基于激光雷达的自主移动机器人实验教学平台设计

司 垒， 王忠宾， 刘 扬， 刘新华， 朱远胜

（中国矿业大学机电工程学院，江苏 徐州 221116）

0 引 言

在以新技术、新业态、新模式、新产业为代表的新经济背景下，新形势与新战略的快速发展对我国传统工程人才造成了极大挑战，迫切需要具备工程实践能力强、创新能力强以及能适应未来发展的高素质复合型的“新工科”人才［1-3］。为主动适应国家、区域及行业需求，充分运用大数据、云计算、人工智能等升级改造传统优势专业，机器人工程、智能制造工程等专业的实践类课程迫切需要设计专门的实验教学平台，系统开展机械结构设计、嵌入式系统开发、智能传感器应用等实验，锻炼学生机械、电子、自动化等课程理论体系的综合应用能力［4-6］。

自主移动机器人是一种面向特种行业的可代替人工进行检查、作业的移动装置，一般由传感器、数据处理和自动控制等模块组成，能代替人工在危险或恶劣环境下进行作业［7-8］。为实现移动机器人自主移动和可靠避障，一般需借助激光雷达、高清摄像头、红外热成像仪等智能传感器来感知周边环境信息［9-10］，国内外学者已进行了大量的研究工作［11-13］。另外，还研究了路径规划、运动控制算法来实现机器人的精确运动［14-15］。高校仍缺乏相关的实验教学平台来指导学生进行实践操作，难以满足相关课程教学需要及培养高素质复合型人才的实际需求。鉴于此，开发了基于激光雷达的自主移动机器人实验教学平台。该平台可开展Rviz可视化界面开发、SLAM仿真与室外建图、运动路径规划等一系列前沿性综合实验，有助于培养学生利用多学科交叉理论知识解决工程实际问题的能力。

1 自主移动机器人实验教学平台

常见的移动机器人行走机构主要分为轮式、履带式和足式等。轮式行走机构机械结构简单、行进速率快、容易操控和灵活性高，本实验装置选用驱动轮前置的两轮差速模型底盘布局方式。由此搭建的实验教学平台如图1 所示。

图1 自主移动机器人实验教学平台

自主移动机器人实验教学平台以嵌入式控制系统为核心，由搭载Ubuntu 和机器人操作系统（Robot Operating System，ROS）的小型计算机作为主控制器，激光雷达和惯性测量单元（Inertial Measurement Unit，IMU）提供地图数据和机器人本体的位姿数据，实现机器人的环境感知、同步定位与地图构建和路径规划等功能。底层控制系统将路径规划模块给出的最优轨迹当作输入，利用控制算法实现对机器人本体自主行走的有效控制。远程操作系统主要在PC 实现对机器人的远程操控和数据监测。自主移动机器人实验教学平台的组成功能模块：

（1）感知模块。包括环境感知与本体感知。环境感知是通过机器人搭载的外部传感器（如：深度相机、激光雷达等）采集到的数据，获得周边环境状况的描述。本体感知是通过机器人本体自身搭载的传感器（如：惯性测量单元、轮速计等）采集到的信息，获得对机器人本体自身状态的描述。

（2）同步定位与地图构建模块。通过同时定位与地图构建（Simultaneous Localization and Mapping，SLAM）技术，利用感知模块中传感器所获取周边环境数据和机器人本体的自身状态数据，确定机器人当前位置与位姿，并且构建局部环境地图以及全局环境地图。

（3）路径规划模块。包括全局路径规划和局部路径规划。全局路径规划属于静态路径规划，其是利用全局环境地图和静态可通行约束，规划一条无碰撞的最优路径；局部路径规划属于动态路径规划，利用传感器实时感知外部环境，规划一条效率最优的局部路径。

（4）运动控制模块。将路径规划的最优轨迹作为输入，利用控制算法实现对机器人本体自主行走的有效控制。

2 实验项目开发

2.1 Rviz可视化界面开发实验

为使学生直观感受采集到的激光雷达点云数据，ROS集成了多种可视化工具，其中，Rviz 可使用可扩展标记语言对机器人以及周围物体的各种属性进行表述，包括质量、尺寸、位置、关节和材质等，保证物体能在界面很好地显示。此外，Rviz还可通过图形化方式，实时显示机器人传感器的信息、机器人的运动状态和周围环境的变化等，如图2 所示。Rviz根据ROS 定义的数据类型，针对性地开发了分门别类地显示格式，对于数据类型为PointCloud2 的激光雷达数据，用三维空间控件进行点云显示，通过显示控制界面的参数调节，可对三维点云的显示效果进行调节。

图2 ROS的Rviz可视化界面

本实验要求学生熟悉Qt 开发框架下的C ++编程，掌握在ROS 环境下利用C ++实现可视化上位机与机器人本体间远程通信的原理，读懂激光雷达可视化界面程序代码，熟悉可视化上位机配置信息编写方法。结合机器人定位建图和路径规划实验修改程序，在上位机Rviz 可视化界面加入拾取目标点控件及显示不同类型数据等功能。通过上述基本实验，学生掌握可视化上位机编写方法，根据机器人在定位建图和路径规划过程中的需要，自己设计和编写程序进行机器人可视化上位机的开发，进一步提高学生的人机交互软件设计能力和机器人定位导航控制能力。

3.2 基于IMU紧耦合的SLAM仿真实验

激光雷达能获得大量环境点云信息，机器人的非线性运动会引发点云畸变。这些问题的存在对数据的直接运用极为不利，本实验利用连续时间轨迹的畸变校正方法来解决上述问题。

为提高点云匹配算法的运行效率，同时解决环境退化给点云特征提取带来的问题，实验设计了一种基于IMU紧耦合的融合点云匹配策略，如图3 所示。

图3 融合点云匹配原理

IMU 数据经过处理后，生成关于时间的连续轨迹，通过对时间的查询即可获得该时刻的位姿变换信息；Lidar数据中的每一点都有一个采集时间戳，利用该采集时间戳，可在连续时间轨迹中查询获得该点采集时刻的真实坐标系，通过坐标变换将点进行逐一校正，最后得到校正后的点云。

图4 为基于IMU 紧耦合的融合建图方案。前端点云匹配得到位姿变换后，可将点云再一次投影到初始时刻，得到更为精确的点云。因为激光雷达本身观测存在一定的误差，点云匹配算法不可避免地产生累计误差，随着时间的推移，将会发生一定程度的漂移。这一过程将会以位姿图的形式将关键帧形成约束，进行位姿优化，消除累计误差。局部的位姿图优化远不能达到预期效果，闭环检测可将经过曾经到达的点的位姿图加入优化过程，形成闭环优化，进行调整全局运动轨迹。

图4 基于IMU紧耦合的融合SLAM方案

Gazebo是ROS专为机器人设计和开发的3D物理仿真平台，可用于实现机器人运动学、动力学的仿真、调试与可视化。

图5 为本实验在该平台下建立的仿真模型及其建图效果。可见，本实验采用的建图方法效果较好，没有出现地图漂移，满足实验需求。

图5 SLAM仿真实验结果

本实验的主要目的是让学生熟悉ROS 下物理仿真平台的使用方法，了解当前主流SLAM 方法的基本原理及流程，理解IMU在激光雷达点云处理过程中的辅助作用，掌握SLAM的仿真分析过程。

3.3 室外建图实验

为测试SLAM的建图效果，选取的室外实验环境如图6 所示。图6（a）为处于两栋教学楼之间的环形道路，全程长度约为200 m；图6（b）为学院周围的大场景道路，全程长度约为600 m。

图6 实验环境卫星图

实验选取雷达惯性里程计紧耦合算法（Tightlycoupled Lidar Inertial Odometry via Smoothing and Mapping，LIO-SAM）进行对比分析，建图效果如图7、8所示，可见，LIO-SAM 算法在中间某处中出现了明显偏转，回环检测没能及时进行纠正，导致后续的地图偏移了原坐标系，且出现了不同程度的点云重影现象；本实验采用的融合SLAM 建图结果基本实现了闭环，没有出现明显的重影与漂移。

图7 环形道路的建图效果

图8 大场景道路的建图效果

本实验的目的是让学生熟悉并直观感受不同建图方法在真实场景下的建图效果，并能根据实际应用场景分析建图效果的优劣。

3.4 运动路径规划实验

路径规划的目的是为机器人提供一条从起点到终点、且能有效避障的最优运动路线。常用路径规划算法包括：A*算法、Dijkstra算法、Floyd算法、快速扩展随机树（Rapidly-Exploring Random Tree，RRT）算法和人工势场法等。本实验探讨RRT算法的应用效果。

实验的目的是让学生熟悉RRT 算法的基本原理和实现步骤，了解RRT算法在路径规划中的优越性及可行性，并能根据实际应用案例对结果进行科学分析。

通过分析发现，RRT 算法具有较强的搜索能力，且路径规划速度快，但该算法随机性较强，产生的冗余点多，每次规划产生的路径都是不一样的非最优路径。鉴于此，实验引入人工势场法中对工作空间内障碍物和目标点的分析思想，通过对工作空间的引力势场布置，让RRT算法将环境因素考虑进去，用势场合力方向代替算法原本的随机点偏向概率，让随机树每次扩展的新节点有更大的可能性快速向目标点靠拢，用以抑制随机树扩展方向无序性的问题。改进原理见图9。

图9 改进RRT的原理图

图9 中，Fatt为目标点对最近点xnear生成的引力，Frep为障碍物对最近点xnear生成的斥力，两个分力经过受力合成，得到整个势场对最近点xnear的总合力Ftotal，由合力方向为轴线生成一个角度为θ、半径为r的扇形，作为随机点的拾取区域，取ε 为固定步长，生成新节点xnew。

根据人工势场法的相关定义，对xnear处的受力进行数学建模，最近点xnear受到的目标点xgoal引力

式中：α（xnear，xgoal）为最近点xnear到目标点xgoal的欧氏距离；λ为引力增益系数；d*为目标点引力距离阈值。

同理，最近点xnear受到的障碍物斥力

式中：

μ为斥力增益系数；α0为障碍物区域对移动机器人运动产生影响的最大距离，可称为安全距离；d1为最近点xnear到障碍物轮廓的最小欧式距离；k、n均为大于0的实数。

此时，最近点xnear受到的合力为

因此，沿合力Ftotal（xnear）的方向进行随机点采样，新节点xnew位置坐标为

图10、11 分别为RRT 路径规划的仿真结果和实验结果。在仿真分析时，设置了4 个障碍物，该实验采用改进RRT路径规划算法可捕获周围环境中的障碍物以及目标点的信息因子，有效避开障碍物而到达终点，详细对比结果见表1。可见，本文改进RRT算法在平均路径长度、平均运行时间和平均生成节点数3 个指标均优于原RRT 算法，表明本文改进的RRT 算法在移动机器人路径规划方面的优越性和可靠性。实验过程中，设置了不规则摆放的障碍物（椅子），通过激光雷达建立先验环境地图，为进一步突出显示障碍物和墙体特征，将地图分辨率设置为0.35 m，使得地图整体平整规则，并将底部点云去除，用灰色作为底色，得到如图11（b）所示的地图俯视图。在此基础上，利用RRT算法生成无碰撞行走路径，如图11（c）、（d）所示。详细对比结果见表2，实验结果表明，本实验平台在SLAM建图的基础上，采用改进RRT算法得到的移动机器人路径规划效果良好，其平均路径更短、所用时间更少，满足实验平台对移动机器人的性能要求。

表1 路径规划仿真结果对比

表2 室内场景的路径规划实验结果对比

图10 路径规划仿真结果

图11 路径规划实验结果

4 结 语

针对国家高素质复合型人才培养需求及相关课程的实验教学要求，开发了基于激光雷达的自主移动机器人实验教学平台，实现了地图构建和路径规划等功能，并通过理论分析和实验测试证明了该平台的可行性和有效性。

基于该平台开展的实验教学项目均属于综合性实验，涉及机械设计、机器人操作系统开发、SLAM 建图、路径规划等相关理论知识。通过开展相关实验项目，提高学生的创新实践能力，为学生参加学科竞赛和创新实践项目奠定基础。同时，学生在实验过程中，可对实验教学平台进一步开展结构创新设计，优化相关算法，拓宽平台功能，实现教学和科研的协同发展。