一种改进的基于激光扫描AMCL算法在复杂的非结构化环境相匹配

文摘

自适应蒙特卡罗定位(AMCL)算法构成有限精度的nonconvexity激光传感器模型,工作环境的复杂和非结构化特性,粒子抽样的随机性,最后的选择问题。本文改进了AMCL算法,旨在建立一个激光雷达机器人定位系统在一个复杂的和非结构化的环境中,用激光雷达点云scan-matching过程后粒子的分数计算的过程。AMCL粒子群的加权平均数的姿势是用作初始扫描匹配过程的姿势。激光雷达点云匹配概率从粗到细网格地图使用Gaussian-Newton方法,从而更准确的姿势。此外,scan-matching姿势被添加到一个较高的权重的粒子的粒子群。所以重采样后的粒子群将会更加集中在正确的位置。粒子滤波和scan-matching过程形成一个闭环,从而提高移动机器人的定位精度。实验结果表明,该改进AMCL算法优于传统AMCL算法在复杂的非结构化环境中,利用高精度扫描匹配的特征,而继承AMCL的稳定性。

1。介绍

机器人应用的不断扩大,机器人面对的工作环境变得日益复杂和非结构化。对智能移动机器人来说,最大的技术挑战是有能力感知环境和获得的感知信息自主定位、导航和驾驶控制。特别是,它更重要的是在非结构化的复杂环境中自主定位。在一个结构化的环境中,信息感知在地上可以转化为一个简单的边界结构指导知觉行为策略的形成。但在非结构化环境的不均匀地面或不同大小的障碍,很难描述环境作为常规结构与环境的感知信息,从而增加机器人的自主定位的困难。此外,一些复杂的地形如沟壑和泥泞的地面等非结构化的环境和恶劣的天气雨,雪,雾,灰尘也会影响定位的准确性和鲁棒性。

到目前为止,问题的自主移动机器人系统的定位被广泛讨论。在过去的几十年里,移动机器人定位技术能够可靠地完成定位在某些特定的应用场景。但是实现高精度和高可靠性的定位在一个复杂的非结构化环境中仍然是一个具有挑战性的任务。

在一个工业实际应用场景中,移动机器人的操作环境通常是固定在一段时间(1]。概率定位方法已经被证明是健壮的在这个静态环境。概率定位方法主要是基于扩展卡尔曼滤波(2)、直方图滤波和粒子滤波,即蒙特卡罗定位(制程)3]。激光雷达传感器通常用于机器人定位和避障,因为他们可以精确测量的距离障碍没有复杂的图像预处理,如视觉传感器。特别是在工业环境中,大多数工业机器人配备了激光雷达来感知环境,避开障碍,踩下刹车。在文献[4,5),一个标准的蒙特卡洛定位方法是用于病人激光雷达定位误差约0.05米到0.2米。在文献[6),基于扩展卡尔曼滤波定位算法与生病的激光雷达是用于Pioneer2机器人;造成误差大约是0.25米,3.5°。

蒙特卡洛定位算法是一种概率定位算法应用于一个二维的职业网格地图(7),它使用粒子滤波算法(8]。粒子群是用来描述和跟踪当前可能构成的移动机器人在已知的地图5]。它可以估计全球造成少量的计算和低内存占用。同时,估计在机器人的运动姿势非常光滑,适合移动机器人的导航控制(9]。不过,它总是会受到强烈的nonconvexity激光雷达传感器模型和复杂的非结构化环境的特性。例如,电力变电站巡检机器人系统如图1在强磁场环境中,影响传感器噪声和粒子滤波的局限性。在实际应用程序中,蒙特卡洛定位算法的准确性和鲁棒性是有限的。

然而,在一些复杂的和非结构化环境,极高的机器人定位精度是一个重要的条件来执行多个任务。一个典型的例子是,一个机器人拿起一个物体从一个固定的位置(如传送带或工作台)。开展全球定位,机器人通常配备了高精度激光雷达传感器。在挑选对象之前,机器人需要移动到适当的位置。为了提高定位精度,一些辅助定位设备如磁条或QR码通常部署在相应的位置附近。然而,安装辅助定位设备需要改变生产环境,这限制了机器人系统的灵活性。

为了解决机器人自主定位的准确性和鲁棒性问题在复杂的非结构化环境中,本文提出了一种改进的自适应蒙特卡罗定位算法基于激光扫描匹配,结合激光scan-matching算法(10)和蒙特卡罗定位算法。它继承了高精度激光扫描匹配算法和蒙特卡洛定位算法的可靠性。使用我们的算法,移动机器人的定位仍然是高度精确和高度可靠的在复杂的非结构化环境中没有任何辅助定位设备。

2。蒙特卡洛定位算法

蒙特卡洛定位算法主要分为以下四个步骤,如图2。

当激光传感器用于定位机器人在一个2 d网格地图,如果机器人位姿,很容易计算激光束之间的协议和被占领的网格。因此,制程算法可以使用,代表机器人的构成与许多粒子(11),如图3。计算粒子的重量与地图根据协议;然后,确定估计姿态和定位机器人。然而,有一些问题在制程算法:它不能解决机器人绑架问题。一旦构成变化不连续,本地化将会失败(12]。为了提高定位精度,许多粒子需要添加,导致定位收敛速度缓慢。

AMCL算法适应于制程算法来解决以上问题。AMCL算法随机添加自由粒子重采样期间(13]。自由粒子的数量是基于长期的估计重量计算和短期估计重量 :

在(1),是所有粒子的平均体重;的参数和分别是用来估计的衰减率与长期和短期体重指数滤波器( )(14]。

Kullback-Leibler散度(KLD)算法用于重新取样AMCL算法中的粒子(15]。该方法可以自适应地计算所需数量的粒子基于粒子权值的分布。的上限粒子的数量表示

在(2),参数和分别是,最大误差和标准正态分布的分位数之间真正的分布和估计。在状态空间的非空的数量的粒子。可以看出,上界粒子的数量有一个近似的线性关系 。在最初的全球定位、粒子和更加分散是更大的,所以上限吗粒子的数量更高;当全球定位完成;这个问题成为了轨迹跟踪问题。在这个时候,粒子更集中和融合。非空的状态空间很小的数量;小,上限吗粒子的数量减少。这样,粒子的数量实际上是动态调整(16]。粒子的总数减少导致更好的计算效率。

然而,AMCL算法仍然存在一个问题:当机器人在复杂和非结构化环境的动态障碍和不均匀地面的最佳姿势估计算法粒子群的中心而不是之间的最佳匹配构成地图和激光扫描的结果。即使收敛,不能保证定位的准确性和鲁棒性。此外,一旦粒子群之间的误差和实际构成很大,需要一些时间来调整自己,甚至导致可怕的定位偏差。

3所示。一种改进的自适应蒙特卡罗定位在复杂的非结构化环境中

为了解决这个问题在AMCL算法来估计机器人的构成作为粒子群的中心加权偏差在复杂的非结构化环境中,本文增加了扫描激光扫描匹配的匹配与地图,如图4。scan-matching算法得到的姿势估计AMCL算法作为输入。然后,激光扫描与概率一致网格地图使用Gaussian-Newton迭代法(17]。最后,优化姿势估计解决了扫描匹配是添加到AMCL粒子群。

3.1。扫描匹配原则

对机器人配备了激光传感器,一个概率网格地图的定位问题可以转化成所示的匹配优化的问题 在哪里的职业概率地图在给定坐标点 ,和是激光扫描射线的端点的坐标在地图坐标系统在移动机器人位置 :

在(4),和代表激光传感器的坐标,是机器人的定位角。

扫描匹配的目标是,给定一个初始估计 ,有小偏离实际的姿势,找到一个偏差调整激光扫描结果与概率网格地图(18]:

一阶泰勒展开的 ,找到最小值的扩张(解决偏导数,让它是0),最后,得到 那里的海赛矩阵和偏导数来是

由于地图是一个概率网格地图,它是离散的,而不是连续的。为了获得地图的导数 ,双线性插值进行和地图上的方向(19),如图5。

根据图5的概率值是

网格的概率是 占领。的偏导数是

扫描匹配的核心是利用一阶泰勒级数展开的Gaussian-Newton迭代方法来近似代替非线性回归模型。迭代后,残留的平方之和(5)原模型的最小化。最后, 是激光扫描结果的优化带来最好与网格地图的概率。

3.2。在复杂的非结构化环境中扫描匹配过程

后全球定位在一个复杂和非结构化环境,定位问题成为pose-tracking问题。由于复杂的和非结构化环境中,机器人位姿估计的AMCL算法粒子群的加权平均数,并仍有一定偏离实际的姿势。根据上述scan-matching原则,Gaussian-Newton迭代法是采用将AMCL算法的构成作为初始值并优化它从粗到细的多分辨率的地图上。在每一层中,Gaussian-Newton方法用于解决偏差 ,导致更准确的姿势。具体的过程如图所示6。

如果AMCL的粒子群算法集合,即姿态估计的解收敛,scan-matching算法进一步优化。首先,提出解决AMCL算法作为初始扫描匹配的姿势。然后,Gaussian-Newton迭代执行一层一层地从低分辨率高分辨率的多分辨率的地图。迭代之后,它会得到一个更准确的姿势。如果错误的解决方法扫描匹配和AMCL算法的解决小于阈值,扫描匹配的解决方案提出将插入到AMCL粒子群作为一个较高的权重的粒子;如果误差大于阈值,这意味着扫描匹配的解决方案可能是错误的,所以它应该放弃。

因为扫描匹配使用的解决方案AMCL作为初始值,如果AMCL解决方案大大不同于实际的姿势,扫描匹配将会失败。此外,扫描获得的最优粒子匹配必须插入到AMCL粒子群,形成一个闭环减少之间的区别AMCL和扫描匹配的解决方案。

应该注意的是,扫描匹配采用逐层迭代多分辨率地图上的原则。连续、导数地图,地图是一个概率栅格地图。低分辨率的地图在多层地图downsampled从原始高分辨率的地图。

4所示。实验

分析的效果添加扫描匹配原始AMCL算法,实验进行移动机器人配备一个单行的激光雷达,分别使用原始AMCL算法,并提出了改进AMCL算法。机器人的最大线速度运动设置为0.3 m / s,和最大角速度设置为1 rad / s。

4.1。原始AMCL算法实验

验证原始AMCL算法的定位效果,在占用网格地图由制图师(20.),使用原始AMCL算法进行定位实验。加快收敛,初始粒子群附近随机生成实际初始姿势。这个绿色的小箭头在图7代表一个姿势粒子;红色箭头代表机器人位姿估计在每一个时刻,和红色的点云是激光扫描点云。AMCL算法中粒子的最小数字是500,最大的是5000。图7(一)显示了粒子群的初始状态。机器人的初始姿态的一个近似估计是提供加速本地化收敛。从图可以看出,许多附近的粒子生成初始姿态估计。图7 (b)和图7 (c)表明,颗粒逐渐收敛,机器人的动作。根据红点云在图7 (b)和图7 (c),激光扫描点与障碍。这是由于当前环境下非结构化和复杂;粒子群的加权平均数的姿势是用作估计构成原始AMCL算法结果之间在一定的偏差估计体式和实际。

4.2。Scan-Matching实验

验证扫描匹配的优化效果,我们也选择做实验在一个复杂和非结构化环境嘈杂的强磁场下复杂环境(变电站)。激光点云对应于原始AMCL算法的加权平均数的姿势,和点云与优化后scan-matching优化绘制在图8。

在图8,红色的点云是激光点云扫描结果对应于原始AMCL算法的加权平均数的姿势,和蓝色的点云是激光点云扫描结果对应于优化scan-matching优化后的姿势。比较激光点云的对齐效果和黑地图障碍,它显示相对应的姿势与障碍红点云是不一致的,这表明有一个偏差之间构成了原始AMCL算法和实际的姿势。扫描匹配后,相对应的蓝色的点云优化构成比红色的点云对齐显示扫描匹配可以有效地提高姿态精度时,机器人是静止的。

4.3。改进AMCL算法实验

比较原始的动态定位效果AMCL相同算法提出了改进AMCL算法的复杂的非结构化的实验环境,我们不选择插入或scan-matching解回AMCL粒子群形成闭环。一种开环和闭环版本的改进AMCL算法实验。

的开环版本改进AMCL算法使用原始AMCL加权均值算法的粒子群的初始值扫描匹配但不插入scan-matching解回AMCL的粒子群算法。原始AMCL的加权均值算法的粒子群和扫描匹配解决方案来验证记录扫描匹配对精度的影响。

的闭环版本改进AMCL算法插入scan-matching优化解决方案到粒子群与AMCL形成一个闭环算法如果扫描匹配成功。改进的加权均值AMCL算法的粒子群和扫描匹配解决方案记录分析之间的区别这两个解决方案。

在地图上定位实验进行了尺寸为16.075米×9.9米和0.025米的网格大小,如图9。几个直线往返运动实验和闭环运动实验使用开环和闭环版本的改进AMCL算法,分别。

4.3.1。直线往返运动实验使用的开环版本AMCL改善

直线往返从世界坐标系统的起源开始,沿着X轴的正方向超过5米(允许小的调整角度保持一致)。然后,控制机器人回到原点和记录两种姿势估计输出为“端点1。“接下来,控制机器人移动超过3 m沿着X轴的负方向。最后,控制机器人移动回到原点和记录两种姿势估计输出为“端点2。“6次重复以上操作。机器人已经运行超过100和10分钟往返运动实验。

原始AMCL的加权均值算法的粒子群和扫描匹配的优化解决方案。这两个姿态估计的偏差来源如表所示1。的轨迹从起点到终点2这两个方法如图所示10。

表1显示原始AMCL算法的最大定位误差在直线往返运动实验是关于两个网格的大小(5厘米);平均定位误差超过一个网格大小(2.5厘米)。scan-matching优化后的最大定位误差小于1网格大小(2.5厘米)和平均定位误差是一个网格大小(1.25厘米)的一半。这表明scan-matching算法在移动机器人可以有效地提高定位精度。

4.3.2。使用开环闭环运动实验版本的改进AMCL

为闭环运动实验中,机器人的最大速度设置为0.3米/秒,最大角速度是1 rad / s。机器人沿着一个闭环路径(方位角变化超过360°),回到原点。然后,机器人调整其对与原点尽可能一致。闭环实验重复3次。原始AMCL定位误差的加权均值算法的粒子群和相应的扫描误差匹配解决方案如表所示2。机器人的轨迹在第一个实验中如图11。

原AMCL的最大定位误差是14.5厘米,18.5厘米,0.057 rad,平均定位误差是9.9厘米,8.9厘米,0.035 rad。在完成scan-matching原始AMCL优化解决方案的基础上,最大定位误差降低到1.5厘米,1.6厘米,0.012 rad,平均定位误差是1.3厘米,1.2厘米,0.010 rad。这表明姿势后扫描匹配的准确性远远高于原来的AMCL当机器人移动回到原点。

比较图10与图11,它表明scan-matching解决方案更好;路径更连续没有大的波动,如果机器人沿着一条直线,但scan-matching解决方案变动,甚至失败如果机器人旋转位置。实验中使用的原因是激光扫描频率过低(5赫兹),导致大量的激光扫描偏差。所以使用原始AMCL解作为初始估计扫描匹配精度较低。

因为上述原因,当机器人的图所示11的定位误差scan-matching解决方案是比原来的AMCL解决方案。然而,机器人的移动回原点后,scan-matching解决方案的定位误差远小于原来的AMCL解决因为AMCL过度依赖于机器人的运动模型。机器人旋转的一个点上时,传感器误差就大(尤其是对里程计和激光),导致在转坏AMCL算法的定位精度,影响后续的本地化。

4.3.3。闭环运动实验使用的闭环版本AMCL改善

的闭环版本改进AMCL算法在用于闭环运动实验,插入scan-matching解决方案为high-weighted粒子回到AMCL粒子群形成闭环。实验参数类似于上面的实验。实验重复四次。实验结果如表所示3。实验的轨迹图所示12。

如表所示3,闭环版本的改进AMCL算法,scan-matching解决方案和AMCL算法的粒子群,形成一个闭环改进粒子群的加权平均数的准确性。四次循环运动的实验表明,最大定位误差的加权平均数粒子群是2.4厘米,1.8厘米,0.017 rad,网格的大小,和平均定位误差是1.4厘米,1.1厘米,0.010 rad,网格的大小的一半。scan-matching最大定位误差的解决方案是1.2厘米,1.3厘米,0.032 rad,网格尺寸的一半,平均定位误差是0.8厘米,0.8厘米,0.019 rad,大约三分之一的网格的大小。

闭环版本的改进AMCL算法提高了精度的加权平均数AMCL粒子群通过插入高精度scan-matching解决方案,和粒子群的加权平均数作为未来scan-matching过程的初始值。因为迭代的初始值更精确,scan-matching解决方案更好的准确性。在这种相互促进,定位精度明显提高。

如图12,因为迭代的初始值的准确性较高,scan-matching解的振幅与闭环显著降低版本的改进AMCL算法,但是仍有一个小的不确定性时,机器人正在转向。

根据上面的比较分析,在实际应用中,特别是在一个复杂和非结构化环境,原始AMCL算法的定位精度较低,最大定位误差超过10厘米由于以下几个原因。scan-matching过程可以显著优化带来的精度(误差减少一半)。最大静态定位误差不超过一个网格(2.5厘米)和平均定位误差只有一半是一个网格(1.25厘米)。然而,由于激光传感器的局限性,激光扫描的结果不够准确在机器人转向。它使扫描匹配不确定,导致姿态估计的不连续。

因为扫描匹配和AMCL形成一个闭环,加权平均数的准确性造成AMCL算法粒子群的了极大的改进;scan-matching解决方案也更顺利、更稳定。改进的AMCL算法降低了电网的最大定位误差(2.5厘米)和平均定位误差也被减少到一半一个网格(1.25厘米);scan-matching解决方案的最大定位误差减少到一半网格(1.25厘米),和平均定位误差减少到小于1厘米。

实验,scan-matching算法具有适应性强激光雷达噪声,可以正确处理复杂非结构化环境的情况和有更大的改进比原AMCL算法的准确性和可靠性。因此,原始的准确性AMCL scan-matching算法可以改进的算法,和本地化的健壮性的增加不会减少由于scan-matching过程。

摘要扫描匹配添加到原始AMCL算法。它使粒子群收敛更快地正确的姿势,和总粒子数更快收敛于一个较低的水平。因此,更新粒子群的计算,和重采样是低于原AMCL算法。

5。结论

针对这一问题,传统的AMCL算法定位精度很低,在一个复杂和非结构化环境,本文提出了一种改进的基于激光扫描AMCL算法匹配。首先,它增加了scan-matching过程和Gaussian-Newton迭代方法适用于优化构成。然后,scan-matching解决方案反馈AMCL形成一个封闭的循环,使激光雷达扫描端点的对齐和地图障碍,导致更高的定位精度。结合高精度的优点AMCL扫描匹配和稳定的姿势,我们提出的方法提高了定位精度,同时保持其鲁棒性。实验结果证明了该方法的有效性和可行性。本文提出的改进AMCL算法有两种构成输出:粒子群的加权平均数,更稳定,scan-matching解决方案,更准确。其中一个姿势可以选择满足需要定位在实际应用的连续性和准确性。这种方法的性能依赖于激光传感器的准确性。当移动机器人,有姿态估计的不确定性。估计姿势将提高更高的激光传感器的扫描频率。

数据可用性

使用的实验数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

本文是由中国国家自然科学基金的支持,没有。61672244。

引用

1. p .肖y烹调的菜肴,r·郭m . r . Wang和y太阳,”研究激光导航系统的智能巡逻机器人,”Zidonghuayu Yibiao /自动化和仪表,27卷,不。5、5 - 9,2012页。视图:谷歌学术搜索
2. 赵,j .顾y Ou, w·张,j . Pu和h .彭“使用卡尔曼滤波器,IRobot self-localization”2016年IEEE信息与自动化国际会议上(ICIA),页801 - 806,浙江,中国,2016年8月。视图:出版商的网站|谷歌学术搜索
3. a .霍农s Oßwald、d·迈尔和m . Bennewitz“蒙特卡罗定位对于仿人机器人导航在复杂的室内环境,”国际仿人机器人技术杂志》上,11卷,不。2,1441002条,2014年。视图:出版商的网站|谷歌学术搜索
4. f . Dellaert d·福克斯、w . Burgard和杜伦,“蒙特卡罗定位为移动机器人”学报1999年IEEE机器人与自动化国际会议上(猫。No.99CH36288C),页1322 - 1328年,底特律,MI,美国,1999年。视图:出版商的网站|谷歌学术搜索
5. 杜伦,d·福克斯、w . Burgard和f . Dellaert“健壮的蒙特卡罗定位为移动机器人,”人工智能,卷128,不。1 - 2、99 - 141年,2001页。视图:出版商的网站|谷歌学术搜索
6. e . Ivanjko a Kitanov,佩特,“基于模型的卡尔曼滤波器移动机器人self-localization”机器人定位和地图构建InTech,的哲理,2010。视图:出版商的网站|谷歌学术搜索
7. 杜伦,w . Burgard d·福克斯,概率的机器人,麻省理工学院出版社,2005年。
8. f .周、江w . s .问:李黄懿慧张曾x, y吴,“移动目标定位和跟踪算法:基于粒子滤波的方法,”软件学报,24卷,不。8,2196 - 2213年,2013页。视图:出版商的网站|谷歌学术搜索
9. 孟b·f·张x p, h .曰“移动机器人定位方法的概述,山东工业技术22卷,第250 - 250页,2014年。视图:谷歌学术搜索
10. 陈j . Tang y, a . Jaakkola j . Hyyppa j . Liu和h . Hyyppa”Navis-an作出室内定位系统利用激光扫描匹配对于大面积实时应用程序,”传感器,14卷,不。7,11805 - 11824年,2014页。视图:出版商的网站|谷歌学术搜索
11. y, b .英航w·j·崔y和z,“基于马尔可夫蒙特卡罗的室内定位算法”,西安电子科技大学学报,43卷,不。2、145 - 149年,2016页。视图:谷歌学术搜索
12. 彭译葶。李,I.-H。李,中州。简,W.-Y。王,c c。许”,改进的蒙特卡罗定位与健壮的取向估计基于云计算”2016年IEEE国会进化计算(CEC)加拿大温哥华,页4522 - 4527,2016年7月。视图:出版商的网站|谷歌学术搜索
13. l . x丁w·j·道,“设计和实现定位导航的室内移动机器人在未知的环境中,“军械自动化,3卷,2018年。视图:谷歌学术搜索
14. r . Hanten美国巴克、美国Otte和a·泽尔”Vector-AMCL:基于矢量的自适应蒙特卡罗定位室内地图,”智能自治系统14施普林格,页403 - 416年,2017年。视图:出版商的网站|谷歌学术搜索
15. 美国太阳、t·李和t . p . Sattar”通过KLD-resampling调整样本量在粒子过滤器,”电子信件卷,49号12日,第742 - 740页,2013年。视图:出版商的网站|谷歌学术搜索
16. d, f . Geißer b . Nebel,“在动态环境下有效的定位,”2016年IEEE / RSJ智能机器人和系统国际会议(——)大田,页4517 - 4523年,韩国,2016年10月。视图:出版商的网站|谷歌学术搜索
17. b . Sarkar s萨哈,p . k .朋友”小说的方法计算的重要性权重在蒙特卡洛定位线基于航段地图,”机器人和自治系统卷。74年,51 - 65,2015页。视图:出版商的网站|谷歌学术搜索
18. e . Pedrosa a·佩雷拉,n .刘”有效定位基于扫描匹配与连续可能性领域,”2017年IEEE国际会议上自主机器人系统和竞赛(ICARSC)Coimbra,页61 - 66年,葡萄牙,2017年4月。视图:出版商的网站|谷歌学术搜索
19. f . h . Liu, b方,x张“机器人room-level本地化使用多套声纳测量,”IEEE仪表和测量,卷66,不。1、13、2017页。视图:出版商的网站|谷歌学术搜索
20. w·赫斯·d·科勒、h·拉普和d .和或“2 d激光雷达大满贯,实时循环关闭”2016年IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”,页1271 - 1278,斯德哥尔摩,瑞典,2016年5月。视图:出版商的网站|谷歌学术搜索

版权

版权©2018帮派彭等。这是一个开放访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。