基于激光雷达与视觉图像的AGV导航方法研究与实现

自动导航车（Automated Guided Vehicle,AGV）,具有高度智能、高效、可靠等特点,广泛应用于仓储物流、工业生产柔性化车间等领域,用以完成物料搬运和工作平台移动等任务。随着其用途的不断扩展,在智能无人系统中,AGV的导航方法成为研究热点。在工业生产和日常生活中,为了让AGV适应室内外非结构化动态环境,传统固定导轨和人工标识的导航方法不再独立适应此类环境。结合众多导航方法,本文提出了基于激光雷达与视觉图像的AGV导航方法,用于提升AGV在非结构化动态环境中导航的能力。为实现上述研究目标,本文对同步定位与地图构建（Simultaneous Localization And Mapping,SLAM）算法（感知）与路径规划算法（决策）两大步骤进行了详细研究。具体研究内容如下:针对基于激光雷达与视觉图像的AGV导航方法所需传感器模型及测量误差模型进行研究与构建,为SLAM算法提供相应研究基础。标定测量误差模型中的确定性参数,确定导航方法中所用传感器间的内外参数,保障实际AGV导航实验平台SLAM算法实现的准确性。针对现有单一传感器SLAM算法易受室内外环境变化影响,本文提出了一种激光视觉紧耦合的SLAM算法:将激光惯性紧耦合前端里程计作为主体,激光视觉紧耦合里程计所得结果作为位姿估计优化初值,对激光惯性紧耦合里程计的Levenberg Marquardt,LM迭代优化过程进行初值赋于;以视觉激光里程计、激光惯性里程计以及回环检测三者所对应构建的误差目标函数作为图优化的代价项,通过LM法对其迭代求解获得更为精确的位姿估计。在数据集中进行实验对比分析,验证了本文所提融合算法相较于仅依赖视觉或激光的单一传感器SLAM算法,在全局位姿估计的一致性以及局部位姿估计准确性均有所提升。针对常用全局路径规划A*算法存在规划效率较低、内存资源消耗较大、路径结果平滑度较低,且路径过于靠近障碍物等问题。本文基于大幅提高A*算法效率的JPS算法,提出了融合安全势场等级函数与优化Floyd算法的改进JPS算法。通过建立安全等级函数对栅格地图中的栅格状态进行重新赋值构建安全等级地图;同时引入目标与主方向两项偏置函数项结合安全等级函数项,进一步减少对称性搜索带来的时间消耗,改善了所规划路径的安全程度;并添加二次平滑算法流程结合Floyd算法来获得最优的全局路径节点配置。通过仿真实验对比分析,验证了本文所提改进算法相较于A*算法、JPS算法以及其它相应改进算法,在规划效率、内存资源消耗、路径结果平滑性以及路径安全性等方面均有明显改善。针对常用局部路径规划DWA算法在复杂动态环境中,存在易陷入局部极小值、难以获得全局最优的规划路径、以及易陷入二次局部最小等问题。将上述改进后的全局路径规划算法用于对DWA算法进行改进。将所获全局最优路径节点作为DWA的动态刷新目标点,设定二次局部极小值判定条件以及重规划框架,在保障路径规划的完备性的同时,提高了所规划路径的全局最优性。通过仿真实验对比分析,证明所提算法可有效解决局部极小值,以及由动态障碍物导致的二次局部极小的问题,同时提高了路径规划效率以及最优路径的寻求能力。最后,搭建了基于激光雷达与视觉图像的AGV导航实验平台,测试在不同场景中SLAM算法以及路径规划算法在该实验平台下的实际性能。在校内大尺度场景、地下车库以及室内长走廊三种实际运行环境中对SLAM算法性能进行实验评估。实验结果证明:本文所提激光视觉SLAM算法相较于常用于AGV导航的激光SLAM算法而言,位姿估计全局一致性以及地图构建准确性上均有明显提升。在SLAM算法获得室内长走廊点云地图所投影的安全等级栅格地图中对所提改进路径规划算法的有效性进行了验证,实验表明其在路径规划效率及路径规划质量上均有明显改善。综合SLAM算法以及路径规划算法在实际AGV导航实验平台上的实验结果,证明了本文所提基于激光雷达与视觉图像的AGV导航方法在多种不同室内外场景的可行性及可靠性。