自然导航在AGV中的应用

汪 威，吴耀华，陈云霞

（山东大学 现代物流研究中心，山东 济南 250061）

自然导航在AGV中的应用

汪 威，吴耀华，陈云霞

（山东大学 现代物流研究中心，山东 济南 250061）

介绍了自然导航在AGV中的应用，提出AGV适用于一些非结构性的未知环境中，即使无法预先获知初始状态下AGV的自身位姿和所在环境信息，也能够实现同时定位与地图创建，并在此基础上实现自主导航，而且应用SLAM技术的AGV可在现有的工作环境下运行，无需改造已有基础设施，满足了市场针对特定工作场景以及针对高灵活性、短安装AGV应用的需求。

AGV；自然导航；SLAM

1 引言

AGV（Automatic Guided Vehicle，自动导引车）是装备有自动导引装置，具有各种移载功能的运输车[1]，属于移动机器人范畴。定位与导航一直是AGV领域的研究热点。Leonard和Durrant Whyte曾提出机器人在导航中需要解决的三个一般性的问题，即：（1）Where am I?（2）Where do I want to go?（3）How can I get there?[2]。

针对在已知环境地图和AGV位姿的情况下的路径规划和寻迹追踪等问题，目前已有较为成熟的解决方案。但传统的AGV定位和导航方法，如通过人工设置路标的方式均需对既有车间进行改造，需要较长的安装时间和车间改造成本。如何在环境地图未知的情境下，实现基于自然环境特征的AGV自定位和导航，具有极大的研究意义。

本文主要介绍基于SLAM（Simultaneous localization and mapping，同时定位与地图创建）技术实现AGV的自然导航，由于其不需要安装标记或反射器的特点，降低了车间改造成本，缩短了安装和投入使用的时间，提高了车间的柔性和设备的可移植性，因而能够满足市场对AGV高灵活性、短安装和启动时间的需求。

2 自然导航实现原理

自然导航是一种不需要对基础设施进行任何调整的，无需地面标记的导航技术，是基于现有环境实现的导航，可应用于AGV领域。自然导航实现过程为：首先让装有环境感知传感器的AGV在未知环境中从某一位置出发，根据其移动过程中内部与外部传感器获取的感知信息进行自定位，同时逐渐建立一个连续的环境地图[3]，即SLAM过程。然后，在此地图的基础上可以实现AGV的精确定位与路径规划，完成导航任务。

2.1 自然导航发展现状

近年来国内外关于自然导航的研究迅速发展，并将理论研究成果应用于机器人实际应用中。例如澳大利亚悉尼大学Australian Centre for Field Robotics实验室研制出使用自然导航的越野车，可实现对现实环境的数据采集[4]；德国的科尔摩根团队在NDC8系统提出使用自然导航技术，已成功应用于阿拉乳品公司及其他的工业领域的物流场景中；Irobot公司将自然导航的技术应用于扫地机器人中，并开发出Roomba980智能扫地机器人[5]。国内自然导航在AGV中也有实际应用的案例，包括工业和服务业领域，如浙江国自机器人公司开发的牵引式AGV使用自然导航可实现车间搬运作业；沈阳新松机器人发布的“松果”系列服务机器人可通过自然导航实现智能送餐、引领讲解等功能；此外，国内很多高校实验室正致力于实现自然导航SLAM技术的研究。但是总的来说，目前国内的研究仍然主要集中在对国外已有研究成果的复现上，尚无领先的研究成果。而且技术理论研究居多，在真实环境的成功应用案例比较少，在未来的研究中应该重视技术研究与实际应用彼此结合[6]。

2.2 SLAM基本原理

SLAM技术是自然导航的核心技术，成功实现SLAM是AGV实现自然导航的前提，SLAM过程中地图建立的精度对后期定位与导航的精度有着重大的影响。

在SLAM过程中，移动机器人需要通过多种传感器来计算其自身运动状态和获取未知环境的特征信息。用于计算自身运动状态的传感器称为内部传感器，用于感知环境信息的称为外部传感器[7]。移动机器人从初始位置出发，依靠内部传感器来推算机器人移动的距离与位姿状态，即相对定位。由于其自身的系统误差以及机器人机械安装、行走过程中打滑等产生的误差，会导致机器人自身的相对定位有一定的不确定性，随着时间的积累，这种不确定性则会导致SLAM过程失败。因此，需要通过建立地图以获取机器人在地图中的绝对定位，来修正其自身运动状态的不确定性。在建图过程中，外部传感器在感知未知环境的特征时，也存在着一定的误差，并且环境模型建立的准确性也需要精确的机器人定位来保障。因此，SLAM过程主要是采用概率统计的方法处理这些不确定性信息，寻求动态随机系统的最优状态估计。其过程简化描述为“预测—匹配—校正—更新”。实现SLAM过程的整体系统结构如图1所示。

图1 SLAM过程系统结构图

（1）相对定位。机器人相对定位即通过内部传感器测量机器人位移与航向的偏移量来计算其位姿，主要有航迹推算与惯性导航法[8]。相对定位不需要借助对外界环境的测量，但是其无法避免随着时间推移测量值的误差累积问题，因此需要借助对环境信息的测量等辅助手段来修正其误差。

（2）环境信息的获取。目前环境信息的获取主要依靠激光雷达和视觉两类传感器[9]。

目前来说，激光雷达用于实现SLAM的技术较为成熟。激光雷达基于一定的角度分辨率提供二维平面内的机器人本体与环境中物体的距离信息[10]。基于激光雷达实现SLAM的方式优点为精度高，计算量小，易于实现实时SLAM；其缺点为成本较高。

视觉传感器是当前SLAM研究的热点，视觉SLAM研究主要有单目视觉、双目视觉和RGBD。由于视觉导航技术低成本，信息量大等特点，因而有着巨大的研究价值和潜在经济效益，相关技术仍处于研究阶段。

（3）环境特征提取。通过外部传感器获得环境信息的原始数据，需要进一步从中提取环境特征并保存，才可用于后续的环境地图的匹配与系统状态的校正。常用的环境特征提取方法有霍夫变换、聚类分析等。霍夫变换是一类基于灰度图探察直线和其他曲线的方法，但是该方法要求已知被提取对象类别。聚类分析是另一种特征提取方法，将所针对对象分组成自然类别或基于相似性或距离的簇类，适用于被提取对象类别未知的情况。

（4）特征匹配。在SLAM过程中，机器人自定位与环境建模是两个相互依赖的问题，并且机器人自身状态计算与环境特征提取都有其不确定性[11]。利用机器人相对定位与环境特征的扫描匹配可以有效的减小系统的不确定性，实现精准SLAM。

当机器人到达下一个位置时，首先通过内部传感器对自身状态进行估计，即相对定位。同时，在新的位置观测到的环境将会有所更新，也有与前一位置观测的环境重合的部分，则利用对环境多次观测具有高度相关性这一特点，通过对扫描数据预先处理和坐标系转换来进行特征匹配，来减小SLAM过程中的不确定性。

首先，系统中包含机器人本体、外部传感器等个体，因此会有多个坐标系[12]。需要建立一个完整的环境模型，来实现局部环境特征间的匹配和局部与全局环境之间的匹配，因此要进行坐标系转换。

由于扫描数据中会存在一些环境噪声与系统噪声，例如临时移动的物体，因此在进行数据关联之前还要对扫描数据预先处理，能够大大减小下一步数据关联的复杂性，同时系统将获得更好的鲁棒性。

特征匹配是将机器人在新位置获得的环境信息数据与以前的系统状态进行关联匹配的过程，特征匹配按照数据关联方法可以为分为：点到点、点到特征、特征到特征的匹配，后两种方法需要能够提取环境中明确特征才能进行。基于点到点的数据关联经常使用最近邻算法、全局最近邻算法。此外还有联合相容分支定界法，该算法考虑每个测量值独立关联的同时考虑了全部关联之间的相容性，有效减小了数据关联中可能出现的错误匹配[13]。数据关联过程将新观测地标数据划分为两种，一种为传感器在上一位置已观测过的地标，另一种则为新的地标。利用重复观测的地标的最终测量值作为系统的测量值，通过滤波算法可用于修正之前机器人位姿与地标位置的预测误差，以此得到更精确的系统的状态量。而新的地标测量的引入则可进行新一轮的系统状态预测，如此循环进行预测，匹配，校正，更新，最终实现全局地图的建立。

（5）环境地图。环境模型目前主要有三种表达方式：栅格地图、几何地图和拓扑地图[14-18]。

栅格地图是一种基于空间分解的方法，将环境划分为一系列的大小相同的栅格，各栅格的值表示该栅格中有实物占据的概率。栅格地图易于创建和维护，保留更全的原始信息。缺点为不适用于大规模环境的地图建立。

几何地图利用从环境中提取的线段等几何特征表示环境，这种表示方法更为紧凑，便于目标识别，基于几何地图的表示方法缺点为不适用于非结构化环境。

拓扑地图把环境表示为带结点和相关连接线的拓扑结构图，结点表示环境中重要的位置点，边则表示结点间的连接关系。基于拓扑地图的环境建模有利于进一步的路径规划，并且其存储和搜索空间较小，计算效率高。其缺点为难以识别相似的环境。

3 自然导航在AGV中的应用

3.1 自然导航AGV的应用方案

AGV应用自然导航的流程如图2所示。SLAM过程是定位与导航的基础，目前SLAM技术相对于传统的人工设定路标或反射板等定位方式依然较为不成熟，处于研发阶段，基于SLAM实现的自然导航的定位精度往往难以达到预期要求。因此，目前想要在某些对精度要求较高的环境中应用自然导航，通常可以考虑融合其他辅助定位方式来实现精准定位。以下提出三条自然导航在AGV中复合应用方案。

（1）可以在全局环境中使用自然导航，而在一些站台对接的局部关键性区域则人工加入反射板进行辅助定位。

（2）可以在环境中地面加入二维码定位信息，应用自然导航的AGV每扫描到新的二维码可更新其位姿，消除长时间运行的累计误差，在站台等关键点也可利用二维码地标纠正位姿实现精准对接。

（3）在一些工厂中，需要AGV可以切换为人工操作方式，这样不仅可以应对临时非正常作业与突发状况，同时，在一些站台对接等关键位置人工辅助取放货更为安全、精准。因此，可以将自然导航与人工操作完美结合应用于AGV系统，增强系统的鲁棒性与灵活性。

图2 自然导航应用流程

3.2 应用SLAM的自然导航的优势

（1）无需调整基础设施，无需人工添加标记。采用自然导航的AGV小车，无需在环境中安装其他辅助定位设施，小车基于现有环境进行SLAM并在此基础上实现自主导航。大幅提升了工程实施的效率，具有更高的便捷性、灵活性，应用成本低，应用周期短。

（2）系统柔性高。应用自然导航方式的AGV，可以移除所有用于控制自动导引车行驶路径的界限，后期进行路径规划更灵活。环境适应性强，更容易扩展AGV系统的应用方案。

（3）环境适应性强。在AGV中采用自然导航，使其能够适用于未知的非结构性环境中，同时在一些难以进行人工添加航标的环境，如室外环境中更易于实现，环境适应性强。

3.3 目前存在的技术难点

（1）SLAM算法的复杂度。目前各种用于解决SLAM中不确定性问题的算法，主要有卡尔曼滤波(KF)，扩展卡尔曼滤波(EKF)，粒子滤波算法，Rao-Blackwellized粒子滤波(RBPF)[19-22]。

其中KF、EKF算法是基于状态变量为高斯分布的假设，对于非高斯分布的估计存在界限；粒子滤波算法不需进行系统的线性以及传感器的高斯噪声假设，但其中尚需解决粒子退化现象和重采样操作后引起的样本贫乏问题，对高维估计问题不能有效应对；基于RBPF的SLAM算法对数据关联错误不敏感，但RBPF系列方法的主要挑战在于降低建立精确地图所需的粒子数量，以及由重采样造成的粒子多样性丧失的问题，即粒子耗尽问题。

（2）如何从二维到三维。目前的基于SLAM实现的自然导航的研究和应用，只能在二维平面的模式下进行定位和建图。但是在三维立体的运行环境，比如无人机的飞行环境，有x,y,z三个方向。要实现三维空间的高度智能化，需要更大程度上的理解环境信息，需要解决基于立体视觉的三维场景SLAM的应用问题。

（3）多机器人协作。对于单个机器人的SLAM问题，已有大量国内外学者提出了相关解决方案。但是在大环境下，单个机器人在构图速度和精度方面都存在界限。如何进行大环境下多机器人的协作，是SLAM研究中的一个较新的研究领域。该领域的核心问题是多机器人之间的通信拓扑、任务规划和地图融合[23]。

4 总结

本文系统介绍了自然导航在AGV中的应用，从应用现状、基本原理、自扰导航方式在AGV领域的优势和技术难点等方面展开分析，重点介绍了SLAM技术。自然导航作为一种实现AGV自主定位与导航的一种较先进的解决方案，改变了传统导航方式对人工设置导航地标方法的依赖，实现真正意义上的全自动化无人搬运。但是其核心方法-SLAM方法仍存在算法复杂度高、三维制图和多机器人协作等技术难点，仍需要不断探索和研究。

[1]杨奇.轮式机器人的实时障碍物识别和视觉导引[D].沈阳:沈阳理工大学,2011.

[2]Leonard J,Durrant-Whyte H F.Mobile Robot Localization by Tracking Geometric Beacons[J].IEEE Transactions on Robotics and Automation,1991,7(3):376-382.

[3]Durrantwhyte H,Bailey T.Simultaneous localization and mapping:part I[J].IEEE Robotics&Automation Magazine,2006,13 (2):99-110.

[4]Bailey T.Mobile robot localization and mapping in extensive outdoor environments[D].Sydney:Univer-sity of Sydney,2002．

[5]赵航,刘玉梅,卜春光,等.扫地机器人的发展现状及展望[J].信息与电脑,2016,(12).

[6]宋春林.基于激光测距仪的移动机器人SLAM研究与实现[D].哈尔滨:哈尔滨工业大学,2014.

[7]宋婷.传感器在农业采摘机器人中的应用[J].农机化研究, 2009,31(5):199-201.

[8]季宏.基于声纳和激光测距的移动机器人SLAM研究[D].南京：东南大学,2009.

[9]史鹏波.基于单线激光雷达的道路特征检测[D].南京:南京理工大学,2013.

[10]侯学勇.基于二维激光测距的移动机器人道路可行区域提取[D].杭州:杭州电子科技大学,2012.

[11]赵黎明.智能移动机器人的定位与环境建模研究[D.重庆:重庆邮电大学,2011.

[12]高森.基于多传感器信息的机器人运动目标检测与跟踪[D].大连:大连理工大学,2014.

[13]钟钜斌.基于多种导航技术混合的AGV系统设计[D].杭州:浙江大学,2016.

[14]伍舜喜.基于激光雷达的智能车定位技术研究[D].上海:上海交通大学,2008.

[15]张恒.基于不确定信息处理的移动机器人定位与地图构建研究[M].长沙:中南大学,2007.

[16]伍舜喜.基于激光雷达的智能车定位技术研究[D].上海:上海交通大学,2008.

[17]樊征.面向双臂移动机器人三维仿真的拓扑地图自动创建研究[D].上海:上海交通大学,2010.

[18]贺伟,梁昔明.未知环境中移动机器人SLAM问题的研究进展[J].微计算机信息,2005,(3):179-180.

[19]武二永,项志宇,沈敏一,等.大规模环境下基于激光雷达的机器人SLAM算法[J].浙江大学学报(工学版),2007,41 (12):1 982-1 986.

[20]张淼,胡建旺,周云锋,等.改进粒子滤波算法的比较[J].电光与控制,2009,16(2):30-32.

[21]骆云祥.非线性滤波在移动机器人SLAM中的应用[D].南京:南京理工大学,2009.

[22]王富.未知环境中移动机器人定位与建图技术的研究[D].哈尔滨:哈尔滨工业大学,2013.

[23]吕强,林辉灿,张洋,等.基于视觉的多机器人协作SLAM问题[J].科技导报,2015,33(23):110-115.

Application of Natural Navigation in AGV

Wang Wei,Wu Yaohua,Chen Yunxia
(Modern Logistics Research Center,Shandong University,Ji'nan 250061,China)

In this paper,we introduced the application of natural navigation in AGV and proposed that when applied in some nonstructural unknown environment and even if advance knowledge of the initial pose and environmental information was unavailable,the AGV could realize simultaneous location and mapping and on such basis achieve independent navigation.Then we found that the SLAM-incorporated AGV could operate with current working environment and necessitate no modification of the current infrastructure,thus satisfying the demand in the market for flexibility and ease of installation.

AGV;natural navigation;simultaneous location and mapping

TP23

A

1005-152X(2016)12-0033-04

10.3969/j.issn.1005-152X.2016.12.008

2016-10-31

汪威，男，安徽安庆人，硕士研究生，主要研究方向：物流工程；吴耀华（1963-），男，山东济南人，教授，博士生导师，主要研究方向：物流工程；陈云霞，女，新疆昌吉人，硕士研究生，主要研究方向：物流工程。