基于MEMS激光雷達(dá)的智能輪椅SLAM研究

崔林威， 崔建偉， 黃子正， 李 響， 姜匯策

(東南大學(xué) 儀器科學(xué)與工程學(xué)院，江蘇 南京 210096)

我國(guó)人口老齡化問(wèn)題日益嚴(yán)峻，正在步入老齡社會(huì)，老年人和殘障人士的生活自理問(wèn)題日益突出。目前老年人和殘障人士多采用傳統(tǒng)的無(wú)動(dòng)力式輪椅和電動(dòng)式輪椅，面對(duì)復(fù)雜的室外環(huán)境時(shí)，僅依靠使用者無(wú)法保障安全出行，因此無(wú)法滿足使用者的出行需求[1]。另外，隨著無(wú)人駕駛、激光SLAM(Simultaneous Localization and Mapping,即時(shí)定位與地圖構(gòu)建)技術(shù)的迅速發(fā)展，依靠三維激光雷達(dá)獲取的點(diǎn)云進(jìn)行建圖，可完成室內(nèi)外環(huán)境下的路徑規(guī)劃，這對(duì)于無(wú)人輪椅的研究有一定的借鑒意義。因此，針對(duì)現(xiàn)有輪椅的出行方式，為提高老年人生活、出行的便捷性，開(kāi)展輪椅的導(dǎo)航研究對(duì)實(shí)現(xiàn)輪椅的智能化、提高老年人的出行質(zhì)量有重要意義。

多傳感器融合的智能式輪椅將是未來(lái)的發(fā)展趨勢(shì)，目前國(guó)內(nèi)外正在開(kāi)展有關(guān)智能輪椅的導(dǎo)航研究。丁佳偉[2]將腦機(jī)接口技術(shù)與SLAM技術(shù)進(jìn)行融合，將環(huán)境地圖構(gòu)建、自主避障、路徑規(guī)劃與導(dǎo)航技術(shù)加入到腦控輪椅中，實(shí)現(xiàn)腦控輪椅的自主導(dǎo)航。于福超等[3]設(shè)計(jì)了基于北斗導(dǎo)航定位的智能導(dǎo)診輪椅，采用北斗導(dǎo)航定位作為全局路徑規(guī)劃路徑信息，結(jié)合使用者操作實(shí)現(xiàn)精準(zhǔn)行走來(lái)實(shí)際解決醫(yī)院的導(dǎo)診問(wèn)題。張毅等[4]研究了基于ROS(Robot Operating System,機(jī)器人操作系統(tǒng))的智能輪椅室內(nèi)導(dǎo)航，采用激光測(cè)距儀并運(yùn)用基于擴(kuò)展卡爾曼濾波器的SLAM方法進(jìn)行建圖，使輪椅具備語(yǔ)音自主導(dǎo)航等功能。Ferracuti等[5]提出了Human-in-the-Loop框架，在室內(nèi)場(chǎng)景輪椅導(dǎo)航到目的地過(guò)程中，根據(jù)路徑規(guī)劃錯(cuò)誤后人產(chǎn)生的EEG電位作為導(dǎo)航算法的附加輸入，實(shí)現(xiàn)了路徑的實(shí)時(shí)修改。Shan等[6]提出一種輕量級(jí)和地面優(yōu)化的激光雷達(dá)測(cè)距和建圖算法(LeGO-LOAM)，適用于具有可變地形的復(fù)雜環(huán)境，可對(duì)移動(dòng)機(jī)器人進(jìn)行位姿估計(jì)，并可實(shí)時(shí)估計(jì)地面車輛的六自由度位姿，可用于無(wú)人車的建圖與位姿估計(jì)。

以上研究在一定程度上實(shí)現(xiàn)了輪椅的自主導(dǎo)航，但也存在二維雷達(dá)檢測(cè)精度不足、北斗定位信息存在誤差，以及在復(fù)雜環(huán)境下導(dǎo)航功能下降的問(wèn)題。因此，本文結(jié)合百度地圖和MEMS三維激光雷達(dá)研究了智能輪椅的室外SLAM算法，在移動(dòng)區(qū)域未建圖時(shí)，借助百度地圖的路徑規(guī)劃信息使用輪椅，同時(shí)利用激光雷達(dá)進(jìn)行三維建圖；完成建圖后，僅依靠導(dǎo)航、避障算法完成輪椅的移動(dòng)和環(huán)境感知，從而提高了輪椅的智能化水平和安全性能。

1 系統(tǒng)方案

所設(shè)計(jì)的系統(tǒng)旨在通過(guò)ROS和MEMS固態(tài)激光雷達(dá)完成輪椅室外行駛過(guò)程中的環(huán)境建模、路徑規(guī)劃和避障功能，結(jié)合百度地圖導(dǎo)航與激光雷達(dá)完成三維環(huán)境建模，進(jìn)而在不依靠百度地圖的情況下完成路徑規(guī)劃，從而實(shí)現(xiàn)輪椅的自主移動(dòng)。

系統(tǒng)的硬件部分包括MEMS固態(tài)激光雷達(dá)、工控機(jī)、輪椅電機(jī)和編碼器。其中，MEMS固態(tài)雷達(dá)用于掃描輪椅前方道路的激光點(diǎn)云；工控機(jī)安裝Ubuntu 16.04操作系統(tǒng)和ROS平臺(tái)，用于獲取、處理點(diǎn)云數(shù)據(jù)，完成室外環(huán)境建模和路徑規(guī)劃，并將移動(dòng)指令發(fā)送給輪椅內(nèi)部的嵌入式控制板，驅(qū)動(dòng)輪椅電機(jī)控制輪椅的前、后、左、右移動(dòng)；編碼器用于獲取輪椅的精確移動(dòng)信息，并提供里程計(jì)信息。機(jī)器人硬件系統(tǒng)如圖1所示。

圖1 機(jī)器人硬件系統(tǒng)

2 智能輪椅三維環(huán)境建圖

2.1 三維激光雷達(dá)

為了使智能輪椅具備導(dǎo)航功能，需要在輪椅移動(dòng)過(guò)程中預(yù)先使用雷達(dá)、深度攝像頭等傳感器對(duì)環(huán)境進(jìn)行建圖，建圖的精確度會(huì)影響到路徑規(guī)劃的準(zhǔn)確性?？紤]到攝像頭易受室外強(qiáng)光、反射等環(huán)境因素的影響，且二維激光雷達(dá)不能全面反映路面信息，因此選用速騰聚創(chuàng)公司的激光雷達(dá)RS-LiDAR-M1。該款雷達(dá)相比其他激光雷達(dá)，不但同樣具有體積輕巧、成本低等優(yōu)點(diǎn)，而且便于安裝在移動(dòng)機(jī)器人上。該雷達(dá)等效于125線激光雷達(dá)，在2D MEMS振鏡快速震動(dòng)的同時(shí)發(fā)射高頻率激光束對(duì)外界環(huán)境進(jìn)行持續(xù)掃描，經(jīng)過(guò)測(cè)距算法得到三維空間點(diǎn)云數(shù)據(jù)后便可獲得環(huán)境的深度信息，從而獲取準(zhǔn)確的三維路面信息，使機(jī)器人更好地感知周圍的環(huán)境，MEMS固態(tài)激光雷達(dá)如圖2所示，其參數(shù)如表1所示[7]。

圖2 MEMS固態(tài)激光雷達(dá)

表1 RS-LiDAR-M1激光雷達(dá)參數(shù)對(duì)比

2.2 激光點(diǎn)云獲取

在ROS平臺(tái)中，激光雷達(dá)可以作為子節(jié)點(diǎn)以話題(Topic)的形式輸出點(diǎn)云的三維坐標(biāo)。通過(guò)訂閱該話題便可獲取實(shí)時(shí)點(diǎn)云數(shù)據(jù)，同時(shí)可以通過(guò)可視化工具Rviz進(jìn)行點(diǎn)云的可視化呈現(xiàn)[8]。

圖3為RS-LiDAR-M1在室外采集的激光點(diǎn)云數(shù)據(jù)利用Rviz工具呈現(xiàn)的點(diǎn)云可視化結(jié)果。由圖3可以看出，MEMS激光雷達(dá)獲得的點(diǎn)云比較密集，能夠真實(shí)反映出環(huán)境中的人、物體等信息，有助于提高室外環(huán)境建模的準(zhǔn)確度。

圖3 MEMS雷達(dá)室外激光點(diǎn)云

2.3 室外三維場(chǎng)景建模

SLAM技術(shù)是移動(dòng)機(jī)器人研究的熱點(diǎn)，用于實(shí)現(xiàn)機(jī)器人的實(shí)時(shí)建圖和定位，包括地圖表示、前端雷達(dá)數(shù)據(jù)處理、后端噪聲處理、回環(huán)檢測(cè)和地圖融合4個(gè)步驟[9-10]。激光SLAM能夠穩(wěn)定、準(zhǔn)確地建圖，主流算法有：基于關(guān)鍵點(diǎn)的LOAM及改進(jìn)算法LeGO-LOAM 和A-LOAM、LIO等[11]。LeGO-LOAM算法具有輕量化的特點(diǎn)，能夠在低功耗嵌入式系統(tǒng)上實(shí)現(xiàn)實(shí)時(shí)姿態(tài)估計(jì)，其運(yùn)行時(shí)間短，可用更少的計(jì)算時(shí)間實(shí)現(xiàn)較高的位置估計(jì)精度，可進(jìn)行地面點(diǎn)云優(yōu)化等。這些優(yōu)點(diǎn)適合應(yīng)用于智能輪椅的室外建圖，因此選用LeGO-LOAM算法進(jìn)行三維建圖。

另外，本文選用的激光雷達(dá)采集點(diǎn)云的速度為每秒75萬(wàn)點(diǎn)，高密度的點(diǎn)云能夠保證建圖算法的精確度，但同時(shí)也增加了工控機(jī)的處理負(fù)擔(dān)和建圖的時(shí)間，因此設(shè)計(jì)了融合體素柵格濾波器和LeGO-LOAM算法的建圖算法，包括點(diǎn)云濾波、點(diǎn)云分割、點(diǎn)云特征提取、位姿估計(jì)、激光點(diǎn)云建圖共5個(gè)部分，具體流程如下。

(1) 點(diǎn)云濾波。

在LeGO-LOAM算法中加入體素柵格濾波器，實(shí)現(xiàn)對(duì)原始點(diǎn)云進(jìn)行降采樣的效果，以降低點(diǎn)云的密度。在處理時(shí)將原始點(diǎn)云分割成一個(gè)個(gè)3D網(wǎng)格，并計(jì)算每個(gè)網(wǎng)格內(nèi)的點(diǎn)的質(zhì)心，用于近似表示該3D網(wǎng)格內(nèi)的其他點(diǎn)，同時(shí)在處理過(guò)程中采用下采樣，可以加速點(diǎn)云處理過(guò)程且不破壞點(diǎn)云本身的幾何結(jié)構(gòu)[12]。式(1)為計(jì)算在一個(gè)體素網(wǎng)格內(nèi)的點(diǎn)云質(zhì)心的公式。

(1)

式中：(x,y,z)為質(zhì)心坐標(biāo)；(xi,yi,zi)為體素網(wǎng)格內(nèi)的第i個(gè)點(diǎn)；k為網(wǎng)格內(nèi)點(diǎn)的數(shù)量。

(2) 點(diǎn)云分割。

點(diǎn)云分割部分用于將地面點(diǎn)云和非地面點(diǎn)云分割開(kāi)，同時(shí)對(duì)激光點(diǎn)云進(jìn)行離群點(diǎn)去除和分簇，只留下點(diǎn)數(shù)量較多的點(diǎn)云簇。

MEMS激光雷達(dá)每掃描一次路面會(huì)發(fā)送一幀數(shù)據(jù)，假設(shè)t時(shí)刻獲取的一幀點(diǎn)云為Pt={p1,p2,…,pn}，其中pi為t時(shí)刻的點(diǎn)云Pt中的一個(gè)點(diǎn)，可以將該點(diǎn)云投影到分辨率為600像素×125像素的二維圖像中，每個(gè)點(diǎn)在圖像中的像素即為實(shí)際物體距離激光雷達(dá)的距離。如圖4所示，激光雷達(dá)豎直方向的掃描角度為-12.5°～12.5°，由于激光雷達(dá)水平安裝，地面點(diǎn)必然出現(xiàn)在[-12.5°，1°] 掃描線上，因此將出現(xiàn)在該角度范圍內(nèi)的點(diǎn)視為地面點(diǎn)。

圖4 激光雷達(dá)豎直方向掃描角度

對(duì)于剩下的點(diǎn)，使用基于圖像的分割方法對(duì)距離圖像進(jìn)行分簇，同一類的點(diǎn)標(biāo)記上唯一的標(biāo)識(shí)，并將低于30個(gè)點(diǎn)的類作為噪聲點(diǎn)處理，從而可以將一些微小物體點(diǎn)(如樹(shù)葉、云等)作為噪聲去除，減少相鄰幀之間微小物體不重復(fù)出現(xiàn)對(duì)幀間匹配造成的干擾。這樣保存下來(lái)的一幀數(shù)據(jù)就是靜態(tài)物體的點(diǎn)云數(shù)據(jù)，并且具有每一類的標(biāo)簽、在距離圖像中的行列索引和像素(距離)值。

(3) 點(diǎn)云特征提取。

為了獲得t時(shí)刻和t-1時(shí)刻的姿態(tài)變換關(guān)系，需要從已分簇的點(diǎn)云里提取出點(diǎn)云的邊緣特征和平面特征，首先將距離圖像在水平方向上分成多個(gè)子圖像，然后計(jì)算子圖像中每一行點(diǎn)的曲率，根據(jù)曲率選擇出邊緣點(diǎn)和平面點(diǎn)，獲得點(diǎn)集合。

將一幀圖像劃分為6個(gè)子圖像，每個(gè)子圖像的分辨率為100像素×125像素，在每個(gè)子圖像中選取t時(shí)刻的點(diǎn)云Pt的一個(gè)點(diǎn)pi，在pi豎直方向上，左右各找5個(gè)點(diǎn)，構(gòu)建集合S，并對(duì)每個(gè)子圖像按照式(2)計(jì)算點(diǎn)在集合S中的曲率：

(2)

(4) 位姿估計(jì)。

位姿估計(jì)模塊包括特征點(diǎn)關(guān)聯(lián)和姿態(tài)解算，其中特征點(diǎn)關(guān)聯(lián)是為了將k時(shí)刻的點(diǎn)云和k+1時(shí)刻的點(diǎn)云關(guān)聯(lián)起來(lái)，姿態(tài)解算是為了估計(jì)雷達(dá)的位姿。本文選取分辨率為0.9°的高精度編碼器BCE25H5H23D獲取輪椅的移動(dòng)信息。

LeGO-LOAM算法基于提取的特征點(diǎn)構(gòu)建相鄰兩次掃描的約束關(guān)系，并使用兩次LM優(yōu)化算法得到姿態(tài)變換矩陣。其中特征點(diǎn)關(guān)聯(lián)使用Scan-to-Scan方式，分為邊緣點(diǎn)匹配和平面點(diǎn)匹配兩個(gè)部分，計(jì)算點(diǎn)到直線的距離和點(diǎn)到平面的距離,姿態(tài)解算根據(jù)匹配的特征點(diǎn)云估計(jì)激光雷達(dá)的位姿。

(5) 激光點(diǎn)云建圖。

LeGO-LOAM算法使用迭代最近點(diǎn)(Iterative Closest Point,ICP)算法進(jìn)行點(diǎn)云配準(zhǔn)，在得到一幀點(diǎn)云和相鄰幀的姿態(tài)變換信息后，會(huì)調(diào)用一次建圖函數(shù)，將t時(shí)刻的激光點(diǎn)云和t-1時(shí)刻的全局地圖特征點(diǎn)云進(jìn)行匹配，并將其加入到全局地圖中，實(shí)現(xiàn)對(duì)已有地圖的實(shí)時(shí)更新，利用GTASM優(yōu)化得到最終的全局地圖[13]。

3 百度地圖與激光雷達(dá)融合導(dǎo)航

3.1 百度地圖路徑規(guī)劃信息

為了實(shí)現(xiàn)輪椅的自主導(dǎo)航，需要在移動(dòng)區(qū)域完成雷達(dá)建圖。對(duì)于激光雷達(dá)沒(méi)有完成建圖的區(qū)域，通過(guò)開(kāi)發(fā)基于百度地圖路徑規(guī)劃的輪椅移動(dòng)方式，輪椅使用者依據(jù)百度地圖API函數(shù)提供的路徑規(guī)劃信息操控輪椅進(jìn)行移動(dòng)，同時(shí)雷達(dá)利用LeGO-LOAM算法進(jìn)行建圖，建圖完畢后就可以不依靠百度地圖完成實(shí)時(shí)路徑規(guī)劃與導(dǎo)航[14]。

為了調(diào)用百度地圖API的路徑規(guī)劃函數(shù)，需要遵循以下步驟：① 在百度地圖開(kāi)放平臺(tái)申請(qǐng)百度賬號(hào)；② 申請(qǐng)成為百度開(kāi)發(fā)者；③ 使用百度賬號(hào)獲得服務(wù)密匙(ak)；④ 發(fā)送URL，調(diào)用百度地圖的相關(guān)服務(wù)。進(jìn)而可編寫JavaScript腳本調(diào)用DrivingRoute函數(shù)和search函數(shù)實(shí)現(xiàn)路徑的查找與顯示，百度地圖API-路徑規(guī)劃如圖5所示。

圖5 百度地圖API-路徑規(guī)劃

3.2 輪椅路徑規(guī)劃及導(dǎo)航

設(shè)計(jì)的輪椅的導(dǎo)航方式包括未建模和已建模兩種情況，當(dāng)后臺(tái)不存在建模信息時(shí)，依靠百度地圖，人為操控輪椅完成移動(dòng)。在完成室外建圖后，僅依靠道路感知算法和MEMS激光雷達(dá)完成輪椅的自主移動(dòng)功能，即用戶可獲取指定目標(biāo)點(diǎn)的移動(dòng)路徑，同時(shí)輪椅自主避障，此時(shí)依賴ROS功能包完成導(dǎo)航。

ROS提供了兩個(gè)功能包：① move_base，實(shí)現(xiàn)機(jī)器人導(dǎo)航中的最優(yōu)路徑規(guī)劃；② amcl，實(shí)現(xiàn)點(diǎn)云地圖中的機(jī)器人定位。機(jī)器人只需要發(fā)布必要的傳感器信息和導(dǎo)航的目標(biāo)位置，ROS即可完成輪椅的實(shí)時(shí)路徑規(guī)劃、避障和移動(dòng)指令的發(fā)布。導(dǎo)航算法實(shí)施如下：首先，導(dǎo)航功能包需要采集MEMS激光雷達(dá)發(fā)布的點(diǎn)云信息，以達(dá)到實(shí)時(shí)避障的效果，激光雷達(dá)以10 Hz的頻率向該功能包發(fā)布話題為/rslidar_points的點(diǎn)云信息；然后，功能包訂閱機(jī)器人發(fā)布的里程計(jì)信息和坐標(biāo)變換完成自身定位，同時(shí)結(jié)合道路感知算法完成實(shí)時(shí)避障；最后，功能包輸出cmd_vel話題的控制指令，用以控制機(jī)器人完成相應(yīng)的運(yùn)動(dòng)。

3.3 路面感知算法

為了精確識(shí)別路面信息，提高輪椅安全性能，調(diào)用了RoboSense的路面感知算法RoboSense Smart Sensor感知SDK，協(xié)助導(dǎo)航算法完成道路物體感知。該SDK融合了基于幾何規(guī)則的傳統(tǒng)點(diǎn)云算法和基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)算法，可以為自動(dòng)駕駛決策規(guī)劃模塊提供像素級(jí)的全方位、結(jié)構(gòu)化、高精度的感知信息。SDK包括驅(qū)動(dòng)模塊、通信模塊和感知模塊，其中驅(qū)動(dòng)模塊提供數(shù)據(jù)解析功能；通信模塊用于對(duì)外信息的發(fā)送和接收；感知模塊作為核心子模塊，提供整體感知功能。

RoboSense Smart Sensor感知SDK能夠輸出以下信息：① 障礙物檢測(cè)信息，包括行人、騎行者、小車、大車、拖車等；② 可行駛區(qū)域信息，將路面物體圍成的封閉區(qū)域作為可行駛區(qū)域；③ 車道線信息，輸出檢測(cè)和預(yù)測(cè)到的車道線信息；④ 道路邊界信息，以檢測(cè)和預(yù)測(cè)的方式輸出邊界信息。通過(guò)調(diào)用SDK輸出的路面感知結(jié)果即可獲得準(zhǔn)確的路面信息，從而保證輪椅實(shí)時(shí)導(dǎo)航過(guò)程中的安全性。

4 實(shí)驗(yàn)

筆者在激光雷達(dá)上研究了三維激光點(diǎn)云獲取與基于體素網(wǎng)格濾波器和LeGO-LOAM的三維建圖算法，然后進(jìn)行了智能輪椅的導(dǎo)航技術(shù)研究，包括基于百度云和三維建圖的路徑規(guī)劃和路徑規(guī)劃過(guò)程中的實(shí)時(shí)路面物體感知算法，下面按照本文設(shè)計(jì)的導(dǎo)航方式對(duì)上述研究進(jìn)行實(shí)驗(yàn)驗(yàn)證。

4.1 建圖及導(dǎo)航算法仿真

在實(shí)際測(cè)試前，對(duì)文中提出的導(dǎo)航模式、建圖和導(dǎo)航算法進(jìn)行了仿真，以保證實(shí)際應(yīng)用時(shí)的安全性。首先在Gazebo界面中導(dǎo)入一款建筑內(nèi)部的3D模型，如圖6(a)所示，然后驗(yàn)證未建圖的導(dǎo)航模式，利用鍵盤模擬人為使用百度地圖的路徑規(guī)劃信息操控輪椅移動(dòng)，在移動(dòng)過(guò)程中利用改進(jìn)的LeGO-LOAM算法進(jìn)行建模，建好的三維地圖如圖6(b)所示。

圖6 三維建圖仿真

為了利用3.2節(jié)中的ROS功能包進(jìn)行導(dǎo)航，需要將圖6(b)的三維地圖轉(zhuǎn)換為二維柵格地圖，采用Octomap庫(kù)完成二維柵格地圖的轉(zhuǎn)換，轉(zhuǎn)換后的二維柵格地圖如圖7所示。

圖7 二維柵格地圖

最后對(duì)導(dǎo)航算法進(jìn)行仿真，將圖7導(dǎo)入到導(dǎo)航算法中，當(dāng)操作者需要到達(dá)地圖的某個(gè)位置，可直接點(diǎn)擊地圖，結(jié)合避障算法，機(jī)器人可到達(dá)指定位置，路徑規(guī)劃信息和機(jī)器人的實(shí)時(shí)位置如圖8所示。仿真實(shí)驗(yàn)表明，在未建圖時(shí)利用激光雷達(dá)進(jìn)行三維建圖，然后將其轉(zhuǎn)化為二維柵格地圖，結(jié)合導(dǎo)航算法能夠?qū)崿F(xiàn)機(jī)器人導(dǎo)航，在實(shí)際控制輪椅時(shí)，訂閱導(dǎo)航功能包的cmd_vel信息可獲得輪椅的移動(dòng)指令。

4.2 智能輪椅室外三維建模

根據(jù)圖1構(gòu)建的裝有激光雷達(dá)的智能輪椅如圖9所示，并在學(xué)校內(nèi)部進(jìn)行了室外三維建模實(shí)驗(yàn)。

圖8 自主導(dǎo)航仿真

圖9 裝有激光雷達(dá)的智能輪椅

在室外環(huán)境未建圖時(shí)，輪椅無(wú)法對(duì)陌生環(huán)境進(jìn)行路徑規(guī)劃和導(dǎo)航移動(dòng)，此時(shí)利用百度云進(jìn)行路徑規(guī)劃，人工操控輪椅在室外進(jìn)行移動(dòng)建圖。圖10為基于百度云開(kāi)發(fā)的地圖可視化操作界面，用戶可利用該界面操控輪椅到達(dá)目標(biāo)位置。

圖10 基于百度云的地圖可視化界面

按照?qǐng)D10中的路徑控制輪椅移動(dòng)，同時(shí)使用激光雷達(dá)采集實(shí)時(shí)激光點(diǎn)云。利用融合體素網(wǎng)絡(luò)濾波器的LeGO-LOAM算法進(jìn)行三維建圖，并進(jìn)行點(diǎn)云濾波、點(diǎn)云分割、地面點(diǎn)優(yōu)化等處理，原始點(diǎn)云如圖11(a)，濾波后的點(diǎn)云如圖11(b)所示。在Rviz界面上顯示的已建好的三維地圖如圖12所示， RS-LiDAR-M1采集的高密度點(diǎn)云配合建圖算法可使建好的圖能更真實(shí)地反映路面環(huán)境。

圖11 激光雷達(dá)點(diǎn)云濾波

圖12 激光點(diǎn)云三維建圖

為了與上述建圖算法進(jìn)行對(duì)比，采用LOAM算法也進(jìn)行了三維建圖，實(shí)驗(yàn)發(fā)現(xiàn)，在室外建圖時(shí)，LOAM算法提取的特征較多，往往會(huì)將草叢、樹(shù)葉等特征提取出來(lái)。但在實(shí)際應(yīng)用中，建好的地圖只需要包含車道線、路面障礙等信息即可，特征過(guò)多也會(huì)造成地圖冗余。另外，LeGO-LOAM算法在運(yùn)行速度上降低了60%，能夠更高效率地完成建圖。

4.3 智能輪椅導(dǎo)航感知實(shí)驗(yàn)

在完成建圖后，根據(jù)導(dǎo)航仿真實(shí)驗(yàn)過(guò)程，將圖12構(gòu)建的三維地圖轉(zhuǎn)換為二維地圖，并導(dǎo)入到ROS的導(dǎo)航算法包內(nèi)，在該段路徑進(jìn)行了導(dǎo)航實(shí)驗(yàn)。

輪椅在長(zhǎng)20.5 m的路徑內(nèi)進(jìn)行了實(shí)驗(yàn)，輪椅能夠在完成建圖的情況下，到達(dá)指定目標(biāo)位置，同時(shí)在移動(dòng)過(guò)程中能夠調(diào)用感知算法識(shí)別路面的物體信息，實(shí)現(xiàn)實(shí)時(shí)避障功能，室外實(shí)驗(yàn)及路面感知效果如圖13所示，其中圖13(a)為輪椅和實(shí)驗(yàn)人員，圖13(b)為導(dǎo)航過(guò)程中調(diào)用物體感知算法獲取的路面識(shí)別信息，進(jìn)而機(jī)器人能夠根據(jù)障礙物信息主動(dòng)避障。在圖13(b)中可以看到識(shí)別到的車輛(CAR)、車道線(紅色直線)、其他障礙(Barrier)等，輪椅在進(jìn)行目標(biāo)分類時(shí)，智能輪椅導(dǎo)航指標(biāo)如表2所示。

圖13 室外實(shí)驗(yàn)及路面感知效果

表2 智能輪椅導(dǎo)航指標(biāo)

另外，在實(shí)驗(yàn)過(guò)程中，受灌木、草叢等因素的影響，可能導(dǎo)致輪椅出現(xiàn)誤識(shí)別現(xiàn)象。路面目標(biāo)檢測(cè)結(jié)果與部分錯(cuò)誤分類結(jié)果的對(duì)比圖如圖14所示。由圖14可以看到，出現(xiàn)了將Barrier誤識(shí)別為CAR的結(jié)果，在誤識(shí)別時(shí)需要機(jī)器人將識(shí)別結(jié)果、路徑規(guī)劃信息與人為控制靈活結(jié)合起來(lái)，輔助完成輪椅的移動(dòng)，避免因誤識(shí)別導(dǎo)致出現(xiàn)輪椅安全問(wèn)題。

圖14 路面感知效果對(duì)比

5 結(jié)束語(yǔ)

在ROS平臺(tái)下研究了智能輪椅的室外場(chǎng)景建模、路徑規(guī)劃與導(dǎo)航感知算法。針對(duì)激光雷達(dá)采集的三維激光點(diǎn)云密度較大的問(wèn)題，在LeGO-LOAM算法中融合了體素網(wǎng)格濾波器，在保證建圖精度的同時(shí)減少了建圖時(shí)間；然后研究了百度地圖和激光雷達(dá)融合的輪椅導(dǎo)航移動(dòng)方式，同時(shí)在導(dǎo)航移動(dòng)時(shí)調(diào)用路面感知SDK獲取實(shí)時(shí)的路面環(huán)境信息，實(shí)現(xiàn)了實(shí)時(shí)避障，該導(dǎo)航模式能夠保障輪椅導(dǎo)航過(guò)程中的安全性能，為智能輪椅的研發(fā)提供一定的借鑒。另外，下一步還需要提高輪椅的識(shí)別精確度和魯棒性，將輪椅路徑規(guī)劃信息、百度地圖和外部人為輔助更好地融合起來(lái)，并部署主動(dòng)安全模塊，通過(guò)多種激光雷達(dá)、測(cè)距模塊等多種傳感器融合實(shí)現(xiàn)輪椅的主動(dòng)安全功能，進(jìn)一步提高輪椅的安全性能。