myAgv智能移动底盘的slam算法学习以及动态避障

前言

随着科技得越来越发达，人工智能，自动驾驶导航等字眼频频出现在我们得眼前。但是目前来说自动驾驶并没有得到很全面得普及，还在进行不断的开发和测试当中。从小就爱好车的我，对这项技术也很是感兴趣。

偶然间在上网的时候买了一台SLAM小车，能够利用2D激光雷达进行建图，自动导航，动态规避等功能。今天我将我在使用这台SLAM小车进行动态避障功能的实现记录下来。在进行动态避障用到的算法是DWA和TEB算法。

简单介绍一下我用到的机器

myAGV SLAM小车

myAGV 是 Elephant Robotics 的一款自动导航智能车辆。它采用了竞赛级别的麦克纳姆车轮和带有金属框架的全包裹设计。内置了一些SLAM算法来满足建图和导航方向的学习。

myAGV是以树莓派4B为微型控制板，以ubuntu为开发系统，这也是为什么选择它的原因，树莓派有世界上最大的活跃社区，拥有许多全世界各地的用户案例提供借鉴。

建图/Mapping

首先我得搭建一个场景，让myAGV在我搭建的场景里进行建图，自动导航，动态避障。

这是我简易搭建的一个场景，一些障碍物以及一些遮挡的物品。

现在开始我的建图。没有地图怎么进行导航呢，平时开车导航地图都是已经存在的，所以我要给场景进行建图，用到的gmapping算法。

Gmapping：

gmapping是一种用于在机器人上建立环境地图的算法。它是一种基于激光雷达数据的SLAM（Simultaneous Localization and Mapping）算法，可以在机器人运动时实时地构建环境地图，并同时确定机器人的位置。gmapping算法是ROS（Robot Operating System）机器人操作系统中的一个软件包，可以通过ROS的命令行工具或者编程接口来调用和使用它。

这里跟随Elephant Robotics 的Gitbook（有详细的操作方式）来进行操作。

利用激光雷达等传感器收集周围环境信息，然后通过计算机算法将这些信息组合成一幅环境地图。之后我就可以在这张地图上进行导航和动态避障等功能了。

PS：gmapping完成之后记得保存建好的地图。

我在这调用了myagv的一种控制方法，用键盘进行控制myAGV去执行建图。

自动导航

AMCL 定位

这里要介绍一个算法ACML算法，AMCL算法是一种概率机器人定位算法，它基于蒙特卡罗方法（Monte Carlo Method）和贝叶斯滤波（Bayesian Filtering）理论，通过对机器人搭载的传感器数据进行处理，实时估计机器人在环境中的位置，并不断更新机器人位置的概率分布。

AMCL算法通过以下步骤实现机器人的自适应定位：

1. 初始化粒子集合：首先，在机器人初始位置周围生成一组粒子，代表机器人可能的位置。

2. 运动模型更新：根据机器人的运动状态和控制信息，更新粒子集合中每个粒子的位置和状态信息。

3. 测量模型更新：根据机器人搭载的传感器数据，计算每个粒子的权重（即代表机器人在该粒子位置时传感器数据与实际数据的匹配程度），并通过归一化处理，将权重转化为概率分布。

4. 重采样：根据粒子的权重，对粒子集合进行重采样，从而提高定位精度并减少计算复杂度。

5. 机器人定位：根据粒子集合的概率分布，确定机器人在环境中的位置，并更新机器人状态估计信息。

通过以上步骤的循环迭代，AMCL算法可以实时地估计机器人在环境中的位置，并不断更新机器人位置的概率分布。

navigation提供了一套框架，可以让我们灵活的选择global_planner、local_planner来提供路径规划功能，其中global_planner是全局规划器，而local_planner是局部路径规划器，它们之间的有些消息，例如：全局规划的轨迹，就是在框架内部传递，没有topic可以跟踪。总的说，ROS的导航模块提供了一套机制，通过选择不同的规划器，可以实现机器人的自主导航。

可以看到除了规划器，导航模块还包括cost_map，也就是栅格地图，并且也包括了静态障碍物的信息，也就是说哪些区域可以通过哪些不可以通过。同时动态障碍物信息是通过sensor topics来发布，然后实时更新cost_map来实现动态避障。除了地图，导航模块还需要定位信息，是由amcl模块来提供定位信息，如果想采用其它的定位模块替代，只需要发布相同的topic即可。同时还要提供tf信息，也就是说不同传感器之间的转换关系，这在机器人中非常常见。机器人的位姿信息则由odometry来提供，包括机器人的速度、角度等，提供给局部规划器来规划路径。

如果不太了解，这边推荐去查阅ROS官方文档。

我们来一起看看自动导航的效果如何