低速無人車聽說過嗎？

最近幾年，無人?；鳂I(yè)、無人清潔、無人快遞、 屢屢登上新聞頭條，多種無人車平臺也都走進日常生活中。而這些無人車，都屬于低速無人車。

低速無人車，主要應用在校園、景區(qū)、園區(qū)、機場、礦山等半封閉區(qū)域內。與乘用車或商用車相比，低速無人車擁有明確的應用場景和可控的成本，成為未來更具商業(yè)價值的領域。

近年來，隨著數字化智能化建設，物流配送、安防巡邏、零售、環(huán)衛(wèi)、港口、礦區(qū)等運營場景對低速無人車的需求日益增加，產業(yè)鏈得到較快發(fā)展 。

接下來小Y將持續(xù)為大家推出低速無人車核心技術分享專欄 ，從自動駕駛技術-到底盤控制技術為大家詳細說明低速無人車的技術路線與行業(yè)應用發(fā)展路線 ，希望大家多多關照 。

在行業(yè)應用中移動機器人多種建圖算法說明-  Hector

1.原理詳解

Hector整體算法很直接，就是將激光點與已有的地圖“對齊”，即掃描匹配。掃描匹配就是使用當前幀與已經有的地圖數據構建誤差函數，使用高斯牛頓法得到最優(yōu)解和偏差量。其工作是實現(xiàn)激光點到柵格地圖的轉換，t時刻所有的激光點都能變換到柵格地圖中，也就意味著匹配成功。

2.具體流程

首先初始時刻激光自身的坐標系與柵格地圖坐標系重合，即激光在地圖中的初始位姿（estimate）已知，激光的第一幀掃描數據在地圖中的坐標已知。接著，獲取到第二幀激光掃描數據，第二幀數據在激光雷達坐標系下的坐標是可以測出的（根據激光雷達的range、angle便可得到在激光坐標系下的坐標），但是不知道與第一幀的相對位置關系。

下一步就是實現(xiàn)這兩幀數據的匹配，我們假設兩幀數據無限接近，即激光點在柵格地圖占用值接近1（占用值越大，匹配的效果越好）。然后構造最小二乘法，對函數先對括號內部展開，然后對使誤差偏導為0，求解高斯牛頓方程（其中有用到地圖求偏導的方程（雙線性插值法），帶入即可求出位姿增量（在hector位姿增量用變量searchDir）。

 接下來就可求出第二幀激光在地圖坐標系下的位姿（第一幀位姿加上位姿增量即可得到，estimate += searchDir），slam中定位完成。

接下來建圖，后一幀的激光位姿求出，因為已知后一幀激光點在激光坐標系下的坐標，所以可根據后一幀激光位姿得后一幀激光點在地圖中坐標，即映射到地圖中，完成slam建圖過程。

cartographer中的前端匹配使用了雙三次線性插值＋ceres庫求解非線性優(yōu)化問題(構造最小二乘，優(yōu)化匹配)，而hector slam中使用了雙線性插值＋高斯牛頓求解非線性優(yōu)化問題

3.hector存在的問題

1、其中對于雙線性差值，在理論上存在不連續(xù)的可能，Pm可能在計算的時候迭代的過程中跑出P00->P11圍成的正方形。這個問題也被google的cartographer改進為三線性差值。

2、沒有對地圖的修正能力，一旦地圖出錯，之后的匹配也都會出現(xiàn)問題。

4.算法概述

Hector slam 利用高斯牛頓方法解決 scan-matching 問題，對傳感器要求較高。

其無需使用里程計，所以在不平坦區(qū)域實現(xiàn)建圖的空中無人機及地面小車具有運用的可行性，利用已經獲得的地圖對激光束點陣進行優(yōu)化，估計激光點在地圖的表示和占據網絡的概率，獲得激光點集映射到已有地圖的剛體變換，為避免局部最小而非全局最優(yōu)出現(xiàn)，地圖使用多分辨率。

需具備高更新頻率且測量噪音小的激光掃描儀，所以，在制圖過程中，robot的速度要控制在較低的情況下才會有比較理想的建圖效果，這也是它沒有回環(huán)的一個后遺癥。另外在里程計數據比較精確的情況下無法有效利用里程計信息。

5.算法優(yōu)缺點

優(yōu)點

不需要使用里程計，所以使得空中無人機及地面小車在不平坦區(qū)域建圖存在運用的可行性；利用已經獲得的地圖對激光束點陣進行優(yōu)化, 估計激光點在地圖的表示,和占據網格的概率；利用高斯牛頓方法解決scan-matching 問題，獲得激光點集映射到已有地圖的剛體變換；為避免局部最小而非全局最優(yōu)，使用多分辨率地圖；導航中的狀態(tài)估計加入慣性測量系統(tǒng)（IMU），利用EKF濾波；

缺點

成本高 ，需要掃描傳感器或雷達（LRS）的更新頻率較高滿足測量噪點小，但是在制圖過程中需要機器人速度控制在比較低的情況下，建圖效果才會比較理想，這也是它沒有回環(huán)（loop close）的一個后遺癥；且在里程計數據比較精確的時候，無法有效利用里程計信息，造成數據的浪費 。

6.綜合評價

建圖效果標準，必須要機器人速度控制在比較低的情況下建圖效果才能好一點兒，以上建圖由于速度過快導致地圖發(fā)生偏移。在大地圖，低特征（distinctive landmarks）場景中，hector的建圖誤差高于gmapping。

這是由于hector過分依賴scan-match。特別是在長廊問題中，誤差更加明顯。hector_slam通過最小二乘法匹配掃描點，且依賴高精度的激光雷達數據，因此掃描角度很小且噪點較大的外圍是不行的，匹配時會陷入局部點，地圖比較混亂。

對比下來Gmapping是應用最為廣泛的2D slam方法，主要是基于2D激光雷達使用RBPF（Rao-Blackwellized Particle Filters）粒子濾波算法完成二維柵格地圖構建，每個粒子都攜帶一張地圖，將定位和建圖過程分離，先進行定位再進行建圖。

Gmapping可以實時構建室內環(huán)境地圖，在構建小場景地圖所需的計算量較小且地圖精度較高。相比于Hector SLAM，對激光雷達掃描頻率要求較低、魯棒性高（Hector在機器人快速轉向時很容易發(fā)生錯誤匹配，構建的地圖發(fā)生錯位，原因主要是優(yōu)化算法容易陷入局部最小值）；而相比于Cartographer，在構建小場景地圖時Gmapping不需要太多的粒子并且沒有回環(huán)檢測，因此計算量小于Cartographer而精度并沒有差太多。

Gmapping有效利用了里程計信息，這也是Gmapping對激光雷達頻率要求低的原因：里程計可以提供機器人的位姿先驗。而Hector和Cartographer的設計初衷不是為了解決平面移動機器人定位和建圖，Hector主要用于救災等地面不平坦的情況。

最后向大家介紹YUHESEN 開發(fā)的商業(yè)化應用導航模塊 NV-AUTO 

歡迎大家位臨公司交流學習 ，一同推動移動機器人導航技術發(fā)展與技術落地。