知乎：Magical-E
Github：Magical-E
項目展示：【大一立項】親手搭建ROS機器人小車

1.課題背景

近年來，機器人領域飛速發展，各種技術層出不窮。從四足機器狗的運動，到阿爾法狗戰勝柯潔，再到無人駕駛上路測試，各種新發明、新成果向我們表明機器人將會給社會帶來翻天覆地的變化。未來，機器人必將會引領人們的工作進行智能化升級，幫助人們更高效、更準確、更節省成本地完成工作。隨著人工智能、云計算的發展，機器人所需要的成本不斷下降，在可以遇見的未來，一大批服務機器人將出現在前臺迎賓、餐廳送菜、養老服務、清潔康復等領域，而我國服務機器人起步較晚，但發展迅猛、需求巨大，值得引起關注。服務機器人通常應用于非確定性環境，如酒店、家庭、醫院，需要通過激光雷達、深度攝像頭等傳感器對周圍環境進行感知，還要通過語音交互與人共同協作才能完成任務。本文從服務機器人所需的基本功能入手，初步學習了所需功能的經典算法原理，并復現了經典算法在服務機器人上的效果。

2.課題研究內容與方法

服務機器人所需要的功能包括但不限于：自主移動、語音交互、環境感知、路徑規劃、目標檢測、目標跟蹤等功能，項目組自主搭建基于Arduino的底盤完成了機器人的自主移動，使用樹莓派和Jetson Nano運行ROS將Gmapping、RGB-DSLAMv2、路徑規劃（A* & TEB)、語音交互、YOLOv3目標檢測、KCF目標跟蹤等算法整合到機器人上，并檢測算法效果。

2.1底盤搭建

底盤為兩輪差速模型，采用Arduino作為下位機，樹莓派作為上位機。Arduino接收樹莓派的速度信息，通過L298N對兩個直流減速電機進行調速；并且接收霍爾編碼器數值，返回給樹莓派。樹莓派計算出速度后發送給Arduino，并且接收Arduino反饋的編碼器數值，將編碼器進行積分得出底盤的里程計信息。流程如下：

2.2 Gmapping原理與實踐

? 服務機器人想要獲得周圍的環境信息以及自身在環境中的位姿需要SLAM，目前較為經典的SLAM算法有Gmapping、Karto、Cartographer、Hector等算法，本次項目主要學習了Gmapping的原理，并檢測了小范圍建圖的效果。

原理： SLAM指實時位姿估計和地圖構建，對于激光SLAM，由于激光的數據較為準確，使用覆蓋柵格建圖可以很好地構建地圖，所以主要任務便是位姿估計。Gmapping優化了基于RBPF的粒子濾波器：1. 優化粒子耗散問題：減少重采樣次數來避免粒子多樣性被耗散:通過公式評估粒子權重的分散度，當Neff小于一定閾值時，說明粒子分布與真實情況差距較大，此時才應該進行重采樣；而Neff未小于閾值時，說明粒子分布與真實情況較為符合，可以減少重采樣次數。2. Gmapping通過改善提議分布來優化濾波器，提升proposal分布采樣的效果來減少所需粒子數，從而減少內存消耗，配合里程計僅需30個粒子便能較好地估計位姿、構建地圖：里程計給出預測后，激光雷達進行一次掃描匹配得到圖示L所代表的尖峰區域，在L區域內選擇K個點計算里程計的均值與方差，得到了真實位姿的近似分布，在高斯分布中采用的粒子有更好的效果，從而可以減少所需粒子數目。

實踐：在ROS中編譯好相關軟件包后，配置對應launch文件，添加好laser到base_link的靜態TF變換便可運行。但最開始建圖效果很差，后來發現是里程計未進行校準，在進行里程計的標定（輪徑和輪距）后效果有一定提升，最終效果如下：

如圖可見：即便Gmapping沒有回環檢測算法，但依靠粒子多樣性仍能夠在小回環中消除累計誤差。雖然目前基于圖優化的Cartographer已經基本取代gmapping，但作為經典SLAM的Gmapping憑借簡潔、計算量小等特點仍值得學習。

2.3 RGB-D SLAMv2實踐

顧名思義，RGB-D SLAMv2采用深度攝像頭，通過對RGB圖與深度圖（Depth)處理生成點云，SLAM主要分為四個部分：前端、后端、閉環檢測、建圖：

實踐：由于RGB-D SLAMv2使用g2o優化并且用點云表示三維地圖，所以在使用前首先要編譯好g2o與PCL庫。編譯完成后需要改寫launch文件，將相機的RGB圖像的topic、深度圖像的topic和相機參數的topic重映射到launch所需的話題名。由于使用點云表示三維地圖消耗的內存較大，運行時需要緩慢移動相機，效果如下：

2.4 EKF & AMCL & 路徑規劃

對于服務機器人而言，最重要的就是能夠自主移動到想要到達的位置，即自主導航。導航之前機器人首先需要定位自身位置，然后通過SLAM為機器人建立的拓撲地圖進行全局路徑規劃。全局路徑規劃器規劃好全局路徑后，為了讓機器人盡量沿著規劃的全局路徑走會，同時避免在路線中碰撞到突然出現的障礙物，局部路徑規劃器會根據激光雷達的掃描信息規劃出一條局部路徑，然后根據局部路徑不斷發送速度給底盤控制器完成導航。導航的總體框架如下：

機器人需要準確定位自身位置，由于單獨由編碼器積分得出的odom存在一定的累計誤差，可以讓線速度主要由編碼器計算，而角速度主要由IMU計算，在設置好編碼器和imu的協方差后，通過擴展卡爾曼濾波robot_pose_ekf將編碼器信息和imu信息進行融合，得出odom_combined話題：

在導航的過程中可能會出現意外情況讓里程計跑飛，為了避免這樣的情況，導航包中提供了AMCL即自適應蒙特卡羅定位的功能包用于定位機器人的位姿。AMCL是基于粒子濾波的定位方法，可以通過設置粒子數目和粒子分布情況來調節定位效果。在給定初始位姿后，該算法會在對應位置散布一定數量的粒子，機器人進行移動后，根據激光雷達掃描信息進行濾波處理，粒子會逐漸收斂得到準確位姿：

定位完成后便可以進行路徑規劃，路徑規劃包括全局規劃和局部規劃，本次項目主要采用A*全局路徑規劃器和TEB局部路徑規劃器。A*是Dijkstra的改進版，加入了啟發式函數進行估值，達到最短路徑的效果。TEB全稱Timed-Elastic-Band，是時間最短的最優控制器，基本思路為在周圍散布姿態，通過搜索樹搜索最優方案。效果如下：（紅色為全局路徑規劃路線，綠色為全局路線上突然出現障礙物后規劃的局部路徑）

當然，在真實情況中服務機器人不一定需要采用最短路徑，也就是說可以根據實際需要自己規劃一條路徑，加上局部路徑規劃器便可以按照需求自主導航。

2.5 語音交互

人們最自然的交流方式是語音，語音也是人機交互中最便捷、高效的方式，語音交互突破了傳統人機交互方式的局限性，對老人、殘障人群較為友好，在助老、迎賓等領域效果顯著。所以作為服務機器人，語音交互是必不可少的一個功能。語音交互目前分為四個部分：語音喚醒（Wake Up)、語音識別(ASR)、語義理解(NLP)、語音合成(TTS)。本次項目中采用SnowBoy開源語音喚醒庫，百度語音的語音識別、語音理解和語音合成進行語音交互。

SnowBoy是一個開源的、輕量級的語音喚醒庫，可根據用戶定制喚醒詞。在語音喚醒后，才能進行百度語音提供的識別、理解和合成功能。具體流程如下：

本次項目使用樹莓派配合樹莓派語音板完成了查看時間、查詢天氣、垃圾分類等功能，但在噪聲較大的地方語音交互效果不夠理想。

2.6 YOLOv3

深度學習是近年來機器人學最火的領域之一，目標檢測是深度學習最主要應用的課題。目標檢測可用于服務機器人的識別跟蹤，從而提高機器人的任務輔助能力。YOLO算法是由Redmon等提出的基于回歸方法的目標檢測算法，使用Darknet-53網絡架構，不斷將特征圖卷積處理得到三次預測結果，然后對三次預測結果進行抑制處理得到最終效果，流程如下：

本次項目采用Jetson Nano配合奧比中光深度攝像頭進行目標檢測.Jetson Nano是英偉達今年新推出的低功耗GPU開發板，配備128個CUDA核心。在使用GPU加速后YOLOv3攝像頭實時檢測幀率可達10幀。

2.7 KCF目標跟蹤

有了目標檢測自然需要目標跟蹤，在特殊場景下可能需要服務機器人跟隨人，或跟隨某一移動物體來完成任務。KCF算法是由Joao F. Henriques等人提出的逐幀訓練２D濾波器的跟蹤算法，其效果穩定、反應迅速。

本次項目采用深度攝像頭，首先將RGB圖像話題和深度圖像話題重映射到kcf_tracker所需話題下，然后調試相機深度參數，打印出dist_val值，乘以一定的比例系數將其控制在0.4~2之間即可，kcf_tracker原理流程如下：

2.8 APP控制

? ROS Control是一款基于ros_bridge的手機APP，通過HTTP協議連接到底盤的Master，讀取Master下的image、scan等topic并顯示出來。同時，APP還可以模擬搖桿和重力傳感發送速度給底盤，甚至可以設置目標點，通過讀取odom信息讓底盤移動到目標點。效果如下：

4.研究成果

本次項目通過分布式通訊，搭建了以樹莓派、Jetson Nano、PC共同為上位機，以Arduino Mega為下位機的ROS服務機器人，機器人總體框架如下：

完成了以下功能：

通過串口通訊完成樹莓派控制Arduino進而控制底盤的功能。

使用Gmapping進行建圖，做到1000平范圍的優良建圖效果。

通過RGB-D SLAM進行小范圍的三維重建。

使用A *全局算法和TEB全局算法進行路徑規劃完成導航，并且通過腳本在地圖中設定多個目標點，完成了每個目標點停止10秒中的多點定點巡航。

通過Snowboy語音喚醒庫和百度語音的識別、理解、合成功能做到語音交互的功能，可以進行查詢天氣、時間、垃圾的類別等。

使用YOLOv3算法做到10幀的實時攝像頭目標檢測。

通過KCF算法完成目標跟蹤的功能。

基于ros_bridge完成APP控制。
本次項目小組使用ROS將整合到了服務機器人上，完成了SLAM、多點導航、語音交互、目標檢測、目標跟蹤、APP控制等服務機器人所需的基本功能。同時小組對串口通訊、SLAM、路徑規劃進行了系統學習，也對語音交互、深度學習、計算機視覺有了一定的了解和認識。

5.創新點

本次項目通過學習ROS將許多算法整合到了服務機器人上，學會了使用開源軟件完成項目需求。ROS是一種松耦合的系統結構，可以方便開發者根據需求靈活添加不同功能模塊。同時ROS提供標準化框架，方便代碼的重復利用，也方便開發者學習開發。

6.結束語
經過這次創新立項，我們了解到了一個機器人是需要很多功能才能高效地完成任務，這說明機器人領域有很多值得探索的方向。根據估算，全球機器人市場需求巨大，而目前除了掃地機器人和無人機，其他領域尚未成功大批量落地產品，尤其是服務機器人領域，目前的產品功能有限，所以還有很多復雜的問題等待我們去解決。

7.參考文獻

[1] Grisetti, C. Stachniss, and W. Burgard, “Improved techniques for grid mapping with rao-blackwellized particle filters,” IEEE Transactions on Robotics (T-RO), vol. 23, pp. 34–46, 2007.
[2]wiki.ros.org.
[3]范麗，蘇兵，王洪元，《基于YOLOv3模型的實時行人檢測改進算法》，山西大學學報(自然科學版)，3-4，2019.

總結

以上是生活随笔為你收集整理的【大一立项】ROS服务机器人-结题报告的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。