一种多源数据融合的机器人导航技术.pdf

针对移动机器人在导航过程中存在的建图不精确、效率低下等问题，提出一种多源数据融合的移动机器人导航方法：利用扩展卡尔曼滤波融合激光雷达和深度相机的环境信息，通过位姿传感器获取机器人的位姿和加速度信息，提出基于激光雷达、深度相机和惯性测量单元数据融合的地图构建方法；并兼顾全局探测与局部求精的平衡，采用改进原子轨道搜索算法进行全局规划，利用动态窗口法完成局部避障。实验结果表明，多源数据融合建立的地图更接近于真实场景，改进后的融合算法未知障碍实时避障成功率达到 98%，能够提升机器人自主导航效率。关键词：数据融合；原子轨道搜索算法；动态窗口；移动机器人；导航 中图分类号：P228；TP242 文献标志码：A 文章编号：2095-4999(2023)03-096-09 A robot navigation technology with multi-source data fusion GUO Li1,CHEN Mengyuan2,FU Ming3（1.Anhui Vocational College of Electronics&Information Technology,Bengbu,Anhui 233030,China;2.Anhui Polytechnic University,Wuhu,Anhui 241000,China;3.Anhui University of Finance and Economics,Bengbu,Anhui 233030,China）Abstract：Aiming at the problems of inaccuracy and low efficiency of map construction in the navigation process of mobile robot,the paper proposed a robot navigation method based on multi-source data fusion:the extended Kalman filter was used to integrate the environment information of the laser radar and the depth camera,the pose and acceleration information of the robot was obtained by the pose sensor,and a map construction method based on the data fusion of the laser radar,the depth camera and the inertial measurement unit was proposed;then in order to balance global detection and local refinement,the improved atomic orbit search algorithm was used for global planning,and the dynamic window method was used for local obstacle avoidance.Result showed that the map built by multi-source data fusion would be closer to the real scene,and the success rate of real-time obstacle avoidance of unknown obstacles could be increased to 98%with the improved fusion algorithm,which would help improve the autonomous navigation efficiency of the robot.Keywords:data fusion;atomic orbital search algorithm;dynamic window;mobile robot;navigation 0 引言 随着计算机系统、传感器等技术的发展，移动机器人已广泛应用于仓储、工业、医疗等领域1-3。导航技术作为机器人领域内核心技术之一，主要分为定位、环境搭建及路径规划。传 统 即 时 定 位 与 地 图 构 建（simultaneous localization and mapping，SLAM）方法仅仅依赖单 收稿日期：2022-12-23 基 金 项 目：国 家 自 然 科 学 基 金(61903002)；安 徽 省 质 量 工 程 重 大 项 目(2020zdxsjg029)；安 徽 省 教 育 厅 重 点 项 目（gxyqZD2021110)；安徽省高校人文社会科学研究重点项目(SK2019A0920)；安徽省高校优秀青年人才支持计划重点项目(gxyqZD2018131)；安徽省职业教育创新发展试验区项目(WJ-PTZT-041)；安徽省质量工程人工智能技术应用专业教学创新团队项目（2021jxtd024）；安徽省质量工程教学示范课项目（2020SJJXSFK021）。第一作者简介：郭丽（1982），女，安徽寿县人，硕士，副教授，研究方向为计算机技术、导航技术等。第 3 期 郭 丽，等.一种多源数据融合的机器人导航技术 97 一传感器进行实时定位和建图，导致系统鲁棒性差，导航效率低。多种传感器数据融合可以为移动机器人定位建图提供更好的数据支持，弥补单传感器检测的缺陷，从而提高导航系统的准确性和鲁棒性。在传感器数据融合方面，滤波算法通常用于数据融合4。常见的滤波方法有贝叶斯滤波5、粒子滤波6、扩展卡尔曼滤波（extended Kalman filter，EKF）7等。路径规划是指基于多源感知数据，在环境中生成无碰撞路径，以保证机器人安全高效完成作业。在路径规划方法中，二维几何搜索法是最成熟的路径规划方法。此外，还有一些广泛使用的算法，如蚁群算法8、A*算法9、RRT 算法10、人工势场法11等。原子轨道搜索算法（atomic orbital search，AOS）是 Azizi M 提出的最新的智能算法之一12。该算法主要是基于量子力学及原子模型行为进行搜索获取最优解，具有寻优能力强、收敛速度快等优势，可较好地应用于路径规划；但其同时也存在着易陷入局部最优等问题。基于目前研究的成果，为改善机器人依靠单一传感器定位及建图效果差等问题，同时提升路径规划算法效率，设计出一种基于多源数据融合的移动机器人导航方法：一方面，搭建一种基于激光雷达（light detection and ranging，LiDAR）、深度相机和惯性测量单元（inertial measurement unit，IMU）融合的实时定位建图方法；另一方面，融合改进 AOS 算法及动态窗口法（dynamic window approach，DWA）进行路径规划，实现移动机器人的实时高效导航。1 传感器建模 1 1.1 1 LiDAR 模型 LiDAR 数学模型主要有光束模型和似然场模型。因为机器人所处环境较为复杂，位姿微小变动就导致期望值发生巨大改变，对光束模型影响较大；因此实际场景中主要采用似然场模型。似然场模型基本原理是对环境进行高斯模糊，如图 1 所示。设d表示目标点坐标与环境中障碍物之间的最小距离，那么 LiDAR 观测模型可以表示为 (|,)(+)kkp zx mdd=（1）式中：m 为地图；为高斯分布函数；d 为运动过程中畸变的测量距离。图 1 似然场模型原理 1.2 深度相机模型 本文采用 KinectV2 深度相机进行研究，对其成像过程进行建模。假设实际环境中一点 P 通过小孔在成像平面为 P,O 表示在相机坐标系 O-x-y-z 下的小孔，成像平面坐标系 O-x-y 中心到 O点的距离为 f。此时 P 的坐标为X,Y,ZT，经过成像后点 P 的坐标为X,Y,Z T，在真实情况下，经过小孔模型后的成像需要进一步转换成像素点。假设像素平面坐标系上 P 点的坐标为u,vT,则其与像素坐标系间的转换表达式为 ()w1uvRt =+uZPZ vKP（2）式中：K 为相机内部参数矩阵；当相机移动时，Puv为当前相机坐标系下位姿；Pw为世界坐标系下位姿；R 和 t 为相机的外参数；u、v 分别为像素平面横坐标及纵坐标；Z 为笛卡尔坐标系 z 轴的坐标。深度相机通过飞行时间法来测量像素的距离：相机朝环境各物体发出脉冲，然后得到从发射到接收所耗时间，以此确定物体与当前位置的距离。其具体成像模型如图 2 所示。图中：Ppixel为像素坐标；up、vp为像素坐标系中横坐标及纵坐标；Pfilm为图像坐标；xf、yf为图像坐标系中横坐标及纵坐标；Pcamera为相机坐标；xc、yc、zc为图像坐标系中横坐标、纵坐标及高度坐标；Pworld为相机坐标；xw、yw、zw为真实世界坐标系中横坐标、纵坐标及高度坐标。在日常场景中会在相机前放透镜来提升拍摄质量，这同时会导致成像与真实场景出现偏差。假设平面上一点 P 的坐标为x,yT，对应的极坐标为r,T，其中 r 为极径，为极角。透镜造成的畸变为径向畸变，表示当前坐标朝着 r 方向偏移。将相机透镜安装过程中存在的误差叫做切向畸变，98 导航定位学报 2023 年 6 月 图 2 深度相机模型 指在角度 上存在的偏移。可以通过不同的畸变参数对径向畸变和切向畸变进行矫正，具体表达式为 ()()()()xxk rk rp xyprxyyk rk rpryp xy=+=+2422121224221212122122（3）式中：x,yT为矫正前坐标；x,y T为矫正后坐标；径向畸变矫正参数为 k1和 k2，利用参数 k1矫正图像中心畸变较小的位置，k2则可以矫正图像边缘畸变较大的位置；p1、p2为切向畸变矫正参数。当深度相机收集到环境图像后，因为图像中包含许多信息，需要根据图像特征从中选择出有代表性的点，然后再处理，这种方法称为特征点法。在 众 多 的 特 征 点 法 中 选 择 快 速 特 征 检 测 法（features from accelerated segment test，FAST）以加速检测。在检测出特征点后，要对比相机前后图像间的位姿，就要对 2 幅图像上的特征点进行关联，即特征匹配过程。传统的特征匹配方法计算量大，所耗资源多；因此本文利用光流法匹配特征。基于稀疏光流法（Lucus-Kanade，LK），使用反向组合光流来实现图像配准，其具体流程如下：步骤 1）计算前一帧图像模块强度 T(X)的梯度值?。步骤 2）运算得出图像变换();(=W W X P)xuyv+在 x 轴零点处光流P(P=u,v)的雅可比矩阵WP并与步骤 1）中梯度相乘，得出最速下降。步骤 3）计算得到海森矩阵H。步骤 4）按照图形变换W的表达式，计算得出 T 的变换 I(W(X;P)，并计算误差 I(W(X;P)-T(X)。步 骤5）依 据 最 速 下 降 更 新 误 差，即T(;?)()xTITWW X PXP。步 骤 6）计 算P：TxT=1WHPP(;)()ITW X PX，并更新图形变换W。步骤 7）重复步骤 4）6），直至满足P，为一个很小的正数。光流法可以有效降低错误匹配的概率，但是仍可能存在少部分误匹配的数据，对此本文利用随机 抽 样 一 致 性 法（random sample consensus，RANSAC）进行剔除。具体流程如下：步骤 1）从特征集中任意选择 4 个不共线的数据，计算出变换矩阵，记作A模型。步骤 2）计算出特征集中所有样本与A的投影误差，如果其值小于阈值，则放于内点集合I。步骤 3）若此时内点集I样本数目多于最佳内点集合Ib,则令Ib=I，并更新迭代次数。步骤 4）判断当前迭代数是否达到最大迭代数，若是则输出内点集；反之，继续循环上述步骤。1.3 IMU 模型 相比于LiDAR和深度相机，IMU获得的机器人位姿信息更加准确。本文所采用的IMU观测模型为 ()()FFaaQaaggggQaMabnwMwbn=+=+RR（4）式中：上标a为加速度；w为角速度；g为陀螺仪；F为正交；R为各轴误差变换矩阵；M为尺度因子；Q为非正交；b表示零偏误差；n为其他误差。第 3 期 郭 丽，等.一种多源数据融合的机器人导航技术 99 2 多传感器数据融合建图 在机器人导航领域，SLAM的问题可以简单描述为：在未知环境中的机器人，可以根据位姿和地图信息估计自身的位姿，并能够在行驶过程中构建地图，从而实现自主导航13-15。SLAM问题的运动模型可表示为 ()(),kkkkkkkxf xuwzh x v=1（5）式中：xk为机器人位姿；zk为系统观测值；f()为系统运动函数；h()为系统观测函数；uk为系统控制值；wk为系统过程噪声；vk为系统观测噪声。本文提出一种基于多传感器数据融合的建图方法，以解决环境中低障碍物无法感知的问题。该算法拟实现 LiDAR、深度相机、IMU 的信息融合，避免单一传感器导致的检测精度低的问题，提高SLAM 算法的准确性和稳定性。整个算法过程主要分为 4 个部分，即传感器标定、数据预处理、EKF 数据融合、建图与回环检测。在机器人的硬件设备中，传感器是最基本的硬件之一，它能够帮助机器人获取周围环境信息，从而更好地进行导航。本文机器人设备共搭载 LiDAR、深度相机和 IMU 3 种类型传感器，基于上述传感器模型，获取环境观测数据并对其进行标定。2.1 数据预处理 数据预处理旨在将深度相机采集的图像转换成 LiDAR 数据，从而更好地进行下步一数据融合。转换原理如图 3 所示。图 3 数据转换原理 转换步骤如下：1）对采集的深度图像进行有效区域的划分，从而得到待处理的深度图像（u,v）。2）通过深度图像（u,v）和相机参数模型，获取深度相机的各像素在坐标系中的坐标M(x,y,z)。3）将空间点云(x,y,z)投影到激光扫描区域，计算图中角AOD的角度。计算公式为 arctanxz=（6）激光的扫描范围是,，激光束被分成N个部分，激光数据用激光lN表示，投射到阵列中的点M的索引值为n，二者具体表达式如下：()()/NnN=（7）l Nzx=+22（8）2.2 基于 EKF 算法的数据融合 当单独使用深度相机或LiDAR进行地图构建时，由于单一传感器的缺陷，会有一定的误差。因此，本文利用EKF将深度相机数据和LiDAR数据进行融合，以提高定位的精度。在使用EKF进行数据融合时，由于LiDAR比深度相机的测量更为精准，因此将深度相机的测量值作为当前时刻的系统预测值，将LiDAR的测量值作为系统测量值，从而保证数据融合的准确性。EKF数据融合的步骤如下：1）预测操作。首先，设置好机器人的位置，并计算出其与起始点的误差协方差。使用深度相机收集的机器人行驶数据，将该值作为此时系统输入值uk，预测后一个时刻的位姿，并计算预测值的误差协方差。具体表达式如下：(),k kkkku=xf x111（9）Tk kkkkkk=+PA PAQ111（10）式中：Ak为状态方程,kkkkxufx=A1的雅可比矩阵；Qk为预测状态高斯噪声的协方差矩阵。2）数据关联。在将深度相机和LiDAR数据融合之前，需要将它们的数据进行联接，以防止二者数据错配。根据获得的观测信息之间的马氏距离，判断 2 个传感器获得的数据之间的相关性。具体表达式如下：T,ijtk ktdtlcDPxZZ=221（11）式中：为可靠性；t为测量的位置误差；Zl为LiDAR的测量值；Zc为深度相机的测量值。3）更新状态。首先，需要算出卡尔曼增益Kk，然后用数据测量值校正原始系统预测值。同时，通过Kk计算出数据融合的最佳预估值，并得出此时 100 导航定位学报 2023 年 6 月 的误差协方差。具体表达式如下：TTkk kkkk kkk=+KPHH PHR111（12）()()k kk kkkk k=+xxKzh x11（13）()k kkkk k=PIK HP1（14）式中：Hk为变换矩阵；Rk为测量的高斯噪声的协方差矩阵。2.3 地图构建和回环检测 根据EKF融合后的数据与图优化法搭建环境。利用迭代最近点（iterative closest point，ICP）算法将当前激光点云数据与子地图进行匹配，获得姿态变换关系，形成闭环约束插入到后端优化中。假设当前帧的LiDAR特征点为Pi，通过EKF融合得到的机器人位置坐标点为圆心，R为姿态距离检测的半径。检测到的目标帧的点云，如果与当前姿势的距离小于R，则作为待检测的点云Pj。然后对Pi和Pj运行ICP算法，输出姿势矢量s，并计算出检测到的姿态在历史姿态中的位置kt。最后，在kt-1和kt帧之间对机器人姿势进行优化和修正，并输出修正后的姿势轨迹和地图。其中ICP匹配算法具体如下：1）选择扫描点集Pj，目标点集Pi，并对点云集进行预处理。2）进行匹配操作，构造转换矩阵。3）利用奇异值分解（singular value decomposition，SVD）方法，分解计算得出转换矩阵。4）判断Pj映射到Pi上点集与Pi中相应点集的距离平方和是否小于收敛误差或者是否达到最大迭代次数，若是则停止迭代，反之继续迭代。3 移动机器人路径规划算法 3.1 基于改进 AOS 算法的全局路径规划 针对传统AOS算法初始化种群不足，导致收敛过慢和探解的精度不高的问题，提出 2 种改进方案：一是混沌种群初始化策略，丰富初代种群；二是引入自适应非线性光子速率，使得探测与寻优可灵活切换，提高全局规划路径的精度。1）初始化改进。传统AOS算法是基于高斯分布来初始化电子在原子核周围电子云的层级。改进后的AOS是基于混沌映射进行电子初始化，表达式为 cos(arccos),NNNXXX+=11 1（15）式中：为阶次；N为原子核周围电子的总量，也即搜索空间候选解的数量；X为候选解的位置。根据原子轨道模型，每个轨道的电子都有自身能级状态，在数学模型中将每个电子的能量值作为候选解的目标函数值，有 T NE EE=E12?（16）式中：E为包含N个电子目标函数值的向量；Ei为第i个候选解的能量值。各能量层级的电子的位置向量X和目标函数值E表达式如下：,.,.,kjDkjDkjDiiiiikjDpppppXXXXXXXXXXXXXXXXXXXXiN jD=X1211111122222212121 21 2（17）?,kkkikpEEknEE=E121 2?（18）式中：n为电子能级层数最大数量；p为第k层电子的总数；N、D分别为i、j的维数；Eik表示第k层第i个电子的能量值。原子须根据每一层候选解的位置和目标函数值来确定从该电子层中移除电子所需的能量，这个能量称之为结合能。通过计算解空间内所有候选解的平均位置和平均能量值来确定原子所需的结合态BS和结合能BE，其表达式如下：SNiiXBN=1（19）ENiiEBN=1（20）2）光子速率改进。AOS的全局搜索阶段为表示光子对原子核周围电子的作用，对每个电子在(0,1)范围内生成一个均匀分布的随机数与参数光子速率PR进行比较。原算法的PR为一个定值参数，并不能合理切换探测与寻优的过程，因此引入非线性化函数修正光子速率，为 第 3 期 郭 丽，等.一种多源数据融合的机器人导航技术 101 max(e)tTEh=E2022（21）式中：E0为光子对电子的作用的概率；h 为随机变量。当 PR时，光子数无法对电子起主要作用，此时电子的运动基于其他粒子或磁场行为。此时位置更新为 kkiiiXX+=+r1（22）式中 ri为随机数向量。AOS 的局部寻优阶段，此时 PR，则存在光子对电子的作用，再根据光子的发射或吸收，考虑电子在原子核周围不同层间的运动。此时候选解的位置更新过程为 ESEEES()()kkkkkkiiiiiikkkiiiiiiLBEBkLBEB+=+=+XXXX11，（23）式中：X Xik和X Xi?1k为个体在第 k 层更新前的位置和更新后的位置；、为在0,1间均匀分布的随机数向量。3.2 七阶 mini-Snap 轨迹优化 传统路径平滑算法解析能力要求高、规划时间长。因此本文利用 mini-Snap 轨迹参照点，在路径附近插入平衡点，从而尽可能减少和原轨迹之间的偏移量，提升优化质量。mini-Snap 轨迹平滑算法表达式如下：()NininiP tptpp tp tp t=+20120（24）式中：t 为时间；p 为轨迹系数。其目标函数为：()min()dSptt=420（25）式中为此轨迹分配时间。可利用表达式=A Pb计算出各个维度的系数向量，从而得出七阶mini-Snap轨迹。3.3 局部路径规划 DWA可以实现局部路径规划和实时避障。移动机器人运行过程中不存在速度空间组(vt,t)，可以在窗口区域时间t内模拟出机器人的可行轨迹。结合全局规划计算评价函数，确保最终局部路径规划也是全局最优路径。本文采用的评价函数如下：()(,)(,)(,),(,)mmG ve vd vd vv v=+1234 （26）式中：e(v,)为路径最终方向与终点之间的角度差；d(v,)为静态障碍与当前路径之间的最短距离；d(vm,m)为未知障碍与当前路径之间的最短距离；v(v,)为机器人速度评价函数；1、2、3、4为 4 种因素的权重系数。3.4 算法流程 本文导航算法流程如图 4 所示。图 4 算法流程 4 实验与结果分析 基于机器人操作系统（robot operating system，ROS）及Kobuki移动平台对算法进行验证和分析。同时配备二维LiDAR、深度相机（Kinect V2）、惯性导航、微机等设备，如图 5 所示。其他运行条件为Windows11 系统、AMD R7-5800H处理器、16 GB运行内存。其他相关数据如表 1 所示。图 5 实验移动平台 102 导航定位学报 2023 年 6 月 表 1 实验参数设置 名称 取值 机器人移动速度 1 m/s LiDAR 扫描频率 40 Hz IMU 采样频率 100 Hz 相机帧率 30 帧/秒 模型噪声方差 1 场地尺寸 机器人初始坐标 2.5 m5 m(1,0)4.1 建图仿真及分析 1）实验场景建图。实验场景通过添加水桶、纸箱等作为障碍物，如图 6（a）所示。其中障碍物 2 的高度低于车载LiDAR的安装高度，障碍物1、3 高于LiDAR高度，而障碍物 4 与LiDAR的安装高度一致。为验证本文提出的方法的可靠性，在模拟环境中进行了地图构建实验。图 6（b）是仅使用LiDAR的环境地图，图 6（c）是仅使用深度相机的环境地图。图 6（d）是数据融合后的环境地图。图 6 建图实验结果 从图 6 中可以看出，由于受LiDAR装置高度的影响，无法检测到障碍物 2，因此通过扫描获得的地面数据不完整，导致测绘精度低。深度相机比LiDAR可以获得更多的环境信息。然而，深度相 机的检测精度很容易受到环境光的影响，导致目标检测精度低，构建的地图模糊。本文通过将深度相机和LiDAR的探测数据进行融合构建地图，比较可知，二者数据融合后建立的环境优于单一传感器建图。主要是因为本文算法将二者优势互补，使得建立的地图信息更加精确。因此本文算法建立的环境图更加接近真实环境，有利于机器人更好地进行导航。2）定位精度分析。为检验本文算法定位精度及鲁棒性，在室内环境、走廊环境 2 种场景下，分别基于单一LiDAR、单一深度相机及本文算法进行定位建图实验。比较机器人行驶中各方向上均方根误差（root mean square error，RMSE），具体结果如表 2 所示。表 2 定位结果 场景方法 RMSE(x 方向)RMSE(y 方向)RMSE(方向角)室内场景LiDAR 0.078 2 0.079 5 0.023 1 深度相机0.184 2 0.176 6 0.031 1 本文算法0.049 2 0.046 5 0.196 3 走廊场景LiDAR 0.025 1 0.027 2 0.011 7 深度相机0.051 3 0.068 7 0.021 1 本文算法0.018 3 0.019 2 0.008 7 由表 2 可知，本文算法在 2 种场景下，相较于单一的LiDAR及深度相机定位方法，在各个方向上的RMSE值均更小，定位精度更优，无论是室内场景或是长廊场景均有较强鲁棒性，具有良好的建图表现。4.2 路径规划仿真及分析 在进行实车实验前，首先对算法进行仿真测试，验证改进算法的性能。先后对改进AOS算法与基本AOS法进行仿真对比，结果如图 7 所示，指标对比如表 3 所示。图 7 中，各算法均规划出无碰路径；但具体而言，改进AOS算法相较于传统AOS、文献11算法在路径长度方面分别缩短约 2.6%及 1.3%，规划时间上分别减少约 17.6%及 8.7%。另外，改进前AOS及文献11算法的路径存在较多转弯点，在实际运行过程中对机器人的转弯能力要求较高。而经过七阶mini-Snap平滑后的本文算法则相对更加平滑，没有尖锐转弯点，同时能更快到达目标点。第 3 期 郭 丽，等.一种多源数据融合的机器人导航技术 103 图 7 已知障碍环境仿真图 表 3 指标对比 算法 传统 AOS 改进 AOS 文献11 路径长度/m 30.77 29.95 30.34 规划时间/s 2.16 1.78 1.95 在环境中设置未知障碍检验本文算法局部规划性能，结果如图 8 所示。从图中可看出：全局路径上不存在未知障碍物时，算法直接执行全局最优路径；当原线路出现未知障碍物时，执行动态窗口局部避障策略，根据检测到的未知障碍物数据，更新局部目标点，对障碍物进行绕行，同时对目标点实施追踪；当绕行完成后，会根据最近的局部目标点返回全局最优路径。由表 4 可知，本文算法相较文献9、文献11算法，路径长度分别减少 2.8%和 3.8%，规划时间分别减少 14.6%和 13.1%。图 8 含未知障碍环境仿真图 表 4 指标对比 指标 AOS-DWA 算法 文献9 文献11路径长度/m 31.52 32.41 32.78 规划时间/s 2.45 2.87 2.82 4.3 实车导航实验 为进一步验证本文算法性能，根据 4.1 节中的实际环境进行 100 次实车实验，其中一次结果如图 9 所示。图 9（a）为在已知障碍环境下 3 种算法结果，图 9（b）为含未知障碍环境下本文算法结果。图 9 实车实验结果 根据图 9 可知，各算法都能够避开障碍物，到达环境中的目标位置，但本文算法路径更为平滑简短。另外，当全局路径上存在未知障碍物时，采用本文算法的机器人在行驶过程中可利用DWA进行实时避障，并保持向全局最优路径的终点方向前进，从而使得机器人的行驶更加安全平稳且路径规划效率更高。进行多次实验，对各算法路径长度及行驶时间平均值进行对比，对未知障碍物规避次数进行统计，结果如表 5 所示。本文算法相较于文献9、文献11算法在路径长度方面分别缩短约 10.1%及 12.4%，行驶时间上分别减少约 13.9%及 31.5%，且本文算法未知障碍规避率达 98%，文献9、文献11算法分别只有 71%与 76%。表明本文算法在真实动态场景下的规划效率更高，避障能力明显提升。表 5 指标对比 算法 AOS-DWA 文献9 文献11路径长度/m 3.87 4.26 4.35 行驶时间/s 3.94 4.49 5.18 未知障碍规避率/%98 71 76 104 导航定位学报 2023 年 6 月 5 结束语 为解决机器人在复杂环境下的自主导航问题，设计了一种基于多源数据融合的机器人导航方法。主要结论如下：1）相比单一数据来源，采用LiDAR、深度相机、IMU多源数据融合的方法，可获取更全面的环境信息，地图构建更为精准，可避免光影影响下的模糊成像问题，对各种高度、形状的物体均可准确识别并建图。2）针对传统AOS算法存在的不能兼顾全局最优与局部精度和拐点多等问题，设计了多种策略 进行改进，同时采用DWA算法进行局部规划，避免无法跳出局部最优，提高了路径规划效率。实验结果显示：在静态仿真中，本文算法相较于对比算法，路径长度缩短约 1.3%2.6%，规划时间减少约8.7%17.6%；动态仿真中，本文算法相较于对比算法，路径长度减少约 2.8%3.8%，规划时间减少约13.1%14.6%；实车试验中，本文算法相较于对比文献算法，路径长度缩短约 10.1%12.4%，行驶时间减少约 13.9%31.5%，未知障碍规避成功率提升至 98%。验证了所提算法的先进性和有效性。未来可以尝试引入新的融合算法及路径规划方法，使得导航效率进一步提升。参考文献 1 MA X,GONG R,TAN Y B,et al.Path planning of mobile robot based on improved PRM based on cubic splineJ.Wireless Communications and Mobile Computing,2022,45-51.2 WANG K,YANG Y M,LI R X.Travel time models for the rackmoving mobile robot systemJ.International Journal of Production Research,2020,58(14):4367-4385.3 LIAN Y D.A spatio-temporal constrained hierarchical scheduling strategy for multiple warehouse mobile robots under industrial cyberphysical systemJ.Advanced Engineering Informatics,2022,5:52-59.4 CECCHERINI S,ZOPPETTI N,CARLI B.An improved formula for the complete data fusionJ.Atmospheric Measurement Techniques,2022,15(23):7039-7048.5 CHAMPION T,GRZES M,BOWMAN H.Branching time active inference with bayesian filteringJ.Neural Computation,2022,34(10):11-13.6 KOTSUKI S,MIYOSHI T,KONDO K,et al.A local particle filter and its Gaussian mixture extension implemented with minor modifications to the LETKFJ.Geoscientific Model Development,2022,15(22):8325-8348.7 张雯涛,吴飞,朱海.自适应强跟踪 AST-ESKF 无人车室内导航算法J.导航定位学报,2022,10(4):34-42.8 许伦辉,曾豫豪.基于改进 ACO 和三次 B 样条曲线的路径规划J.计算机仿真,2022,39(7):407-411.9 XIANG D,LIN H X,OUYANG J,et al.Combined improved A*and greedy algorithm for path planning of multi-objective mobile robotJ.Scientific Reports,2022,12(1):455-461.10 笪晨,宋天麟,施维.多策略模式下 RRT 算法的优化J.组合机床与自动化加工技术,2022(12):128-131,135.11 LI J C,FANG Y W,CHEN H Y,et al.Unmanned aerial vehicle formation obstacle avoidance control based on light transmission model and improved artificial potential fieldJ.Transactions of the Institute of Measurement and Control,2022,44(16):3229-3242.12 AZIZI M.Atomic orbital search:a novel metaheuristic algorithmJ.Applied Mathematical Modelling,2021,93(1):59-67.13 YATHARTH A,TUSHAR N,UTKARSH S,et al.Depth reconstruction based visual SLAM using ORB feature extractionJ.Journal of Image and Graphics,2022,10(4):88-95.14 ZHANG X G,ZHANG Z H,WANG Q,et al.Using a two-stage method to reject alse loop closures and improve the accuracy of collaborative SLAM systemsJ.Electronics,2021,10(21):74-85.15 WANG J Y,YASUTAKA F.High accuracy real-time 6D SLAM with feature extraction using a neural network:paperJ.IEEE Journal of Industry Applications,2021,10(5):512-519.