基于ROS的粮面巡检机器人导航系统设计.pdf

基于 ROS 的粮面巡检机器人导航系统设计Design of Navigation System for Grain Inspection Robot Based on ROS吴艺博杨卫东渊河南工业大学信息科学与工程学院袁河南 郑州 450000冤摘要院考虑到粮食具有散粒性袁采用履带式机器人可以在粮面上平稳运行遥 设计一种基于机器人操作系统 ROS 和激光雷达的粮面巡检机器人导航系统袁使用基于粒子滤波的 Gmapping 算法构建栅格地图遥 全局路径规划使用改进启发函数的蚁群算法袁加速收敛速度获得最短路径袁应用动态窗口算法以关键点作为中间目标点规划局部路径袁实现路径规划以及实时避障功能遥 经过仿真实验证明袁该方案可以准确建立地图袁改进的导航算法能够进行路径规划和避障袁该方案设计具有可行性和有效性遥关键词院粮面巡检机器人曰系统设计曰地图构建曰路径规划Absrtact:Grain surface inspection robot plays an important role in maintaining grain security in granaries.Consideringthat the grain is granular,the crawler robot is used to ensure the smooth operation on the grain surface.This paper de鄄signs a navigation system of grain inspection robot based on robot operating system(ROS)and laser radar,and the gridmap is constructed using the Gmapping algorithm based on particle filter.The global path planning uses the ant colony al鄄gorithm with improved heuristic function to accelerate the convergence speed and obtain the shortest path,local path plan鄄ning uses dynamic window algorithm to plan the path with key points as intermediate target points to accomplish pathplanning and real-time obstacle avoidance.The tests have proved that that the robot can accurately establish a map,andthe optimization navigation algorithm can plan paths and avoid obstacles.The proposed scheme is feasible and effective.Keywords:grain inspection robot,system design,map construction,path planning粮食是社会民生保障袁 粮食存储是粮食生产流程中的关键一环遥 在粮食存储过程中袁需要在粮仓中定期对粮食进行巡检袁检测粮情袁预防粮食霉变咱1暂遥 人工巡检劳动量大袁且只能沿走道板查看袁 无法对粮仓进行全面检查遥 随着智能移动机器人的发展袁用移动机器人代替人工巡检袁确保工作人员安全袁提高巡检效率袁成为当前粮食存储行业所需遥粮面巡检机器人携带温湿度传感器尧气体传感器尧高清摄像头尧小型粮食取样设备等装置袁通过远程操控机器人在粮面上进行巡检查看袁到达指定地点可以使用取样设备进行取样袁当粮仓内出现温湿度异常尧粮食霉变害虫等现象袁及时进行播报通知工作人员进行处理遥自主导航技术是巡检机器人系统设计的关键袁 使机器人能够适应环境袁根据工作需求进行自主移动遥粮面巡检机器人导航系统应能在粮仓内自主定位袁 按指定线路巡检和到达指定目标点遥本文基于上述内容提出一种粮面巡检机器人自主导航方案袁在 Ubuntu18.04 环境上搭载 ROS 系统实现机器人的环境建图尧路径规划袁为粮面巡检机器人导航设计提供一种可行方案遥1巡检机器人总体设计1.1 巡检机器人外形结构设计粮食是由颗粒构成的袁有一定的流动性袁因此粮面属于松散路面袁通常巡检机器人为轮式袁轮子在松散路面上行走袁容易打滑甚至下陷袁无法在粮面上行驶咱2暂遥履带式机器人与地面的接触范围较大袁对道路的压力较小袁因此具有翻越障碍尧不易倾翻尧负载能力强尧不易陷入软质地面等优点袁适用于在松散路面上行驶遥 基于以上优点袁选用履带式来保障机器人在粮面上正常行驶遥1.2 巡检机器人系统硬件设计巡检机器人硬件整体框架如图 1 所示袁由上位交互层尧功能层和硬件层三部分组成遥 硬件层由激光雷达尧IMU尧直流电机尧履带式底盘构成袁为 ROS 功能层提供环境观测数据袁接受指令控制机器人移动遥 ROS 操作系统为功能层袁包含同时定位与建图渊Simultaneous Locatization and Mapping袁SLAM冤模块尧路径规划模块袁接收硬件层传递的信息完成机器人建图尧定位尧导航功能遥上位机交互层可通过 Wi-Fi 接收传递信息袁实现计算机远程通信袁控制机器人进行实时监测遥图 1机器人硬件整体框架图2巡检机器人环境建图2.1 GMamping 建图Gmapping 算法可以实时室内建图咱3暂袁相较 Cartographer算法袁在小场景构建计算量小袁不需要高频率激光雷达袁构图精度也没有太大差别袁粮仓属于室内环境袁场景特征少遥 因此对比以上两种算法袁本文选择 Gmapping 算法作为 SLAM 算法遥Gmapping 是基于 Rao-Blackwellized 粒子滤波 渊Rao-Blackwellized Particle Filter袁RBPF冤改进的算法袁RBPF 将定位和建图分开袁每一个粒子都携带一幅地图袁将 SLAM 分成两个问题求解院确定机器人的位置和在已知位置下建图遥Gmapping 估计机器人运动轨迹使用粒子滤波的方法袁步骤如下院1冤抽样遥 机器人下一时刻的位姿 曾渊蚤冤贼可以从建议分布中提取遥由于激光雷达扫描获取的信息数据比里程计要准确得多袁基于 ROS 的粮面巡检机器人导航系统设计82叶工业控制计算机曳圆园圆3 年第 猿6 卷第 8 期Gmapping 中的观测值 zt主要从激光雷达中更新袁 使用 scan-matcher 寻找似然函数最大区间院曾忆渊蚤冤贼越曾渊蚤冤贼原员茌怎贼原员渊员冤曾夷渊蚤冤贼越argmaxxP渊曾渣皂渊蚤冤贼原员袁扎贼袁曾忆渊蚤冤贼冤渊圆冤式中袁表示为位姿计算遥2冤计算重要权重遥 权重 w 是指机器人在 t 时刻第 i 个粒子目标与建议分布之间的相似程度袁更新公式如下院憎渊蚤冤贼越憎渊蚤原员冤贼窑噪躁 越 员移孕渊扎贼渣皂渊蚤冤贼原员袁曾躁冤 窑 孕渊曾躁渣曾渊蚤冤贼原员袁怎贼原员冤渊猿冤3冤重采样优化遥粒子采样存在缺陷袁频繁地重采样会导致只有少数粒子具有高权重袁大部分粒子权重会越来越低遥 Gmap鄄ping 对此进行改进遥优化重采样策略遥设置阈值 T袁当 NeffT 时袁则执行重采样遥4冤地图估计遥 计算出机器人的运动轨迹袁从而估计出地图遥2.2 Gmapping 模拟仿真本文使用 ROS 中 Gazebo 软件进行仿真遥在 Gazebo 搭建一个较为简单的环境模型袁Gmapping 建图过程如图 2 所示袁可以看出 Gmapping 法在室内小场景下有较好的建图效果袁能够完整地构建出仿真地图袁虽然局部细节存在一些不足袁但构建的地图能满足粮仓粮面的导航要求遥图 2Gmapping 建图过程3路径规划在 ROS 中袁 机器人路径规划功能主要集成在 move_base包遥本文使用改进蚁群算法作为全局路径规划袁计算出机器人到目标点的总体路径遥 使用动态窗口算法渊Dynamic Window Ap鄄proach袁DWA冤设计局部路径规划咱4暂袁当出现障碍物时机器人无法按照全局路径规划移动袁 使用 DWA 在不改变全局路径规划的前提下避开障碍物遥3.1 基于改进蚁群的全局路径规划全局路径规划是根据传感器获得环境信息和机器人自身的位姿袁在 SLAM 算法获得的栅格地图上使用算法获得最优路径遥蚁群算法模拟蚁群觅食机制袁 具有计算能力强尧 鲁棒性高等优点袁但存在收敛速度慢尧搜索时间长等缺陷咱5暂遥为解决基本蚁群算法的收敛速度慢袁迭代次数多的问题遥提出了以下两点改进院1冤改进启发函数遥 基本蚁群算法中蚂蚁在选择节点时会选择距离当前位置较近的节点移动袁 导致可能选择出一条错误路径咱6暂遥 基于 A 星算法的搜索函数改进蚁群算法的启发函数袁将当前节点和下一节点的距离引入到启发函数中袁 可以增加正确选择节点的概率遥在此基础上启发函数的值进行平方袁可以加快蚁群的迭代速度遥 启发函数改进如下院=1渊dij+hig)2渊源冤式中 dij表示机器从当前节点 蚤 移动到下一节点 j 之间的距离曰hij表示当前节点 i 移动到终点 g 之间的距离遥2冤改进信息素更新规则遥当信息素不断更新时袁大量蚂蚁会选择同一条道路袁导致算法陷入局部最优遥为了提高算法全局最优性袁避免蚂蚁选择重复路线袁引入最大最小蚁群系统对信息素的范围进行限制遥=minmaxmin臆minmax逸max扇墒设设设设缮设设设设渊缘冤式中表示节点 i 和 j 之间的信息素大小袁min和max分别表示信息素最小值和最大值遥蚁群算法改进对比如图 3 所示院图 3改进蚁群算法对比图从图 3 可知袁改进的算法相较于原始算法拐弯点减少袁路线更加平滑袁最优路径长度也由所减少袁改进蚁群算法规划的路径质量更高尧更优越遥3.2 基于动态窗口的局部路径规划动态窗口法渊Dynamic Window Approach袁DWA冤是对速度空间咱v袁w暂中的线速度 v 和角速度 w 进行多组采样袁根据机器人的自身限制和综合环境的考量袁 在对最大加减速度性能进行约束的条件下袁计算出机器人实际的速度范围为院=喳渊 袁憎冤渣 沂咱-驻t袁淄c+a驻t暂疑w沂咱憎c-w觶b驻t袁憎c+w觶a驻t暂札 渊远冤机器人与障碍物之间要保持安全距离袁避免产生撞击袁因此保证机器人在最大减速度的约束下能够将当前速度在碰撞前降为 0 m/s袁速度的最大值为院=喳渊 袁憎冤渣 臆圆distmin渊 袁憎冤v觶b姨袁憎臆圆distmin渊 袁憎冤憎觶b姨札渊苑冤式中 distmin渊v袁w冤代表对应轨迹上机器人到障碍物的最小距离遥在采样速度中有着若干组可行轨迹袁 需要通过评价函数综合选取出最优轨迹袁评价函数如下所示院郧渊 袁憎冤越 渊 窑 澡eading渊 袁憎冤垣 窑 dist渊 袁憎冤垣 窑 velocity渊 袁憎冤冤渊愿冤式中院heading渊v袁w冤代表指向终点的向量与连接出发点和当前位置向量两者的夹角曰dist渊v袁w冤代表障碍物与轨迹的最短距离曰velocity渊v袁w冤代表对应轨迹的采样速度曰 尧 尧为加权系数遥3.3 融合导航算法仿真实验本文使用 MATLAB 进行对所提融合导航算法仿真验证遥 建立二维栅格地图对改进蚁群融合动态窗口算法进行仿真袁 结果如图 4 所示袁图中黑色栅格为障碍物袁灰色栅格为未知障碍物袁白色为可行驶区域遥从图 4 中可以看出袁 改进的蚁群算法能够在已知环境中规划全局最短路径袁DWA 算法能够根据传感器检测到未知障碍物完成局部避障袁并且追踪改进蚁群生产的路径轨迹袁证明融合算法能够有效完成机器人全局路径规划和局部避障遥4结束语本文主要介绍了粮面巡检机器人环境建图和导航功能的算法设计与实现遥 考虑到粮面特殊环境袁 采用履带式 SLAM 机器人遥 环境建图使用 SLAM 中的 Gmapping 算法袁能够满足环境建图和定位的精度要求遥 机器人路径规划使用改进蚁群融合83渊上接第 81 页冤4.2 实验结果分析本文先是在 ImageNet 数据集上预训练袁然后在 CTW1500数据集和 ICDAR2015 数据集上微调袁 分别训练了 员圆园园 个周期遥在训练期间袁优化器选的是Adam袁学习率为 10-4遥 微调阶段袁 采用 SGD 优化器优化模型袁学习率按初始为 0.01袁之后每个周期按乘以 0.8 衰减遥 在CTW1500 数据集上对本文方法进行验证袁结果如表 1 所示遥如表 1 所示袁 本文将 DRRG 算法和 LOMO尧TextSnake尧DBNet尧PSENet等经典的算法进行了比较袁相比之下 DRRG 算法比较优秀袁 本文在原算法的基础上加入了残差网络和 SENet注意力机制袁 在 CTW2015 数据集上的准确率提高了 0.58%袁召回率提高了 0.71%袁F 值提高了 0.65%遥 在 ICDAR2015数据集上对本文算法进行验证袁结果如表 2 所示遥如表 2 所示袁 本文算法在 ICDAR2015 数据集上的指标相比原模型都有所提高袁分别为准确率提高了 0.41%袁召回率提高了 0.63%袁F 值提高了 0.52%遥5结束语文字作为人们日常交流与文明传播的主要方式袁 其作用不言而喻袁而图片上的文字信息也不可忽视袁所以文字检测的发展至关重要遥本文针对场景图像中的多种形状文本尧复杂背景文本难以检测问题袁 在 DRRG 算法的基础上引入了 ResNet50 残差网络和 SENet 注意力机制袁使 DRRG 算法在可以检测任意形状文本的同时进一步提高准确度遥 本文在 CTW1500 数据集和ICDAR2015 数据集上训练和评估袁实验结果表明袁较原算法性能有所提高遥 但是由于该网络结构复杂导致训练耗费时间还比较长袁后续还可以在网络轻量化方面改进遥参考文献咱1暂W KAZMI,I NABNEY,G VOGIATZIS,et al.An efficient in鄄dustrial system for vehicle tyre(Tire)detection and textrecognition using deep learningJ.IEEE transactions on in鄄telligent transportation systems,2021,22(2):1264-1275咱2暂Y LIU,L JIN,C FANG.Arbitrarily shaped scene text detec鄄tion with a mask tightness text detectorJ.IEEE Transactionson Image Processing.2020,29:2918-2930咱3暂P CHENG,Y CAI,W WANG.A direct regression scene textdetector with position-sensitive segmentationJ.IEEE Transac鄄tions on Circuits and Systems for Video Technology,2020,30(11):4171-4181咱4暂PINAKINATHCHOWDHURY,PALAIAHNAKOTESHIVAKU鄄MARA,RAMACHANDRA RAGHAVENDRA,et al.An episodiclearningnetworkfortextdetectioinonhumanbodiesinsports imagesJ.IEEE Transactions on Circuits and Systemsfor Video Technology,2022,32(4):2279-2289咱5暂D DENG,H LIU,X LI,et al.Pixellink:Detecting scene textvia instance segmentationC/Proceedings of the Thirty-Sec鄄ond AAAI Conference on Artificial Intelligence,2018:6773-6780咱6暂S LONG,J RUAN,W ZHANG,et al.Textsnake:A flexiblerepresentation for detecting text of ar-bitrary shapes C/Proceedings of European Conference on Computer Vision,2018:20-36咱7暂M LIAO,B SHI,X BAI.Textboxes+:A single-shot orientedscene text detectorJ.IEEE Transactions on Image Process鄄ing 2018,27(8):3676-3690咱8暂SHI-XUE ZHANG,XIAOBIN ZHU,JIE-BO HOU,et al.DeepRelational Reasoning Graph Network for Arbitrary Shape TextDetectionC/Proceedings of IEEE Conference on ComputerVision and Pattern Recognition,2020:9696-9705咱9暂HU J,SHEN L,SUN G.Squeeze-and-excitation networksC/2018 IEEE/CVF Conference on Computer Vision and Pat鄄tern Recognition(CVPR),2018:7132-7141咱10暂付明辉.基于深度学习的自然场景文字检测算法研究咱D暂.北京院北方工业大学袁2021咱11暂候晋阳.基于深度学习的场景图片敏感文字信息检测技术研究咱D暂.太原院中北大学袁2021咱收稿日期院圆园圆猿原园圆原园苑暂表 1CTW2015 数据集测试结果表 2ICDAR2015 数据集测试结果DWA 算法袁能完成路径规划和避障的功能遥基于本方案袁今后机器人可以添加视觉尧 气体等传感器和机械臂等设备增加机器人功能袁加强对粮仓储粮的巡检查看遥参考文献咱1暂王启阳袁吴文福袁兰天忆.东北地区稻谷储藏期间脂肪酸含量的预测模型咱J暂.农业工程学报袁2020袁36渊6冤院269-275咱2暂刘晓.小籽粒谷物散体力学性质研究及应用咱D暂.太原院山西农业大学袁2015咱3暂李晨曦袁张军袁靳欣宇袁等.激光雷达 SLAM 技术及其在无人车中的应用研究进展咱J暂.北京联合大学学报袁2017袁31渊4冤院61-69咱4暂晋晓飞袁王浩袁宗卫佳袁等援自主移动机器人避障技术研究现状咱J暂援传感器与微系统袁2018袁37渊5冤院5原9咱5暂姜伟楠.AGV 路径规划与自主避障研究与应用咱D暂.长春院长春工业大学袁2020咱6暂薛婷袁贝绍轶袁李波.基于蚁群算法的智能小车路径规划咱J暂.计算机仿真袁2021袁38渊12冤院362-366咱收稿日期院圆园圆圆原员员原圆愿暂图 4融合算法未知障碍物避障图基于 ROS 的粮面巡检机器人导航系统设计84