智能物流機器人中的SLAM自主導航技術研究

摘要：首先介紹了SLAM自主導航技術的含義，然后對SLAM系統結構進行了分析，在此基礎上，對SLAM算法進行了研究，從實際建模角度出發(fā)，對現階段SLAM存在的關鍵性問題進行了詳細闡述，旨在為我國物流產業(yè)的智能升級提供一定的理論參考。關鍵詞：SLAM自主導航技術；系統結構；算法

0

引言在倉儲管理系統中，用機器人作為物理載體，綜合機器人、人工智能、機電一體化控制等先進技術，能有效提高倉庫物資的出入庫、移庫和盤庫的智能化程度。而將SLAM自主導航技術應用于物流機器人中，能保證機器人高度的智能化及強大的環(huán)境適應能力，從而有效提升企業(yè)物流效率，降低生產成本。

1

SLAM自主導航技術SLAM技術是通過機器人的位置信息構建環(huán)境地圖，再從已構建的地圖確定機器人的當前位置，即機器人通過傳感器獲取環(huán)境信息，系統根據獲取的信息，求解自身方位并確定環(huán)境地圖。物流倉儲環(huán)境較為復雜，且機器人需要完成較多的工作，因此其位置信息將不斷發(fā)生變化，利用SLAM技術，可完成機器人自主定位、對目標進行有效跟蹤和操作、實現自主路徑規(guī)劃和導航、自動避開障礙物等操作，可大幅提高倉儲系統的智能性和自主性。

2

SLAM系統結構機器人自身配備有傳感器等設備，其移動過程的位姿是通過對傳感器信息進行估算而得到的。但傳感器受自身精度等因素影響，其獲取的信息會存在一定誤差，因此還必須對環(huán)境路標進行有效觀測，通過獲取的環(huán)境路標信息，對機器人位姿進行矯正，環(huán)境信息中可識別的特征越多，估算的位姿也越精確，其系統結構如圖1所示。如圖1所示，SLAM對機器人的位姿估算可分為4個部分：（1）對機器人的當前位姿進行確認，并輸入相應的控制變量信息，從而預估出機器人在下一時刻的位姿；（2）提取傳感器獲取的環(huán)境特征數據，并進行數據關聯；（3）對路標特征進行狀態(tài)觀測；（4）將觀測到的路標信息用于矯正機器人的預測位姿，同時更新環(huán)境地圖。3

SLAM算法研究SLAM技術中對不確定的環(huán)境信息是通過概率計算的方法進行估算處理，現階段常用的有卡爾曼濾波算法和基于粒子濾波的算法。3.1SLAM的卡爾曼濾波算法卡爾曼濾波算法是將機器人的位姿和環(huán)境特征信息建立一個動態(tài)循環(huán)，并將其進行迭代校正，其公式為：X=[rm]T式中，r為移動機器人的位姿；m為地圖信息；將r和m共同儲存在狀態(tài)向量X中?？柭鼮V波算法是符合高斯分布條件的最優(yōu)貝葉斯估計方法，但該方法只適用于解決線性問題。由于實際環(huán)境中非線性問題較多，所以將標準卡爾曼濾波算法用一階泰勒進行展開，即EKF算法，EFK算法是把環(huán)境特征和機器人的位姿構建到一個高維狀態(tài)空間中再進行估算。因此，EKF算法在進行不確定信息的處理時有較多優(yōu)點，現階段已被較多地應用于SLAM的研究中。3.2SLAM的粒子濾波算法粒子濾波算法是用許多的粒子去獲取更為精確的地圖環(huán)境信息，如常用的基于Rao-Blackwellised粒子濾波器（RBPF）算法，RBPF算法是對大量的粒子運動重復采樣，并通過粒子運動的軌跡信息對地圖進行完善，使得由粒子構建起的“粒子地圖”更加準確。在計算過程中，卡爾曼濾波、EKF算法都要求系統滿足高斯分布條件，而實際模型中往往非高斯、非線性的系統較多，用粒子濾波算法能更好地處理該類問題。

4

SLAM技術中的關鍵性問題4.1SLAM的不確定性不確定性是SLAM技術中的最主要問題，造成構建地圖不夠精確的主要原因有兩點：一是機器人自身配備的傳感器受精度等因素影響，造成其獲取的信息與真實值有一定誤差；二是外界如環(huán)境噪聲產生的干擾導致的誤差。其具體表現如下：（1）機器人在移動過程中出現打滑、未知外力的干擾等現象造成的不確定性；（2）機器人自身的傳感器，如測量精度、分辨率等造成的對環(huán)境特征觀測結果誤差；（3）由于環(huán)境噪聲的存在，將觀測數據與地圖數據進行匹配時，數據關聯發(fā)生錯誤造成的不確定性。由于存在種種不確定性，所以運用SLAM技術建立的模型往往不夠精確，在實際測量時，可以采用給機器人配置分辨率更高的傳感器，以提高獲取信息的精度，抑或是采用多傳感器獲取信息，并將數據進行融合，提高測量準確度，同時也應注意對環(huán)境噪聲進行排除，以減小誤差。4.2SLAM技術中的數據關聯數據關聯是將地圖中已觀測的數據與當前觀測的數據建立對應關系，并判斷數據特征是否相同，SLAM技術的準確性在很大程度上由數據關聯性決定，其影響因素主要有3點：（1）將數據進行錯誤關聯后，會對數據特征的來源判斷錯誤，從而導致對移動機器人位姿的估計、對地圖的構建錯誤；（2）地圖環(huán)境中存在著較多的不確定因素，如環(huán)境噪聲等，也會影響數據關聯的準確性；（3）對數據進行關聯計算有多種算法，不同的算法對SLAM的影響較大，常用的算法有最近鄰數據關聯法、概率數據關聯法、幾何關系數據關聯法等，對不同的模型應選擇不同的算法，以提高計算的準確度。數據關聯在視覺SLAM上也被稱為“回環(huán)檢測”，其本質是當機器人移動到當前位置時，對該位置的信息進行判斷，確認其是否為之前經過的同一位置，機器人的移動隨著時間推移，其誤差將會逐漸積累，導致建圖中會存在較大的累計誤差，因此必須對其進行回環(huán)檢測。回環(huán)檢測效果圖如圖2所示。當回環(huán)檢測形成閉環(huán)，則意味著當前生成的地圖與之前的地圖更加匹配，構建的地圖更加精確，機器人能更好地完成導航工作；若回環(huán)檢測的結果無法形成閉環(huán)，則意味當前對地圖的構建與實際相差較大。因此，回環(huán)檢測在大面積、大場景地圖構建上是非常有必要的。4.3SLAM對環(huán)境地圖的表達問題移動機器人對地圖的構建主要用于自身的導航，因此必須符合以下要求：（1）構建的地圖信息必須能準確描述并充分展示環(huán)境特征；（2）構建的地圖需和任務目標相匹配；（3）構建的地圖應足夠精確，以保證受環(huán)境噪聲干擾時，仍能準確估計出機器人的當前位姿。5