果，基于ROS平台[16]，采用编码器里程计与激光雷达相结合的传感系统，提出一种应用于室内环境的自主导航系统。

1 URDF机器人建模

设计在Gazebo仿真软件运行且能够发布里程计数据与雷达数据的URDF移动机器人模型，使其能够匹配自主导航系统，完成未知环境下的导航测试。

1.1 机器人底盘设计

设计机器人底盘的URDF文件，使机器人能够接受自主导航系统的移动控制指令并发布里程计数据。文件主要包括添加惯性参数、碰撞属性的载物板连杆、驱动轮连杆、支撑轮连杆，添加传动装置并配置电机控制方式、减速比的驱动轮关节，用于接收控制指令并发布里程计消息的Gazebo控制器插件。

1.2 机器人传感系统设计

设计机器人传感系统的URDF文件，使机器人能够感知环境，发布传感器数据协助导航系统进行地图构建、实时避障、定位等。本文采用Gazebo激光雷达插件，模拟真实激光雷达并发布深度信息。设计的机器人模型如图1所示。

图1 运行在Gazebo中的机器人模型Fig.1 Robot model running in Gazebo

2 自主导航系统设计

自主导航系统分为前后两端，前端依据里程计、激光雷达信息，采用Rao-Blackwellized粒子滤波算法，使机器人感知周围环境并完整构建地图，提供给后端。后端根据地图、激光雷达信息，采用自适应蒙特卡罗定位法[17]，以辅助手段修正惯性导航里程计长时间因漂移现象积累的定位误差，矫正机器人位姿，实现机器人精准定位，从而有效避免惯导系统与GPS导航系统缺点。同时，后端采用A*算法规划机器人当前位姿与目标点之间路径，采用DWA(dynamic window approaches)算法实时避障，能够使机器人沿一条无碰撞、代价较低路线移动到目标位置。自主导航系统前端设计流程如图2所示，主要使机器人通过传感器对所处环境进行建模，继而能提供地图信息协助后端进行定位以及路径规划。

图2 自主导航系统前端设计流程Fig.2 Front end design process of autonomous navigation system

自主导航系统后端设计流程如图3所示，其依据传感器信息及地图数据对机器人精确定位，根据机器人当前位置、设定目标位置与环境模型进行全局路径规划，找到一条无碰撞最优路径。通过局部路径规划算法控制机器人追踪路径并及时躲避突发障碍物，从而顺利到达终点。在机器人自动行驶至终点过程中，会自动更新障碍物信息到原始地图，以便为下次导航提供参考。

图3 自主导航系统后端设计流程Fig.3 Back end design process of autonomous navigation system

3 环境建模

环境建模由导航系统前端通过ROS开源Gmapping[18]功能包实现。其通过使用Rao-Blackwellized粒子滤波算法，订阅机器人移动时发布的坐标转换信息与激光雷达数据，发布地图数据与机器人位姿分布熵的估计，最终完成二维栅格地图的建立。

运行Gmapping功能包需要依据机器人进行调参，部分参数设计如下：

odom_frame: odom

map_update_interval: 5.0

maxRange: 5.0

maxUrange: 4.5

linearUpdate: 0.5

angularUpdate: 0.436

srr: 0.01

str: 0.01

stt: 0.02

particles: 80

xmin: -1.0

ymin: -1.0

xmax: 1.0

（2）在进行避雷保护线设置时，避雷保护性的高度必须要控制在规范设计要求内，以将比例线的防雷保护作用充分进行发挥。避雷保护线确定后，需要对避雷线的搭接长度进行相应确定，且焊接避雷线时需要按照技术要求进行焊接，防止出现虚焊与脱落的情况。对于各个电气设备则需要做好接地处理操作，且需要对配电箱的接地位置进行明确标注，以避免出现各种不规范误触操作。

ymax: 1.0

delta:0.05

参数设计直接影响建图效果。map_update_interval为地图更新频率，此值若设置过高，需要机器人缓慢移动才能准确建图，否则容易造成建图失败或地图不精确。相反，此值过低容易造成CPU资源浪费。此处设置一个中间值5.0。particles为Rao-Blackwellized粒子滤波算法中粒子数，此处设置为80，保证算法精确的同时还有较高的速度。maxRange、maxUrange根据雷达属性裁剪激光光束的可用范围为5.0、4.5，舍弃误差较大数据，使用并保留传感器部分精确数值。另外，为减少激光数据的冗余运算量，根据linearUpdate与angularUpdate设置机器人移动0.5 m或0.436 rad后进行一次激光扫描数据的处理。

4 导航系统构建

导航系统是自主导航系统的核心，它能够依据环境模型与传感器信息，完成机器人定位、路径规划与追踪、实时避障与地图维护功能。导航系统主要由ROS提供的开源Amcl与Move_base功能包实现。系统结构框架如图4所示，其各个节点含义如下：

1)Global_planner 全局路径规划；

图4 导航系统结构框架Fig.4 Navigation system structure frame

2)Local_planner 局部路径规划、实时避障、发送机器人移动指令；

3)Recovery_behavior 配置机器人导航失败时的执行动作；

4)Global_costmap 全局代价地图，提供给全局路径规划器使用；

5)Local_costmap 局部代价地图，提供给局部路径规划器使用；

6)Amcl 矫正机器人在已知地图上的位姿信息；

7)Map_serve 为导航系统加载先验地图；

8)Sensor transform 发布机器人各个部件之间的坐标关系；

9)Odometry sources 发布机器人的里程计信息；

10)Sensor sources 发布机器人的传感器信息；

11)Base controller 接收机器人移动指令，实现机器人移动。

其中:1)～5)节点是导航系统所必须的，由Move_base功能包提供；6)和7)节点不是导航系统必备节点，本文为精确机器人定位与加载前端构建的地图，使用这两个节点；8)～11)节点主要用于发布机器人的状态信息。

4.1 Amcl功能包

机器人运动过程中，会因为地面打滑、漂移等因素造成里程计坐标系与地图坐标系不重合，形成定位误差，间接造成机器人卡住、不能沿规划的路径行走等问题。Amcl是2D机器人运动的概率定位系统，实现了自适应蒙特卡罗定位法，通过粒子滤波器跟踪已知地图上的机器人位姿，能对机器人进行定位矫正。本文使用Amcl功能包矫正机器人的定位误差。

运行Amcl功能包需要进行调参与配置，本部分设计参数如下：

odom_model_type: diff

odom_alpha5: 0.1

gui_publish_rate: 10.0

laser_max_beams: 60

laser_max_range: 12.0

min_particles: 500

max_particles: 2 000

laser_likelihood_max_dist: 2.0

update_min_d: 0.25

update_min_a: 0.2

odom_frame_id: odom

resample_interval: 1

transform_tolerance: 1.0

kld_err: 0.05

参数更改直接影响导航效果。其中，odom_model_type为里程计模型类型，设置为两轮差速；laser_max_range定义雷达扫描范围为12.0与雷达自身扫描允许的最小范围，其不需要裁剪激光光束，大量的激光数据将得到更多的周边环境信息，有利于定位；min_particles、 max_particles分别设置算法中使用的最小、最大粒子数量为500、2 000，粒子量的增加能提高定位精度。同时，为减小计算量与噪声影响，通过laser_max_beams设置更新滤波器时仅使用雷达扫描的60个等间距光束。不能过少设计光束个数，否则会因信息量太少造成定位不准确。

4.2 Move_base功能包

Move_base功能包是导航系统的核心，不仅提供全局路径规划器与局部路径规划器，还同时维护两个代价地图。其中全局路径规划使用A*算法，用于已知环境下的路径规划;局部路径规划使用DWA算法，用于实时避障，规划机器人每个周期内的角速度、线速度，发送指令控制机器人底盘移动。

与Amcl、Gmapping功能包一样，Move_base功能包同样需要调参、配置后才能使用，以下是配置move_base功能包的四个参数文件。

4.2.1 通用文件配置

此文件配置global_planner全局路径规划器与local_planner局部路径规划器的基本参数如下：

obstacle_range: 2.5

raytrace_range: 3.0

footprint_inflation: 0.01

robot_radius: 0.175

inflation_radius: 0.15

max_obstacle_height: 0.6

min_obstacle_height: 0.0

observation_sources: scan

scan:{data_type:LaserScan,topic:/scan,marking:true,clearing:true,expected_update_rate:0}

其中：obstacle_range设置机器人将2.5 m范围内障碍物更新到地图中，以便为下次导航提供最新环境模型;而对于不存在的障碍物信息，raytrace_range设置若其在机器人周边3 m范围内，在地图中给予清除，防止为下次导航带来干扰；robot_radius是机器人半径，以防与障碍物发生碰撞；inflation_radius将障碍物半径扩展0.15 m，使得机器人能与障碍物进一步保证安全距离。

4.2.2 全局代价地图配置

此文件用于配置Move_base功能包所维护的全局代价地图，参数如下：

global_costmap:

global_frame: map

robot_base_frame: base_footprint

update_frequency: 1.0

publish_frequency: 1.0

static_map: true

rolling_window: false

resolution: 0.01

transform_tolerance: 1.0

map_type: costmap

其中：update_frequency为代价地图的更新频率，其值越高地图精确度越低，值越低则CPU负担越重，此处要充分保证地图准确度，设置为1.0 Hz;static_map设置map_server为true，才能加载前端构建的环境模型。

4.2.3 局部代价地图配置

此文件用于配置Move_base功能包所维护的局部代价地图，参数如下：

local_costmap:

global_frame: odom

robot_base_frame: base_footprint

update_frequency: 3.0

publish_frequency: 1.0

static_map: false

rolling_window: true

width: 6.0

height: 6.0

resolution: 0.01

transform_tolerance: 1.0

局部代价地图参数与全局代价地图参数含义相同，但考虑到两者的适用范围，以及室内复杂性，修改static_map为false，使用动态地图，以便于机器人能够实时探测环境进行避障；修改rolling_window为true，以保证机器人移动时能够处在局部代价地图中心。

4.2.4 本地规划器配置

此文件用于配置local_planner局部路径规划器，参数如下：

controller_frequency: 3.0

TrajectoryPlannerROS:

max_vel_x: 0.5

min_vel_x: 0.1

max_vel_y: 0.0

min_vel_y: 0.0

planner_frequency:1.0

latch_xy_goal_tolerance: false

meter_scoring: true

oscillation_reset_dist: 0.05

stop_time_buffer:0.2

sim_granularity: 0.025

angular_sim_granularity: 0.025

dwa: true

其中：controller_frequency设置系统发布移动指令频率为3.0 Hz，使得机器人能及时接收信息并做出移动;dwa设置系统使用DWA算法用于局部路径规划;planner_frequency对全局路径规划的执行频率设置为1.0 Hz，使得机器人突遇障碍物时，仍然能沿一条最优路径移动;另外，为防止机器人因刹车不及时触碰到障碍物，根据stop_time_buffer设置机器人提前停止的时间长度为0.2 s。

5 仿真验证

为了验证所设计自主导航系统的可行性，在Gazebo仿真软件下，加载设计的URDF移动机器人模型，使其搭载自主导航系统并在所设计的室内环境下，测试机器人的导航效果。

5.1 实验环境

本次仿真软件环境为：操作系统Ubuntu16.04，ROS Kentic，物理仿真软件Gazebo，数据可视化软件Rviz。硬件环境为：内存8 G，显卡GTX 850，CPU 核心频率2.9 GHz，型号酷睿i5-4210H。

5.2 仿真测试

5.2.1 地图构建

Gazebo仿真软件设置的室内信息与加载的机器人模型如图5所示。启动自主导航系统前端，控制机器人移动使其感知环境信息并建图。地图构建过程如图6所示，其左侧为运行在Gazebo仿真环境中的机器人，右侧是Rviz对机器人构建的地图数据进行可视化。机器人最终能够获取与室内环境相符的地图。

图5 Gazebo仿真环境Fig.5 Gazebo simulation environment

图6 二维栅格地图的构建与定位Fig.6 Construction and positioning of two-dimensional grid map

5.2.2 路径规划

启动自主导航后端，加载前端构建的地图，以机器人所在点为A，设置目标点为B，测试路径规划与定位功能。实验过程如图7所示，其左侧为运行在Gazebo仿真环境中的机器人，右侧是Rviz可视化的地图数据、导航系统确定的机器人位姿数据和规划的路径数据。机器人能够在地图中准确定位，规划一条从A点到B点的最优路线并使其自动追踪。

图7 路径规划Fig.7 Route plan

5.2.3 实时避障

重新启动自主导航后端，加载前端构建的地图，以机器人所在点为A，设置目标点为B，在导航系统控制机器人移动时，在前方添加障碍物，测试其避障功能。移除障碍物，设置目标点C，测试机器人能否及时更新地图并顺利到达C点。实验过程如图8所示，其左侧为运行在Gazebo仿真环境中的机器人，右侧是Rviz可视化的地图数据、导航系统确定的机器人位姿数据和规划的路径数据。机器人能够及时避障且更新地图。

图8 实时避障Fig.8 Real-time obstacle avoidance

5.3 仿真分析

对于前端环境建模，根据图6二维栅格地图构建过程，可以看出机器人每移动至新位置，均能通过传感器感知环境及时更新地图，最后获得的地图信息也基本与机器人所处环境相同。说明在此设计中，Gmapping功能包使用合理且其参数设计可行。对于后端，根据图7可以看出，机器人能够比较准确定位自身到环境模型中，甚至移动至目标点后，其位置依旧比较准确。同时，图7中机器人根据地图规划出来的绿色行进路线，也不存在冗余路段，路径最短且比较平滑。在图8中，在规划的绿色路径上临时放置障碍物，机器人能够将传感器探测到的部分障碍物信息及时更新至地图，并通过局部路径规划算法进行避障，移除临时障碍物，机器人也能够将其信息在地图中及时清除，其中，红色路线是机器人实际行走信息。最后，对导航过程进行综合分析，发现突遇障碍物时机器人避障时间略长，因此后期将对局部路径规划DWA算法进行改进，继而提高自动导航系统效率。

6 结束语

本文以机器人操作系统ROS为开发平台，应用其提供的开源功能包，经过配置、调参、组合，设计出能够用于室内机器人的自主导航系统，设计URDF机器人模型、设置仿真环境，使机器人模型搭载自主导航系统并在仿真环境中进行测试。结果表明，机器人能够准确地学习地图信息，并且在地图中进行路径规划，做到路径跟随与实时避障，为后期基于ROS操作系统设计真实机器人，提供了理论参考和实际应用价值。