论文部分内容阅读
【摘 要】随着智能车应用的普及，同时定位技术和地图模型建立技术的发展，能够帮助智能车在未知环境下移动和信息采集。智能车在未知环境下通过周围环境事物进行二维地图坐标构建。本文分析了在SLAM问题中，智能车在移动过程中与环境产生相对误差以及地图模型建立的精度不够高的问题。通过多传感器融合和算法优化的方法，弥补了单一传感器功能局限的缺点，智能车定位不准确，并提高整体性能。
【关键词】SLAM;智能车;定位;误差;陀螺仪;PID;控制
一、引言
自动驾驶技术的发展与应用已经成为当今社会的发展趋势，智能车将会在今后的几年甚至几十年内广泛的被普及，尽管现在有大量的关于智能车的研究，依旧难以解决道路复杂问题和构图精确问题。现在社会中依旧存在智能车因算法问题或者硬件设备问题而导致的危险事故。本文针对智能车在未知环境中定位存在误差进行了误差分析和算法优化。主要内容如下：
（1）针对不同环境下SLAN技术对环境的成像存在误差进行分析。
（2）特征点识别判断存在误判
（3）根据已有的数学算法对智能车二维坐标定位和路径移动进行优化，主要通过陀螺仪实时采集智能车当前姿态来测算出小车的行驶方向，移动速度和行驶距离。
二、SLAM定位误差分析[1]
现阶段智能车定位功能主要是通过自身携带的传感器对周围环境的感知，获取周围不同方向不同距离的事物，对比自身位置，在二维坐标轴上标注出环境事物的位置。智能车在动态移动时，实时更新出周围事物的位子并标在二维地图上。由于激光雷达在发送接收时存在传播时延，智能车在雷达工作期间存在位移，使得在实时更新二维地图建模中，周围物体位置不准确。不同物体表面反射波的能力不同，可能接收到多个信息点或者丢失信号，导致特征点的重复判定或误判。现阶段的激光SLAM算法有限并且只适用于低移动速度的物体，若车速过快，精度和准确性不高。
2.1传播时延
建立以移动智能车为中心的二维坐标轴，雷达通过发送接收信号，在坐标轴上显示物体的特征点位。距离雷达越近的物体（或者墙面），雷达扫描到的点越密集，刷新速度越快，距离越远点越稀疏、分散、刷新速度慢。如图1-1室内地形。
2.2未知环境空旷程度
当未知环境存在的路标较少时，无法准确的构建出二维坐标轴边界，从而使智能车无法根据边界和参照物确定所在空间位置。导致在地图构建过程中存在长度或者宽度的误差或错误。也会使智能车失去方向，无法完成导航。如图2室外空旷拍摄，在智能车周围存在的少数草堆和数目，仅能反映出智能车此时的位置，不能得出智能车前方的环境信息。
2.3复杂环境中特征点的误判
本次实验的环境在教室过道中，当前位置在过道的交汇处，由图3复杂环境可以看出，智能车正前方两侧的特征点稀疏且分布不均匀，但是在实际环境中左侧为墙面。右侧走廊中没有行人和障碍物，检测到的地形依然存在误判的情况。
三、算法优化
目前的空间定位算法大多是以周围环境为参照物[3]，通过不同传感器获得到的数据，经过数据处理和传感器融合，构建地图。在实际数据融合过程中，使用对信号影响最小的卡尔曼滤波法对融合数据进行处理，但是没有考虑到环境因素的干扰，智能车位置的变动和SLAM输出信号的非线性。以下是我对智能车二维地图中运行姿态和减小误差的算法优化。
3.1惯性技术
惯性技术的核心是陀螺仪和加速度计，通过物体的移动使陀螺仪产生倾斜角度，获取陀螺仪角度 进行积分，Angle是倾斜角度的积分，Angle为正数时，表示顺时针倾斜角，物体的移动是前进，状态反之则为后退。计算倾斜角度的积分与智能车的移动速度可以的到速度与Angle的代数关系. .如图4MPU-6050方向示意图。
空间方向定位是构建二维坐标系中最重要的一点，不仅关系到物体距离智能车的方向和距离，还决定了小车的行驶方向。与惯性测量单元（inertial measurement unit，IMU）构造相类似，通过固定X轴为固定轴，XOY平面为水平平面，Y轴为智能车行驶的正方向。当智能车左右转弯时，Z轴旋转，产生了角速度和角加速度。对角加速度积分Angle2，理论上旋转360°时Angle2的积分为定值。再通过信号放大，比例算出当前智能车的朝向。
每4毫秒采集一次陀螺仪各方向角加速度，系统每16毫秒执行一次数据求和。对16毫秒内的数据加权平均，减小不可避免因素例如滤波，硬件等对数据的影响，将累计求和的方向转动信息和小车的运行距离在二维坐标上进行修正，可以得到智能车的行动轨迹点以及在地图建模中的具体位置和前进方向。
当前IMU作为SUS的产物，以体积小，功耗低，的优势被广泛运用在了智能汽车，精度较高的数控设备上，可以在一定程度上解决无法获取物体当前运动姿态的问题，以便于更好的做出修正和改变。
3.2增量式PID
现在关于PID算法的种类非常多，常见的PID算法有位置式PID控制算法，增量式PID控制算法，积分分离PID控制算法，变速积分PID控制算法等。本文中采用的方法是增量式PID控制算法。
由于智能车处在一个变化的环境当中，周圍物体参照物的位置确定存在误差，周围移动的物体（人）会使二维坐标中的路标动态移动，会影响到智能小车在行驶过程中自身位置的确定。通过学习智能车技术报告[4]中的增量式PID算法，增量式PID公式为speed=（KP*（err[2]-err[1]）+（KI*err[2]+KD*（err[2]-2*err[1]+err[0]）））;其中的speed是智能车输出的速度，KP，KI，KD分别为比例项，积分项，微分项，err[3]为三次采样值与设定速度的偏差。结合陀螺仪的Angel2积分与输出速度speed对于时间t的积分，得到智能车当前的行驶方向和行驶距离，通过设置定时器中断在一定时间内采集智能车的行驶姿态，每四次采集进行一次数据处理，将得到的数据通过增量式PID算法对数据的有效性进行判定，无效数据删除，有效数据加权平均，得到适中的增量。将角度增量和位移增量融合到二维坐标轴中。
四、总结
综上所述，针对SLAM技术对智能小车在未知环境中定位存在误差和错误的情况，主要问题是小车不能准确获得周围环境的地理路标，智能车不能确定自身坐标并实时动态性更新坐标。智能车在运行过程当中，会因为环境因素，车轮转速不同等因素使其偏离的指定的导航，从而造成智能车的方向错误并且会导致周围路标的定位错误。目前，多传感器融合SLAM技术从根本上弥补了单一视觉SLAM的不足，提高了智能车在位置环境中自主导航的准确性和定位准确性。但是由于目前数据融合技术的不够成熟，多传感器数据耦合度不高，这一问题相关技术和研究还有待突破。综合近年来相关SLAM技术的发展，数据融合，实时性成为关键，这将推动智能车发展，更好的适应未知环境。
参考文献：
[1]季秀才，郑志强，张辉.SLAM问题中机器人定位误差分析与控制.自动化学报.2008（03）
[2]孙永全，田红丽.视觉惯性SLAM综述.计算机应用研究，河北工业大学人工智能与数据科学学院.河北工业大学河北省大数据计算重点实验室.2019
[3]邓世燕，郭承军. 基于多传感器融合的即时定位与地图构建方法研究.第十一届中国卫星导航年会论文集——S13自主导航，电子科技大学电子科学技术研究院，电子科技大学通信抗干扰技术国家级重点实验室.2020
[4]郭威，王旭，王新域.第十一届“恩智浦”杯全国大学生智能汽车竞赛五菱宏光技术报告
基金项目：
青岛工学院2020年山东省大学生创新创业训练计划资助项目，项目名称：“机器视觉”视障医疗辅助智能设备，项目编号：S202013995003，项目负责人：叶乾耀，项目成员：赵舒欣 于志鹏
（作者单位：青岛工学院）
【关键词】SLAM;智能车;定位;误差;陀螺仪;PID;控制
一、引言
自动驾驶技术的发展与应用已经成为当今社会的发展趋势，智能车将会在今后的几年甚至几十年内广泛的被普及，尽管现在有大量的关于智能车的研究，依旧难以解决道路复杂问题和构图精确问题。现在社会中依旧存在智能车因算法问题或者硬件设备问题而导致的危险事故。本文针对智能车在未知环境中定位存在误差进行了误差分析和算法优化。主要内容如下：
（1）针对不同环境下SLAN技术对环境的成像存在误差进行分析。
（2）特征点识别判断存在误判
（3）根据已有的数学算法对智能车二维坐标定位和路径移动进行优化，主要通过陀螺仪实时采集智能车当前姿态来测算出小车的行驶方向，移动速度和行驶距离。
二、SLAM定位误差分析[1]
现阶段智能车定位功能主要是通过自身携带的传感器对周围环境的感知，获取周围不同方向不同距离的事物，对比自身位置，在二维坐标轴上标注出环境事物的位置。智能车在动态移动时，实时更新出周围事物的位子并标在二维地图上。由于激光雷达在发送接收时存在传播时延，智能车在雷达工作期间存在位移，使得在实时更新二维地图建模中，周围物体位置不准确。不同物体表面反射波的能力不同，可能接收到多个信息点或者丢失信号，导致特征点的重复判定或误判。现阶段的激光SLAM算法有限并且只适用于低移动速度的物体，若车速过快，精度和准确性不高。
2.1传播时延
建立以移动智能车为中心的二维坐标轴，雷达通过发送接收信号，在坐标轴上显示物体的特征点位。距离雷达越近的物体（或者墙面），雷达扫描到的点越密集，刷新速度越快，距离越远点越稀疏、分散、刷新速度慢。如图1-1室内地形。
2.2未知环境空旷程度
当未知环境存在的路标较少时，无法准确的构建出二维坐标轴边界，从而使智能车无法根据边界和参照物确定所在空间位置。导致在地图构建过程中存在长度或者宽度的误差或错误。也会使智能车失去方向，无法完成导航。如图2室外空旷拍摄，在智能车周围存在的少数草堆和数目，仅能反映出智能车此时的位置，不能得出智能车前方的环境信息。
2.3复杂环境中特征点的误判
本次实验的环境在教室过道中，当前位置在过道的交汇处，由图3复杂环境可以看出，智能车正前方两侧的特征点稀疏且分布不均匀，但是在实际环境中左侧为墙面。右侧走廊中没有行人和障碍物，检测到的地形依然存在误判的情况。
三、算法优化
目前的空间定位算法大多是以周围环境为参照物[3]，通过不同传感器获得到的数据，经过数据处理和传感器融合，构建地图。在实际数据融合过程中，使用对信号影响最小的卡尔曼滤波法对融合数据进行处理，但是没有考虑到环境因素的干扰，智能车位置的变动和SLAM输出信号的非线性。以下是我对智能车二维地图中运行姿态和减小误差的算法优化。
3.1惯性技术
惯性技术的核心是陀螺仪和加速度计，通过物体的移动使陀螺仪产生倾斜角度，获取陀螺仪角度 进行积分，Angle是倾斜角度的积分，Angle为正数时，表示顺时针倾斜角，物体的移动是前进，状态反之则为后退。计算倾斜角度的积分与智能车的移动速度可以的到速度与Angle的代数关系. .如图4MPU-6050方向示意图。
空间方向定位是构建二维坐标系中最重要的一点，不仅关系到物体距离智能车的方向和距离，还决定了小车的行驶方向。与惯性测量单元（inertial measurement unit，IMU）构造相类似，通过固定X轴为固定轴，XOY平面为水平平面，Y轴为智能车行驶的正方向。当智能车左右转弯时，Z轴旋转，产生了角速度和角加速度。对角加速度积分Angle2，理论上旋转360°时Angle2的积分为定值。再通过信号放大，比例算出当前智能车的朝向。
每4毫秒采集一次陀螺仪各方向角加速度，系统每16毫秒执行一次数据求和。对16毫秒内的数据加权平均，减小不可避免因素例如滤波，硬件等对数据的影响，将累计求和的方向转动信息和小车的运行距离在二维坐标上进行修正，可以得到智能车的行动轨迹点以及在地图建模中的具体位置和前进方向。
当前IMU作为SUS的产物，以体积小，功耗低，的优势被广泛运用在了智能汽车，精度较高的数控设备上，可以在一定程度上解决无法获取物体当前运动姿态的问题，以便于更好的做出修正和改变。
3.2增量式PID
现在关于PID算法的种类非常多，常见的PID算法有位置式PID控制算法，增量式PID控制算法，积分分离PID控制算法，变速积分PID控制算法等。本文中采用的方法是增量式PID控制算法。
由于智能车处在一个变化的环境当中，周圍物体参照物的位置确定存在误差，周围移动的物体（人）会使二维坐标中的路标动态移动，会影响到智能小车在行驶过程中自身位置的确定。通过学习智能车技术报告[4]中的增量式PID算法，增量式PID公式为speed=（KP*（err[2]-err[1]）+（KI*err[2]+KD*（err[2]-2*err[1]+err[0]）））;其中的speed是智能车输出的速度，KP，KI，KD分别为比例项，积分项，微分项，err[3]为三次采样值与设定速度的偏差。结合陀螺仪的Angel2积分与输出速度speed对于时间t的积分，得到智能车当前的行驶方向和行驶距离，通过设置定时器中断在一定时间内采集智能车的行驶姿态，每四次采集进行一次数据处理，将得到的数据通过增量式PID算法对数据的有效性进行判定，无效数据删除，有效数据加权平均，得到适中的增量。将角度增量和位移增量融合到二维坐标轴中。
四、总结
综上所述，针对SLAM技术对智能小车在未知环境中定位存在误差和错误的情况，主要问题是小车不能准确获得周围环境的地理路标，智能车不能确定自身坐标并实时动态性更新坐标。智能车在运行过程当中，会因为环境因素，车轮转速不同等因素使其偏离的指定的导航，从而造成智能车的方向错误并且会导致周围路标的定位错误。目前，多传感器融合SLAM技术从根本上弥补了单一视觉SLAM的不足，提高了智能车在位置环境中自主导航的准确性和定位准确性。但是由于目前数据融合技术的不够成熟，多传感器数据耦合度不高，这一问题相关技术和研究还有待突破。综合近年来相关SLAM技术的发展，数据融合，实时性成为关键，这将推动智能车发展，更好的适应未知环境。
参考文献：
[1]季秀才，郑志强，张辉.SLAM问题中机器人定位误差分析与控制.自动化学报.2008（03）
[2]孙永全，田红丽.视觉惯性SLAM综述.计算机应用研究，河北工业大学人工智能与数据科学学院.河北工业大学河北省大数据计算重点实验室.2019
[3]邓世燕，郭承军. 基于多传感器融合的即时定位与地图构建方法研究.第十一届中国卫星导航年会论文集——S13自主导航，电子科技大学电子科学技术研究院，电子科技大学通信抗干扰技术国家级重点实验室.2020
[4]郭威，王旭，王新域.第十一届“恩智浦”杯全国大学生智能汽车竞赛五菱宏光技术报告
基金项目：
青岛工学院2020年山东省大学生创新创业训练计划资助项目，项目名称：“机器视觉”视障医疗辅助智能设备，项目编号：S202013995003，项目负责人：叶乾耀，项目成员：赵舒欣 于志鹏
（作者单位：青岛工学院）