基于ROS 系統(tǒng)的無人配送智能車設(shè)計(jì)

張雨晴， 呂 程， 高金鳳

（1 浙江理工大學(xué)信息科學(xué)與工程學(xué)院， 杭州 310018； 2 杭州市水務(wù)集團(tuán)有限公司， 杭州 310009）

0 引 言

隨著科學(xué)技術(shù)的進(jìn)步，機(jī)器人技術(shù)不斷創(chuàng)新，已經(jīng)在餐飲、物流等領(lǐng)域起著重要作用，代替人類從事危險(xiǎn)、重復(fù)和繁瑣的工作。 無接觸配送智能車是一種可以節(jié)省勞動(dòng)力的工具。 然而，當(dāng)前的無接觸配送小車操作繁瑣、功能單一、自動(dòng)化程度不高，尤其是在狹小、擁擠的動(dòng)態(tài)環(huán)境中無法勝任配送工作［1］。

提升智能車的集成程度、運(yùn)動(dòng)路徑精度，規(guī)劃出更合理、時(shí)間更短、平滑性更高和誤差更小的移動(dòng)路徑等問題已成為研究的重點(diǎn)［2］。 本文設(shè)計(jì)了一款基于ROS 操作系統(tǒng)的多功能無人配送智能車，該智能車可通過遙控、語音導(dǎo)航和運(yùn)動(dòng)跟隨3 種方式控制，以實(shí)現(xiàn)物資的配送。

1 硬件結(jié)構(gòu)方案

1.1 總體框架

遠(yuǎn)程控制設(shè)備和無人配送智能車的連接示意圖如圖1 所示。 該智能車基于ROS 機(jī)器人操作系統(tǒng)，包括遠(yuǎn)程控制設(shè)備、配送小車和無線網(wǎng)絡(luò)系統(tǒng)，其中配送小車和遠(yuǎn)程遙控設(shè)備需處于同一無線局域網(wǎng)中。 該智能車包括儲(chǔ)物筐和移動(dòng)底盤，移動(dòng)底盤采用3 層平臺結(jié)構(gòu)，移動(dòng)底盤的上層設(shè)有深度攝像機(jī)、麥克風(fēng)語音裝置、WIFI 模塊和激光雷達(dá)導(dǎo)航避障裝置；中層設(shè)有單片機(jī)驅(qū)動(dòng)板和上位機(jī)；下層設(shè)有電源擴(kuò)展板和麥克納姆輪。 上位機(jī)控制激光雷達(dá)導(dǎo)航避障裝置和深度攝像機(jī)。 通過遙控、語音導(dǎo)航和運(yùn)動(dòng)跟隨3 種方式，控制智能車進(jìn)行配送任務(wù)。

圖1 遠(yuǎn)程控制設(shè)備與無人配送智能車連接示意圖Fig. 1 Connection diagram of remote control and unmanned intelligent delivery vehicle

智能車平臺總體架構(gòu)圖如圖2 所示。 該智能車平臺的總體架構(gòu)由軟件控制系統(tǒng)層、硬件層和驅(qū)動(dòng)層3 部分組成。 硬件層包括慣性測量單元、深度攝像機(jī)、激光雷達(dá)、里程計(jì)和電機(jī)。 思嵐A1 激光雷達(dá)和樂視深度攝像機(jī)將采集到的數(shù)據(jù)直接發(fā)送給上位機(jī)，慣性測量單元、里程計(jì)和電機(jī)由下位機(jī)控制。 軟件控制系統(tǒng)層包括能夠?qū)崿F(xiàn)建圖功能的功能包、導(dǎo)航框架和路徑規(guī)劃功能包。

圖2 智能車平臺總體架構(gòu)圖Fig. 2 Overall architecture of intelligent vehicle platform

1.2 控制組成

該智能車控制系統(tǒng)由ROS 機(jī)器人操作系統(tǒng)和STM32 運(yùn)動(dòng)控制器組成。 ROS 機(jī)器人操作系統(tǒng)控制激光雷達(dá)導(dǎo)航避障裝置和深度攝像機(jī)，并將處理后的信息實(shí)時(shí)傳輸給同一局域網(wǎng)上的遠(yuǎn)程遙控設(shè)備。 遠(yuǎn)程遙控設(shè)備接收信息后發(fā)送指令給STM32運(yùn)動(dòng)控制器，從而控制小車的運(yùn)動(dòng)［3］。

ROS 機(jī)器人操作系統(tǒng)安裝在PC 上作為上位機(jī)，其主要模塊是定位導(dǎo)航模塊。 運(yùn)動(dòng)信息通過上位機(jī)傳送給STM32 下位機(jī)，下位機(jī)通過訂閱話題的方式接收并使用 PID （ Proportion Integration Differentiation）算法調(diào)節(jié)電機(jī)的速度，向上位機(jī)傳運(yùn)動(dòng)數(shù)據(jù)和傳感器信息［4］。

2 軟件設(shè)計(jì)方案

該無人配送智能車使用ROS 機(jī)器人操作系統(tǒng)作為平臺， 應(yīng)用 Gmapping SLAM （Simultaneous Localization and Mapping）建圖算法將激光雷達(dá)采集的環(huán)境信息進(jìn)行建圖。 用AMCL（Adaptive Monte Carlo Localization）自適應(yīng)蒙特卡洛定位算法實(shí)現(xiàn)精確定位［5］，同時(shí)結(jié)合A?全局路徑規(guī)劃算法和DWA（Dynamic Window Approach）局部路徑規(guī)劃算法，以規(guī)劃出最優(yōu)路徑。 此外，為了提高適用性，該系統(tǒng)還設(shè)計(jì)了跟隨和語音導(dǎo)航功能。

2.1 無人配送智能車的地圖構(gòu)建

構(gòu)建地圖是實(shí)現(xiàn)智能車定位導(dǎo)航、路徑規(guī)劃和自主移動(dòng)工作的前提條件。 采用SLAM 建圖理論，智能車在未知環(huán)境中移動(dòng)，利用脈沖式激光傳感器獲取周圍環(huán)境信息。 傳感器向周圍發(fā)射脈沖信號，接收回波信號，通過計(jì)時(shí)電路計(jì)算激光往返時(shí)間來確定智能車與障礙物的距離，從而構(gòu)建地圖。

該智能車使用開源Gmapping 功能包訂閱里程計(jì)、慣性測量單元和深度信息，同時(shí)完成一些必要的參數(shù)設(shè)置。

2.2 無人配送智能車的定位導(dǎo)航

定位過程：首先，通過智能車不同位置坐標(biāo)系之間的變換關(guān)系，可以顯示運(yùn)動(dòng)狀態(tài)；其次，利用基于擴(kuò)展卡爾曼濾波算法的robot＿pose＿ekf 算法，輪式里程計(jì)的數(shù)據(jù)和慣性測量單元的信息融合濾波并輸出；最后，通過AMCL 定位框架在已知地圖中進(jìn)行智能車定位，實(shí)現(xiàn)持續(xù)定位跟蹤［6］。

2.3 無人配送智能車的語音交互

該智能車的語音交互系統(tǒng)由語音喚醒、語音采集、命令詞識別和語音合成等部分組成。 語音識別采用的是開源的科大訊飛公司的語音功能包，能夠?qū)⒉杉降恼Z音轉(zhuǎn)化為文本，通過命令詞識別功能，將語音指令轉(zhuǎn)換為對應(yīng)的地點(diǎn)名稱和坐標(biāo)，并發(fā)布到智能車的控制話題中，以實(shí)現(xiàn)準(zhǔn)確到達(dá)目標(biāo)位置的目的。

2.4 無人配送智能車的路徑規(guī)劃

對針對靜態(tài)地圖使用A?算法可以快速有效地規(guī)劃出全局地圖的最佳路徑，但無法很好應(yīng)對動(dòng)態(tài)環(huán)境［7］。 DWA 算法則能夠使機(jī)器人很好地處理小范圍的動(dòng)態(tài)環(huán)境，避開障礙物，但規(guī)劃出的路徑不一定是最優(yōu)路徑［8］。 因此，本文通過路徑規(guī)劃功能包將A?全局路徑規(guī)劃算法和DWA 局部路徑規(guī)劃算法結(jié)合起來。 在智能車構(gòu)建生成地圖后，首先通過A?算法規(guī)劃出全局最優(yōu)路徑規(guī)劃，讓智能車按照該路徑行駛。 在行駛過程中，如果動(dòng)態(tài)環(huán)境影響到下一個(gè)路徑并導(dǎo)致節(jié)點(diǎn)被占用，就使用DWA 算法規(guī)劃出動(dòng)態(tài)的局部路徑，使智能車?yán)@過障礙物，回到A?規(guī)劃的路徑。

2.4.1 全局路徑規(guī)劃算法改進(jìn)

A?算法結(jié)合了具有全局性特點(diǎn)的Dijkstra 算法和最佳優(yōu)先算法BFS（Best First Search）。 Dijkstra算法被廣泛用于智能車路徑規(guī)劃的全局搜索。 雖然BFS 算法可以減小Dijkstra 算法的搜索范圍，但是規(guī)劃出的路徑不一定是最優(yōu)路徑。 改進(jìn)后的A?算法可以減少傳統(tǒng)的A?算法在路徑規(guī)劃時(shí)會(huì)產(chǎn)生冗余點(diǎn)和拐點(diǎn)的問題。 A?算法示意圖如圖3 所示。

圖3 A?算法示意圖Fig. 3 A ?algorithm diagram

A?算法的評價(jià)函數(shù)，式（1）：

當(dāng)前點(diǎn)的評價(jià)函數(shù)f（n） 由過去成本函數(shù)g（n）和當(dāng)前成本函數(shù)h（n） 組成，過去成本函數(shù)是起點(diǎn)（x0，y0） 到當(dāng)前點(diǎn)（x1，y1） 的距離，當(dāng)前成本函數(shù)當(dāng)前點(diǎn)（x1，y1） 到目標(biāo)點(diǎn)（x2，y2） 的距離，式（2） 和式（3）：

這種算法通過改進(jìn)評價(jià)函數(shù)的計(jì)算方式，降低了算法的計(jì)算量，從而能更加快速有效地生成平滑路徑。當(dāng)h（n） 權(quán)重比過大時(shí)，雖然能夠減少尋路的工作量，但是不能規(guī)劃出最佳路徑；而當(dāng)h（n） 權(quán)重比過小時(shí)，雖然可以規(guī)劃出最佳路徑，但是工作量較大，通過引入權(quán)重比例系數(shù)改變評價(jià)函數(shù)的權(quán)重比，改善路徑，以及通過節(jié)點(diǎn)優(yōu)化改進(jìn)路徑生成策略。

2.4.2 局部路徑規(guī)劃算法改進(jìn)

本文提出了一種改進(jìn)的動(dòng)態(tài)窗口法，可以有效解決無人配送智能車在局部路徑規(guī)劃時(shí)加速度超出規(guī)定范圍和實(shí)際路徑偏離全局路徑過多之類的問題。 該方法分為兩步：首先對智能車自身的速度空間進(jìn)行動(dòng)力學(xué)約束、運(yùn)動(dòng)學(xué)約束和障礙物約束；其次，對速度空間的數(shù)據(jù)采樣后，利用動(dòng)力學(xué)公式進(jìn)行軌跡推算。 軌跡推算示意圖如圖4 所示。

圖4 軌跡推算示意圖Fig. 4 Schematic diagram of trajectory estimation

在不考慮路況的理想情況下，軌跡推算公式（4）如下：

其中，［xt＋dt，yt＋dt，θt＋dt，］T是t＋dt時(shí)刻小車在世界坐標(biāo)系下的位姿，［xt，yt，θt］T是t時(shí)刻小車在世界坐標(biāo)系下的位姿，［dx，dy，dθ］是dt時(shí)間內(nèi)小車在底盤坐標(biāo)系下的理想變化量。

實(shí)際軌跡推算公式中，應(yīng)該考慮誤差對于dt時(shí)間內(nèi)智能車底盤坐標(biāo)的變化量的影響。

誤差補(bǔ)償后的公式（6）：

該算法首先通過DWA 算法對速度進(jìn)行動(dòng)力學(xué)約束，把智能車加速度控制在不會(huì)導(dǎo)致輪胎垂直載荷過小的合理范圍內(nèi)。 其次，該算法對軌跡誤差進(jìn)行閉環(huán)的補(bǔ)償，從而減少了實(shí)際路徑和全局路徑的誤差。

3 實(shí) 驗(yàn)

3.1 功能測試

本實(shí)驗(yàn)在構(gòu)建的地圖上設(shè)置了多個(gè)目標(biāo)點(diǎn)和巡航路線，通過QT Creator 開發(fā)的遙控軟件或語音指令，用戶可以輕松地遙控智能車。

3.2 算法驗(yàn)證

經(jīng)過將改進(jìn)后的A?算法與傳統(tǒng)的A?算法進(jìn)行仿真實(shí)驗(yàn)對比，不同A?算法尋路時(shí)間對比見表1，表明改進(jìn)的A?算法路徑查找時(shí)間更短。

表1 不同A?算法尋路時(shí)間對比Tab. 1 Comparison of pathfinding time of different A?algorithms

經(jīng)過仿真實(shí)驗(yàn)比較傳統(tǒng)的局部路徑規(guī)劃算法和改進(jìn)后的局部路徑規(guī)劃算法，傳統(tǒng)DWA 和改進(jìn)DWA 精確度對比見表2，優(yōu)化后的DWA 路徑規(guī)劃算法比傳統(tǒng)DWA 路徑規(guī)劃算法的誤差更小。

表2 傳統(tǒng)DWA 和改進(jìn)DWA 精確度對比Tab. 2 Comparison of accuracy between traditional DWA and improved DWA

4 結(jié)束語

本文設(shè)計(jì)了一種無人配送智能車，該智能車具備良好的語音交互特性、準(zhǔn)確建圖和精準(zhǔn)定位能力，以及運(yùn)動(dòng)跟隨和精準(zhǔn)配送功能。 在改進(jìn)后的路徑規(guī)劃算法的支持下，該智能車能夠更快更精確地到達(dá)目的地。 未來的研究可以進(jìn)一步優(yōu)化無人配送智能車的性能，以滿足不同應(yīng)用場景的需求。