《机器人操作系统ROS应用实践》ch05 移动机器人自主导航.pptxVIP

第五章移动机器人自主导航机器人操作系统ROS应用实践 目录content基于地图的定位5.15.3基于地图的自主导航5.2本章小结 5.1基于地图的定位1蒙特卡罗定位蒙特卡罗定位（Monte Carlo Localization，MCL）算法是一种概率算法，其将机器人当前位置看成许多粒子的密度模型，采用基于粒子滤波的方法来进行定位。每个粒子可以看成机器人在此位置的假设。蒙特卡罗定位算法可以用在带有外部距离传感器（如激光雷达）的机器人系统上。激光雷达可测量各个方向上机器人与最近障碍物之间的距离。在每个时间点上，机器人都会获得激光雷达的测量值。 5.1基于地图的定位1蒙特卡罗定位如图所示，图（a）中，三角形代表机器人，直线代表激光束，正方形格子是机器人在该激光束方向上检测到的最近障碍物；图（b）为占据栅格地图（Occupancy Grid Map），其中白色格子表示障碍物，黑色格子表示空白位置。（a） （b） 5.1基于地图的定位1蒙特卡罗定位如图所示，蒙特卡罗定位算法的步骤如下。初始化粒子群。定义粒子群大小为M，在机器人初始位姿已知的情况下，可复制M个初始位姿作为初始粒子群；而在初始位姿未知的情况下，可利用高斯分布随机采样的方法初始化粒子群，即使粒子均匀分布在地图上。 5.1基于地图的定位1蒙特卡罗定位如图所示，蒙特卡罗定位算法的步骤如下。模拟粒子运动。模拟粒子运动可以根据机器人的运动模型，对任意粒子做下一时刻的运动估计，从而得到下一时刻的粒子群，这种方法需要准确地对机器人做运动建模；然而有些时候机器人的运动模型难以建立，可以利用机器人运动的连续性（在两个相邻的采样时间间隔内机器人的运动范围是有限的），使用随机函数生成粒子来描述机器人可能运动到的位置。 5.1基于地图的定位1蒙特卡罗定位如图所示，蒙特卡罗定位算法的步骤如下。计算粒子评分。对于激光雷达采集的每个点，激光雷达读数与地图的匹配有四种情况，如表所示。 5.1基于地图的定位1蒙特卡罗定位如图所示，蒙特卡罗定位算法的步骤如下。粒子群重采样。在每次评分结束后，会发现有些粒子评分很低，即这些粒子严重偏离了机器人的可能位姿，这些粒子必须舍弃掉，以提高粒子群的质量与收敛速度；而有些粒子的评分则很高，并且这些粒子的评分都很接近，则需要保留这些粒子。但直接将评分过低的粒子舍弃必然会减少总粒子数，为了保持粒子群规模大小不变，可以对高得分的粒子进行简单的复制重采样，以保持粒子总数不变。这就是粒子群重采样的过程。 5.1基于地图的定位1蒙特卡罗定位根据上述四个步骤可知，蒙特卡罗定位算法具有如下优点。无须对机器人进行运动建模即可以对机器人的全局位姿进行估计。无须知道机器人的初始位姿。计算过程消耗的内存较少，计算量较小，计算结果较为准确。机器人运动位姿的估计非常平滑，适合做移动机器人的导航控制。算法容易实现。 5.1基于地图的定位1蒙特卡罗定位根据上述四个步骤可知，蒙特卡罗定位算法具有如下缺点。一旦机器人位置出现跳变，蒙特卡罗定位算法将失效（存在“机器人绑架”问题）。定位精度与粒子数有关，提高定位精度需要使用大量粒子。定位收敛速度较慢。 5.1基于地图的定位2自适应蒙特卡罗定位为解决蒙特卡罗定位算法的一些弊端，人们开发出了它的许多改进版本，其中自适应蒙特卡罗定位（Adaptive Monte Carlo Localization，AMCL）算法颇为有效。由于蒙特卡罗定位算法在粒子群重采样步骤中，可能会意外丢弃所有正确位姿附近的粒子。当粒子数很小（如50个），并且扩散到比较大的区域中（如全局定位过程）时，这个问题的严重性就充分显示出来了。 5.1基于地图的定位2自适应蒙特卡罗定位这就需要对蒙特卡罗定位算法进行优化，自适应蒙特卡罗定位算法的“自适应”主要体现在两方面：一是解决粒子数固定的问题，当移动机器人定位收敛时，粒子基本都集中在一处，此时可以适当减少粒子数；二是解决“机器人绑架”问题，当发现粒子的平均分数突然降低了（正确的粒子在某次迭代中被抛弃了）时，在全局区域再重新散布一些粒子。 5.1基于地图的定位2自适应蒙特卡罗定位amcl功能包的主题与服务amcl功能包订阅的主题如下。tf（tf/tfMessage）：表示坐标变换信息。initialpose（geometry_msgs/PoseWithCovarianceStamped）：表示用于初始化粒子滤波器的均值和协方差。scan（sensor_msgs/LaserScan）：表示激光雷达测量数据。map（nav_msgs/OccupancyGrid）：设置use_map_topic参数后，amcl会订阅map主题来获取地图数据，用于激光雷达定位。 5.1基于地图的定位2自适应蒙特卡罗定位amcl功能包的主题与服务amcl功能包发布的主题如下