轮式移动机器人定位导航技术简介

目前来看，应用比较多的比较成熟的还是轮式移动机器人，本文主要科普一下轮式移动机器人的建图定位导航技术点。

        建图定位技术，俗称slam技术，即同时定位与建图，最早用于测绘学，是一种制作地图的技术，目前广泛应用于轮式移动机器人，技术原理是利用激光雷达传感器或轮式里程计配合IMU，预测移动机器人的运动轨迹，同时根据雷达数据生成栅格地图（通常是2d,3d占据概率地图，用概率表示地图空闲与否，同时也能根据概率刷新当前地图状态是否有障碍物等，用于后期导航），或用视觉里程计（单目双目或RGBD，itof/dtof相机）生成特征点地图（主要用于重定位）或稠密地图（可以转换位2D/3D占据概率地图，用于后期导航），地图生成后可以用于后期的定位和导航使用。另外也可以用RTK/GNSS生成高精度地图，适用于户外宽敞场景，用于自动驾驶汽车的定位和导航。前面介绍的定位前期的建图环节，先有地图，后有定位，通常是指重定位，即重新定位，为什么需要重新定位，是指已经有场景地图的情况下，机器人再次进入场景中的某个位置，用来确定此位置在地图中哪个坐标点的技术，重定位通常是通过激光雷达或视觉传感器扫描当前位置，激光雷达生成当前位置三维点云，与地图中的点云进行匹配（匹配算法主要有csm，icp，多分辨率地图分支定界等）进而找到最佳匹配点，视觉重定位是计算当前帧的特征点（orb,surf或深度学习检测）信息与特征点地图进行匹配（sim3/se3变换）计算最佳匹配位置，进而确定当前移动机器人位置的方法，实际中激光雷达和视觉可以融合定位。目前常用的定位建图算法有，2d激光雷达（gmapping,cartographer,hector）,3d激光雷达（loam,lego-loam,lio-sam,fastlio2）,视觉（orbslam2/3,rtabmap,lvi-sam,dmvio,vins-mono,ekf,ukf）,nerf,GS(gaussian,splatting)等新方法，建图用到的优化算法库有ceres,g2o,gtsam,或根据LM算法和卡尔曼滤波开发的库。

         定位导航技术，是根据目标点或目标任务规划机器人的行驶轨迹，机器人根据轨迹通过控制（PID,LQR,MPC,LSTM,GRU等）和一定的避障手段（通常是rgbd相机调用深度学习模型检测有哪些障碍物，或通过地面拟合分离障碍物）实现机器人按照预定轨迹向目标点移动。细分为轨迹规划和控制任务，如果指定目标点，机器人会根据全局轨迹规划器规划出全局轨迹，再通过局部轨迹规划器规划局部轨迹，局部轨迹根据障碍物位置实时更新轨迹，全局和局部轨迹规划器常用的有teb,dwa/dwb,rrt*,A*，迪杰斯特拉等,有了轨迹就需要控制机器人到目标点位，需要一定的控制手段，常用的是PID,MPC（模型预测控制），主要目的是保证跟得上不会超调，根据输入控制信号和观测值（里程计输入）先验，预测输出值，预测减下一次观测计算残差雅可比，再产生下一次控制信号，不断调整机器人跟得上规划轨迹点。最终实现导航到目标点或目标任务（通常是机器人走的轨迹如一段轨迹，弓子形轨迹，回字形轨迹）。目前ros(move_base/amcl) ros2(navigation2,行为树,groot）等有现成的工具支持。

        通常机器人在一个新环境中可以通过自主移动或手动的方式完成建图，之后用地图进行导航，自主移动通常是沿边或根据当前位置局部地图通过一定的算法生成边界导航点，边导航边建图同时通过一定的感知技术（主要是通过深度学习方法包括目标检测，语义分割，实例分割等识别障碍物类型）识别障碍物，之后生成全局地图。手动可以通过移动机器人或手柄控制的方式引导机器人完成建图。之后根据地图进行导航。生成的地图也可以根据需要进行修改，使导航更加精确。