低速移动机器人平台自主导航系统平台架构

低速机器人

作为自动驾驶最重要的应用之一，低速移动机器人平台的从实验室发展至落地应用已经有将近 20 年时间。在荷兰、丹麦、法国、日本、美国、韩国、新加坡等多个国家，都有相应的园区低速无人机器人在陆续承担物流，清洁，巡检等工作。

小Y针对无人驾驶技术在低速车辆的应用，低速无人驾驶车辆精准控制平台架构、 感知系统 、无人驾驶技术方法与大家一起讨论交流。

欢迎后台我，大家可以针对低速移动机器人平台搭载 autowear、Apollo 3.0 、Apollo 7.0  、ROS、ROS2技术与小Y 一起讨论学习 。

—YUHESEN产品—

车辆控制技术是低速移动机器人平台的核心，主要包括速度控制和方向控制等几个部分。自主导航就是用电子技术控制汽车进行的仿人驾驶。

通过对驾驶员的驾驶行为进行分析可知，车辆的控制是一个典型的预瞄控制行为，驾驶员找到当前道路环境下的预瞄点，根据预瞄点控制车辆的行为。

YUHESEN AUTO ROBO 低速无人平台

低速无人驾驶车辆精准控制平台架构

YUHESEN  整车控制系统

目前最常用的方法是PID算法，例如模糊PID、神经网络PID 等。车内控制系统通过CAN总线连接到各个控制单元，接受指令完成车的速度、转角等控制。

VCU( Vehicle Control Unit 整车控制单元)

VCU作为核心单元，其一通过采集控制部件等信号分析低速移动机器人平台状态，将信息反馈给信号接收系统; 其二接受系统指令，控制各部件的电气信号进而控制低速移动机器人平台的行驶状态。

感知系统简介

环境感知系统架构通过摄像头、超声波雷达、陀螺仪、车轮编码器、激光雷达、GPS等。由于低速移动机器人平台驾驶道路结构较为单一 ，基本为城市道路与园区内部道路运行 ，目前主流方案使用摄像头为辅助、激光雷达为主的多传感器融合方案。

激光融合视觉SLAM算法架构简介

首先基于激光提取具有尺度不变性的特征点；然后借鉴ＯＲＢ算法构建特征描述子；最后立体匹配计算出无人车位姿序列、推算出无人车的二维空间位姿并完成建图。同时为闭环检测和位姿地图优化，提供了图像特征点和特征描述点。

其次，采用视觉里程计与建图己经构建好的特征描述子和BOW（模型进行闭环检测）。首先聚类特征描述子实现类中心；为了使视觉特征分层量化，所以递归生成叉树的BOW；再采用逐层计算图像之间相似性增量的Ａ：叉树得分匹配方法；为了形成更好地候选闭环和剔除候选闭环的中错误闭环；最后采用了时间和匹配约束。通过对视觉SLAM闭环检测研究，不仅提高了闭环检测的准确性，也扩展了基于场景外观方法在SLAM系统中的应用，同时丰富了计算机视觉和图像处理等领域的BOW方法研宄。

然后，构建了基于图的无人车SLAM后端非线性优化结构，采用高斯-牛顿迭代算法优化位姿预测数据与位姿观测数据之间的误差，计算出误差最小情况下的无人车位姿和路标节点最优配置。优化了无人车定位与环境模型，从而指导无人车自主导航。

接下来将不断和大家分享自主导航技术应用与低速移动机器人平台场景的落地案例。大家可以针对低速移动机器人平台搭载autowear 、Apollo 3.0 、Apollo 7.0、ROS、ROS2、视觉导航技术与小Y一起讨论学习 ，在后期将为大家提供更多与行业结合的导航技术信息，期待您的加入。（后台我即可）

诚心邀请您

邀请您与YUHESEN一同开启这份伟大的事业。未来，我们将携手跨越行业、产业的限制，倾力创造更加美好的世界 。

欢迎大家莅临公司交流学习 ，一同推动移动机器人导航技术发展与技术落地。