英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
崎岖地形下使用3D激光扫描仪的自主导航连续地图构建及定位
David Droeschel , Max Schwarz, Sven Behnke
摘要
在如灾害响应场景中退化环境的崎岖地形自主导航中，机器人需要创建一个未知环境的地图并在地图中定位。在本文中，我们描述了一种基于3D激光测距仪测量的同时定位和绘制地图的方法。我们通过记录零散3D扫描出的一个在机器人附近分辨率高，距离远区域分辨率低的局部多分辨率面片图来整合激光测距数据，这与测量密度以及传感器的精度相一致。通过对表面元素测量的建模，我们的方法允许高效准确的记录并利用了在线绘制地图和定位。增量构建出的局部关键姿态的密集3D地图是相互记录的。图像最优生成一个全局一致的密集3D环境地图。对局部地图向全局地图的连续记录允许了实时跟踪6D机器人的姿态。该方案通过分析在非同心高度图中的高度差异评估地形的可通过性并规划代价最优路径。本系统已经在DARPA机器人挑战赛和DLR太空机器人营中成功展示。在实验中，我们评估了本方法的精度和效率。
关键词： 地图构建；定位；崎岖地形
1 引言
自主导航是使机器人系统能够进入人类无法进入的区域如灾难场景或行星探索的关键。它需要能够同时构建未知环境的地图并在其中进行定位。这些环境可能会变得杂乱或退化，对感知算法提出挑战。为了使自主导航工作，感知到的环境地图必须足够精确，以分析特定区域是否可驾驶。除此之外，感知系统的效率也很重要，因为这种环境下经常需要在受限的车载电脑下进行实时在线地图构建和定位。
本文描述了我们的移动操作机器人Momaro上的地图构建和定位系统。该机器人是根据DARPA机器人挑战赛（DRC）的要求开发的。DRC的目标是促进对在灾难情况下能够协助人类的机器人的研究，例如2011年福岛核灾难。由于在受限的网络连接上进行远程操作，这些机器人必须解决八项与救灾有关的任务。尽管DRC展示了机器人在灾难响应场景中执行任务的潜力，但它也显露出了在非结构化环境中（也由于缺乏可用的感知方法），完全自主的导航和操作仍超出现有技术的水平。
图1。移动操作机器人Momaro在DLR SpaceBot营地采集土壤样本。在没有操作者干预的情况下，机器人学习了先前未知环境的地图并在地图中定位，自动导航到事先在粗糙环境地图中指定的目标姿态。
与可以遥控导航的DRC不同，2015 DLR SpaceBot夏令营的重点是自主性。基于一张粗糙的环境地图，机器人必须探索一个先前未知的类似行星的环境，并执行一组移动操作任务。图1展示了我们的机器人Momaro在采集土壤样本。通过一个三维连续旋转激光扫描仪，Momaro获得了所有空间方向的距离测量。环境的三维扫描整合在一个以机器人为中心的局部多分辨率地图中。6D传感器的运动是通过使用我们高效的基于面片的记录方法记录三维扫描到地图上。为了获得环境的非同心地图并在其中进行定位，使用相同的基于面片的记录方法的各个局部地图相互对齐。构造了一个连接相邻关键位姿的位姿图，并对其进行全局最优化。通过优化后的位姿图对机器人进行定位，我们也可以在大回路的更大环境中获得精确的估计，而基于滤波器的方法会得到不精确的估计。基于图形的公式允许全局最小化累积误差，从而得到精确的环境地图和定位姿势。
论文的剩余部分描述了我们在DRC决赛和DLR太空机器人营期间使用的激光感知系统。在DRC期间，只有用于构建机器人直接邻近区域的以自我为中心地图的局部地图构建组件。该地图被用于操作者规划运动和校正与先前获得的局部地图对齐时机器人的里程漂移。系统的这一部分在第4节和第5节中进行了描述，基于我们在[1]中的先前工作。除了局部地图构建，我们的非同心地图构建组件[2]用于在DLR SpaceBot营期间实现完全自主导航，并在第6节中进行了描述。
在本文中，我们展示了一个完整的连续地图构建和定位系统，完全集成在我们的导航系统中并进行了广泛的测试。按照给定要求建立一个完全整合的系统，使我们比先前的工作取得了以下进步：
1.我们扩展了我们的局部多分辨率地图，以解决环境中的动力学问题。通过有效保持占用信息，我们提高了地图的质量和记录的鲁棒性。
2.我们扩展了我们的非同心地图构建系统以允许在任务期间完全连续的地图构建和定位，而无需事先对环境进行地图构建或停止以获取新的三维扫描并进行处理。
3.在评估部分，我们展示了在DARPA机器人挑战总决赛和DLR SpaceBot 2015夏令营期间获得的数据。
我们的地图构建管道是开源的，可以供其他研究人员使用，以便于发展机器人的应用，为系统做出贡献，并用于比较和复制结果。
2 相关工作
对于在杂乱和退化环境中工作的移动地面机器人，三维激光扫描仪是地图构建和定位的首选传感器。它们提供精确的距离测量，几乎独立于照明条件，并具有宽阔视野。
许多研究小组[3-6]已经研究了使用三维激光扫描仪进行地图构建的方法。基于激光的同步定位与地图构建（SLAM）领域内一个常见研究课题是效率和可扩展性，即保持高运行性能和低内存消耗。为了同时获得内存和运行效率，我们构建了传感器附近具有高分辨率而远离传感器区域分辨率粗糙的局部多分辨率面片栅格地图。局部多分辨率很好地对应了传感器的测量特性。测量值整合在栅格单元中，并汇总在用于记录的表面元素（面片）中。我们的记录方法同时匹配所有分辨率的三维扫描，利用两个地图之间可用的最佳公共分辨率，这也使得记录是有效率的。在之前的工作[7,8]中，我们在八叉树体素的表达中也使用了这个概念。
为了将新获得的三维扫描与目前整合的地图对齐，我们使用了基于面片的记录方法[1]。与许多基于迭代最近点（ICP）算法的点集记录方法相比，我们的方法通过面片的概率赋值来恢复两点集之间的变换。最近，点集配准的概率方法越来越流行，并显示出有希望的结果[10-12]。
Hornung等人[13] 实现了一个基于八叉树的多分辨率地图构建（OctoMap）。Ryde等人[14] 使用体素列表进行有效的邻居查询。这两种方法都以在体素作为最小的地图元素进行3D地图构建。3D-NDT[15]在3D栅格中离散点云，并在栅格单元内对齐高斯统计信息以执行扫描记录。
Belter等人[16] 同样建议使用不同分辨率的局部栅格地图。与我们的方法相反，不同的传感器使用不同的地图分辨率，从而为每个传感器生成统一的栅格地图。赫伯特等人提出高程图[17]，通过为每个栅格单元添加高度来扩展二维栅格图。虽然高程图只对单个表面建模，但多级表面图[18]在每个栅格单元中存储多个高度，允许对具有多个表面的环境（例如桥梁）进行建模。Pfaff等人[19] 提出了一种在高程图中检测闭环的方法。Fankhauser等人[20] 使用局部高程图，通过在地图中传递机器人姿态的不确定性来处理漂移。
我们的地图构建系统已经成功地应用于微型飞行器（MAV），实现完全自主导航[21]。与这项工作相比，我们不再依赖于准确的
图2。Momaro的传感头。Hokuyo激光扫描器由一个执行器带着绕着红轴旋转，以实现全向视野。IMU用于补偿扫描获取过程中的运动以及估计姿态。（欲查看本图图例中对颜色的引用的解释，请参考本文的web版本。）
视觉测距，而是不精确的车轮测距结合惯性测量单位（IMU）的测量。与其他地图构建方法相比，我们有效地构建了以机器人为中心的地图，这些地图构建在局部上与恒定的计算和内存需求相一致。我们从不同的视点姿态构造一个局部地图的非同心图，从而得到一个可以有效优化的稀疏姿态图。与我们之前的工作[22]中使用的地图构建系统相比，本文介绍的系统效率更高，以连续方式构建环境，无需停止以采集和处理新的三维扫描数据。此外，与单一的二维扫描相比，由于当前系统将密集的局部地图与非同心地图对齐，定位的鲁棒性得到了提高。虽然许多方法假设机器人在三维扫描采集期间静止不动，但一些方法还将连续旋转激光扫描仪的扫描线整合到机器人移动时的三维地图中[23–27]。
三维室内平面环境中的导航的路径规划已经得到了很好的研究[28,29]。对于非平坦地形上的导航，有几种方法根据传感器读数生成二维代价图，并在其中规划路径[30–33]。Rusu等人[34]通过一组凸多边形对三维地图建模，并调整现有的二维规划器以在三维地形中操作。Chhaniyara等人[35]和Papadakis[36]编制了关于判断地形可通过性和机器人避障的调查。在许多环境中，颜色或纹理不能提供足够的可通过信息，因此需要三维几何。我们提出了一个基于激光的三维SLAM、可通过性分析和代价最优路径规划的集成系统。
3 系统概述
Momaro配备了四个铰接式柔顺支腿，支腿末端是一对直接驱动的可转向轮。腿和可转向轮的组合允许全方位驾驶和步进运动。为了执行一系列操作任务[37]，Momaro配备了一个拟人化的上身，两个7自由度的机械手，末端是灵巧的抓手。
Momaro用于环境感知的主要传感器是其传感头上的连续旋转激光扫描仪（见图2）。它由一台Hokuyo UTM-30LX-EW二维激光扫描仪组成，该扫描仪靠Robotis Dynamixel MX-64伺服驱动器绕垂直轴旋转，以获得3D视场。因此，传感器可以在所有方向上进行测量，除了以机器人为中心的垂直轴的圆柱形盲点。2D LRF通过滑环电连接，允许传感器连续旋转。
Hokuyo二维激光扫描仪的顶角为270°，角度分辨率为0.25°，因此每次二维扫描的距离测量值为1080，称为扫描线。Dynamixel执行器以每秒0.2圈的速度旋转2D激光扫描仪，每转一圈可产生200条扫描线。如果需要更高的角度分辨率，可实现更慢的转速。对于我们目前的设置，我们每5秒旋转多达216000个点（如图4（a）所示）后获得一个完整的三维扫描。
PIXHAWK惯性测量单元安装在激光扫描仪附近，用于扫描整合和姿态估计过程中的运动补偿。
我们的软件系统的概述如图3所示。它包括装配三维扫描的预处理步骤（第5.1节）、局部地图构建（第4节和第5节）、全局地图构建（第6节）和导航规划（第7节）。
4 局部多分辨率地图
激光测距传感器的距离测量值随着机器人中心单元尺寸的增大而累积在三维多分辨率地图中。该表示由多个不同分辨率的以机器人为中心的三维栅格地图组成。在最佳分辨率下，我们使用0.25 m的单元格长度。每个栅格地图都嵌入到下一个级别中，分辨率更粗糙，单元格长度增加一倍。存储点和栅格结构如图4所示。
我们使用混合表示法，在每个单元中存储三维点测量和占用信息。连续三维扫描的点测量值存储在固定大小的圆形缓冲区中，允许基于点的数据处理，并方便高效的最近邻居查询。图5展示出了SpaceBot营期间局部多分辨率地图的基于点的表示方法。它甚至显示了一些相对较小的物体，比如机器人应该抓住的电池组。
图6展示了地图组织的一维示意图。我们的目标是对平移和旋转的有效的地图管理。单个栅格单元存储在圆形缓冲区中，以便在恒定时间内移动元素。我们将多个圆形缓冲区交错以获得三维地图。
图3。地图构建、定位和导航系统概述。测量值在第5.1节所述的预处理步骤中进行处理。生成的三维点云用于估计当前扫描和地图之间的转换（第5节）。已记录的扫描存储在局部多分辨率地图中（第4节）。局部地图的关键帧视图在SLAM图中相互记录（第6节）。2.5D高度图用于评估通过性。一个标准的基于二维栅格的方法用于路径规划（第7节）。
（a） 三维扫描。 （b） 地图上的点。
（c） 地图中的栅格单元格。 （d） 在地图中的面片。
图4。在第一次DRC竞赛期间的局部多分辨率栅格地图。（a） ：我们的连续旋转激光扫描仪获得的三维扫描。（b） ：存储在局部多分辨率地图中的三维点。颜色编码离地高度。（c） ：地图的多分辨率栅格结构。单元大小（用颜色表示）随着距离机器人的距离增加而增加。（d） ：对于每个栅格单元，面片将汇总单元中的三维点。颜色编码面片的方向。（欲查看本图图例中对颜色的引用的解释，请参考本文的web版本。）
图5。照片和电池组的相应局部地图，太空机器人营地中要操纵的物体之一。颜色编码离地面的距离。（欲查看本图图例中对颜色的引用的解释，请参考本文的web版本。）
圆形缓冲区的长度取决于地图的分辨率和大小。在机器人平移的情况下，只要有必要，循环缓冲区就会移动，以保持地图的自我中心特性。如果平移距离等于或大于单元长度，则相应维度的圆形缓冲区将移动。对于子单元格长度的平移，如果平移部分超过单元格的长度，则会进行累积和移动。
由于我们为每个单元存储三维点进行基于点的处理，所以添加时将单个点转换到单元的局部坐标框架中，
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237868]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
