一种基于四轮全向全驱移动机器人的二维激光雷达建图方法技术

本发明专利技术属于智能机器人领域，提出了一种基于四轮全向全驱移动机器人的二维激光雷达建图方法，该方法通过对四轮全向全驱移动机器人进行正运动学解算，根据解算公式和编码器的数值求得移动机器人的里程计信息；基于移动机器人的里程计信息，对激光雷达数据进行去除运动畸变处理；根据里程计信息和激光雷达对周围环境的感知信息，构建概率栅格地图。本发明专利技术根据电机编码器数值和二维激光雷达数据建立用于机器人导航的概率栅格地图，通过建立多分辨率子图进行扫描匹配能够提高前端位姿估计的准确性，并在后端搭建运动滤波器，保证后端优化的实时性。的实时性。的实时性。

【技术实现步骤摘要】
一种基于四轮全向全驱移动机器人的二维激光雷达建图方法


[0001]本专利技术涉及智能机器人领域，特别是涉及一种基于四轮全向全驱移动机器人的二维激光雷达建图方法。

技术介绍

[0002]随着21世纪科学技术的飞速发展，机器人逐渐踏进人们的日常生活中，在人们的生活和工作中带来了很多便捷。目前，智能机器人的种类繁多，机器人的应用比较广泛。在工业方面，货物搬运机器人可以搬运多种货物，取代了传统的人工搬运，解放了大量生产力；在农业方面，可以通过无人机给农作物喷洒农药，缓解了人力资源不足的问题；在医疗方面，特别是在新冠疫情爆发之后，消毒机器人在医院已经大量投入使用；在生活方面，无人驾驶智能车、扫地机器人在家庭中也越来越普遍。依据文献《一种铰接式行星轮四驱车辆四轮差速转向模型》(师帅兵.西北农林科技大学)，目前应用在工厂中的搬运机器人大多都是四轮差速行驶的，最大的弊端就是无法做到零转弯半径进行转向，在狭窄的区域中无法转向，十分不方便。若机器人应用在导航过程中，由于转弯半径的限制，有可能会造成路径规划的失败。
[0003]地图构建是移动机器人实现自主定位的关键技术之一，丰富完善的地图信息是移动机器人实现导航等应用的基础。现有的算法在前端扫描匹配时，输入的初始位姿是根据里程计信息得到的，如果里程计的位姿不准确的话，会造成扫描匹配得到的位姿估计误差较大，将激光数据插入到子图时就会产生很大的偏差。在闭环检测阶段，将刚刚处于完成状态的子图和后端位姿图中所有的节点都进行闭环检测，当地图较大时，节点的数量太多，在闭环检测时会浪费大量的时间，不能保证后端优化的实时性。

技术实现思路

[0004]针对现有技术中存在的缺陷，本专利技术的目的在于提供一种基于四轮全向全驱移动机器人的二维激光雷达建图方法，适用于四轮全向全驱移动平台，能够保证前端扫描匹配的准确性，且加快了后端闭环检测的速度。
[0005]为了达到上述目的，本专利技术所采用的具体技术方案如下：一种基于四轮全向全驱移动机器人的二维激光雷达建图方法，具体包括以下步骤：
[0006]S1，对四轮全向全驱移动机器人进行正运动学解算，实时获得移动机器人的里程计信息；
[0007]获取编码器数据{V
LF
，V
RF
，V
LB
，V
RB
，A
LF
，A
RF
，A
LB
，A
RB
}，对四轮全向全驱移动机器人进行正运动学解算；其中V
LF
、V
RF
、V
LB
和V
RB
分别为四个驱动电机短时间t的平均速度，A
LF
、A
RF
、A
LB
、A
RB
分别为四个转向电机的转角；
[0008]机器人具有三种运动模式：直线行驶模式、四轮转向模式和零半径转向模式；计算在Δt时间内机器人的X方向平移量ΔX、Y方向平移量ΔY和旋转量Δθ；
[0009]不同运动模式下，移动机器人的里程计信息不同；
[0010]当机器人在Δt时间内处于直线行驶模式，求得ΔY＝0，Δθ＝0；
[0011]当机器人在Δt时间内处于零半径转向模式，先求得各个驱动轮的行驶速度为：
[0012][0013]然后求取Δθ为：
[0014][0015]其中，L和W分别是机器人的长度和宽度；
[0016]在零半径转向模式下机器人未发生位移，ΔX＝ΔY＝0；
[0017]当机器人在Δt时间内处于四轮转向模式，设定机器人处于逆时针旋转，根据机器人左上转向电机的角度求取车体质心的转弯半径：
[0018][0019]其中，L1为质心到前侧两个车轮中心连线的距离，W1为质心到左侧两个车轮中心连线的距离；
[0020]根据左上驱动电机的速度求取车体质心的速度：
[0021][0022]由式(3)和式(4)求得机器人的质心在Δt内转过的角度为：
[0023][0024]然后由式(4)和式(5)求机器人在Δt时间内X和Y方向上的平移量为：
[0025]ΔX＝V
·
Δt
·
cosΔθ(6)
[0026]ΔY＝V
·
Δt
·
sinΔθ(7)。
[0027]S2，基于移动机器人的里程计信息，对激光雷达数据进行去除运动畸变处理；
[0028]S3，根据里程计信息和激光雷达对周围环境的感知信息，构建概率栅格地图；
[0029]为方便以后的导航功能，所以建立的地图类型为概率栅格地图，是将应用环境等分为相互独立的栅格单元，栅格单元的大小对应机器人系统外部环境的最小可表示面积，即为地图的分辨率，每一个栅格单元的数值表示是否有障碍物存在的可能性大小，介于0到1之间。
[0030]每帧去除运动畸变的激光雷达数据为一个节点的数据，一定数量的节点组成一个子图，若干个子图构成一张完整的地图；一帧去除运动畸变后的激光雷达数据传输时与当前活跃的子图进行扫描匹配，并根据里程计信息提供的一个初始位姿，估计节点在子图的位姿；
[0031]移动机器人相对于子图的位姿用T
ε
＝(ε
x
，ε
y
，ε
θ
)表示，一帧激光点云包括一个起点和若干终点，记H＝{h1，
…
，h
k
，
…
，h
K
}为激光雷达扫描到的K个激光点的集合，h
k
表示第k
个激光束在移动机器人坐标系下的位置坐标，h
k
在子图坐标系下的坐标表示为：
[0032][0033]起点栅格的状态为空闲，从起点到终点之间的栅格状态也为空闲，存放于集合misses，misses中的栅格被赋予初值p
miss
；每个终点所在的栅格表示为被占有，存放于集合hits，hits中的栅格被赋予初值p
hit
；
[0034]当一个栅格点先前已有p值，用以下公式进行更新：
[0035][0036]M
new
(x)＝clamp(odds
‑1(odds(M
old
(x))
·
odds(p
hit
)))(10)
[0037]其中，M
new
(x)为更新后的p值，odds(p)为栅格被占有和空闲概率的比值，odds
‑1()函数根据被占有和空闲概率比值求解被占有的概率，clamp是区间限定函数，M
old
(x)为栅格已存在的p值；
[0038]3.1插入子图；
[0039]每次获得更新后的节点插入至子图最优位置，通过扫描匹配对T
ε
h
k
进行优化，扫描匹配过程为求本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于四轮全向全驱移动机器人的二维激光雷达建图方法，其特征在于，具体包括以下步骤：S1，对四轮全向全驱移动机器人进行正运动学解算，实时获得移动机器人的里程计信息；获取编码器数据{V
LF
，V
RF
，V
LB
，V
RB
，A
LF
，A
RF
，A
LB
，A
RB
}，对四轮全向全驱移动机器人进行正运动学解算；其中V
LF
、V
RF
、V
LB
和V
RB
分别为四个驱动电机短时间t的平均速度，A
LF
、A
RF
、A
LB
、A
RB
分别为四个转向电机的转角；机器人具有三种运动模式：直线行驶模式、四轮转向模式和零半径转向模式；计算在Δt时间内机器人的X方向平移量ΔX、Y方向平移量ΔY和旋转量Δθ；S2，基于移动机器人的里程计信息，对激光雷达数据进行去除运动畸变处理；S3，根据里程计信息和激光雷达对周围环境的感知信息，构建概率栅格地图；每帧去除运动畸变的激光雷达数据为一个节点的数据，一定数量的节点组成一个子图，若干个子图构成一张完整的地图；一帧去除运动畸变后的激光雷达数据传输时与当前活跃的子图进行扫描匹配，并根据里程计信息提供的一个初始位姿，估计节点在子图的位姿；移动机器人相对于子图的位姿用T
ε
＝(ε
x
，ε
y
，ε
θ
)表示，一帧激光点云包括一个起点和若干终点，记H＝{h1，
…
，h
k
，
…
，h
K
}为激光雷达扫描到的K个激光点的集合，h
k
表示第k个激光束在移动机器人坐标系下的位置坐标，h
k
在子图坐标系下的坐标表示为：起点栅格的状态为空闲，从起点到终点之间的栅格状态也为空闲，存放于集合misses，misses中的栅格被赋予初值p
miss
；每个终点所在的栅格表示为被占有，存放于集合hits，hits中的栅格被赋予初值p
hit
；当一个栅格点先前已有p值，用以下公式进行更新：M
new
(x)＝clamp(odds
‑1(odds(M
old
(x))
·
odds(p
hit
)))(3)其中，M
new
(x)为更新后的p值，odds(p)为栅格被占有和空闲概率的比值，odds
‑1()函数根据被占有和空闲概率比值求解被占有的概率，clamp是区间限定函数，M
old
(x)为栅格已存在的p值；3.1插入子图；每次获得更新后的节点插入至子图最优位置，通过扫描匹配对T
ε
h
k
进行优化，扫描匹配过程为求解最小二乘问题：其中，M
smooth
是线性评价函数，该函数输出结果为(0，1)以内的数值；求解最小二乘问题过程中，构造多分辨率子图；将节点扫描数据先在低分辨率地图中进行扫描匹配得到初始位姿估计，然后根据得到的位姿估计在高分辨率地图中再次进行扫描匹配，得到准确的位...

【专利技术属性】
技术研发人员：李卓函，庞宁，高正杰，庄严，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：