论文部分内容阅读
智能机器人技术在近几年人工智能迅猛发展的大环境下成为了国内国外大众关注和学者研究的热点。拥有同时定位和地图构建(SLAM)算法是发展到目前阶段的智能机器人能够称之为智能的重要因素。面向智能机器人研究、开发、运用和产业化等工程问题,本文以Gazebo仿真平台和Turtlebot3机器人平台为载体,研究和实现了智能机器人在未访问过环境中进行建图、定位和运动规划。主要研究内容如下:第一,对目前市场和研究工作常用的二轮差分移动机器人进行系统化建模。其中,包括关于里程计、IMU两种传感器测量和轨迹推导的机器人运动学模型、IMU测量误差模型;关于激光雷达进行观测环境的模型;进行地图生成的模型。彻底分析比对SLAM算法和运动规划算法理论。第二,对基于图优化模型的SLAM算法理论进行详细推导,并对基于图优化SLAM的Cartographer的定位、构图的前端及其后端进行原理剖析。针对机器人硬件资源紧张问题,对Cartogarpher进行分布式运行改造,机器人在过程中只需要采集传感器数据和进行简单的控制,降低了机器人成本和资源紧缺问题。对Cartographer前端中低帧率激光雷达数据存在畸变问题,提出以局部精度较高的里程计作为辅佐,去除雷达运动畸变,提高了建图的精度。针对Cartographer回环检测容易出现短程错误问题,将惰性决策介入其中,稳定的提高了Loop Closue的质量并且能够减少计算产生的资源紧张。分析和比对了智能机器人导航与运动规划算法,详细推导JPS和TEB导航算法的搜索过程的理论,并给于实验验证导航算法可行性。接着,为以上提及到的算法进行有效的验证,用Gazebo平台通过Solidworks建模机器人1:1模型和仿真环境近似居家模型后轮流进行仿真场景三种算法实验验证。对实验用到的IMU进行矫正,对实际复杂的、非结构化的、偶尔有人运动的实验室环境进行多次优化后Cartographer算法的调试验证。最后,根据Gmapping,原版的Cartographer,优化后Cartographer算法进行的仿真环境实验结果,优化后Cartographer在复杂非结构化环境的实验结果,根据建图质量、计算消耗、算法鲁棒性进行数据对比分析,并用Matlab分析结果的相对、绝对误差。并在Cartographer算法建图运行过程中,进行全局规划算法JPS和局部规划算法TEB进行实时搜索路径可行性和避障可能性的分析。实验结果表明优化后Cartographer算法在性能上比之前算法更好。