一种野外机器人自主导航方法及野外自主导航机器人

技术领域

本发明属于机器人自主导航技术领域，具体涉及一种野外机器人自主导航方法及野外自主导航机器人。

背景技术

当前移动机器人的自主导航方案都建立在结构化场景之上，也就是以平坦地面为主的场景上。而在具有挑战性的非结构化野外环境中，机器人需要面对更复杂的情况，如陡坡、低洼、岩石等。

由于野外场景比较多变，野外环境的不确定性，当前移动机器人在非结构化环境中，机器人不仅要处理常见的障碍物，如树木和岩石，还要处理特殊地形的挑战，如陡坡、洼地、岩石等，容易出现机器人陷入困境的情况，而现有的自主导航方案规划路径时并未考虑机器人底盘能力，导致机器人容易倾覆，严重影响导航的安全性。

发明内容

针对现有技术中野外机器人在避障和处理特殊地形时容易陷入困境，现有的自主导航方案规划路径时并未考虑机器人底盘能力，可能会导致机器人倾覆的问题，本发明提供了一种野外机器人自主导航方法。

本发明采用的技术方案如下：

一种野外机器人自主导航方法，包括以下步骤：

步骤A：获取野外机器人周围的原始点云数据和数字高程地图；

步骤B：对步骤A获取的原始点云数据进行点云分割，并得到2D障碍物地图；

步骤C：对步骤A得到的数字高程地图进行粗糙度计算和可通行性分析，再结合各个栅格拟合平面的法向量，生成2.5D数字高程地图；

步骤D：将步骤B得到的2D障碍物地图和步骤C得到的2.5D数字高程地图进行叠加，得到2D+2.5D地图，所述2D+2.5D地图从上至下分别为拟合平面的法向量层、粗糙度层以及2D障碍物地图层；

步骤F:在步骤D得到的2D+2.5D地图的基础上使用混合A*算法规划路径，野外机器人根据规划路径行进，完成自主导航。

采用该技术方案后，本发明在考虑2.5D地图的基础上，加入了2D地图的障碍物表示，进一步提高了安全性，通过考虑地形可通行性因素，设计路径规划算法，能够很好地发挥机器人底盘的运动能力，规划路径更适合机器人跟踪，提高了机器人野外导航的安全性和效率。

进一步的，步骤B中采用动态体素栅格滤波器进行点云分割，通过所述动态体素栅格滤波器提取影响野外机器人运动的地面点，进行点云分割时体素栅格的尺寸大于所述野外机器人的尺寸，且体素栅格的尺寸采用以下公式确定：

G

式(1)和式(2)中，G

在每个体素栅格中拟合一个局部平面，将机器人投影到该体素栅格上，投影后，假设机器人附着在局部平面，就可以计算出机器人的方位，每个体素栅格中的几何质心

式(3)和式(4)中，N表示体素栅格中点云的数量，p

每个局部平面的斜率ρ由每个体素栅格的法向量v与水平面之间的锐角计算得到，当局部平面的斜率ρ>野外机器人可以通过的最大坡度ρ

采用该技术方案后，由于原始点云数据量大，通常的做法是使用体素栅格滤波器来降低点云密度。然而，这种做法不能合理地分割悬垂结构，如树木和桥梁。因此，采用动态体素栅格滤波器进行分割，该滤波器仅提取影响机器人运动的地面点。由于机器人无法通过斜率高于ρ

进一步的，步骤C中对在数字高程地图的粗糙度计算和可通过性分析具体为:当数字高程地图中每个体素栅格局部平面的斜率ρ＜野外机器人可以通过的最大坡度ρ

公式(5)中，n表示点云的个数，k表示第k个点云，d

可通行性τ的计算公式为：

公式(6)中，a、b均为权重系数，当τ＝0则为不可通行区域。

采用该技术方案后，栅格分辨率的确定需要考虑机器人的相关参数，例如此发明中小体素栅格分辨率设为0.5m，此发明中机器人底盘长0.93m，宽0.58m，小体素栅格大小约为机器人体型的一半。如果分辨率太小，可能在小体素网格内没有点云，这是低效的。相反，如果分辨率太大，地形信息表示不准确。

进一步的，步骤F的具体步骤如下：

步骤F1：获取野外机器人此时的方位，并将所述方位作为起点加入到开始列表中，将结束列表初始化为空集；

步骤F2：选取开始清单中总代价最小的节点作为当前节点，所述总代价由代价g和启发式代价h组成，所述启发式代价h通过Reeds-Shepp曲线和混合A*算法获得，所述代价g通过计算父节点到起始点的距离获得；

步骤F3：如果当前节点没有到达终点附近，则查询当前节点的相邻节点，并判断每个相邻节点在2D+2.5D地图上的可通行性；

步骤F31：若可通行性为0，则将该相邻节点直接加入Closed List，后续不会进行访问；

步骤F32：若可通行性不为0，则将该相邻节点加入到步骤F2的开始清单中；

步骤F4：如果当前节点到达终点节点附近，则直接使用Reeds-Shepp曲线将当前节点与终点节点相连；

步骤F41：若相连曲线上存在障碍物，则返回步骤F2；

步骤F42：如果相连曲线上没有障碍物，则通过共轭梯度平滑路径，输出规划路径。

采用该技术方案后，混合A*算法考虑了机器人的运动学约束，因此规划的路径比对A*算法规划的路径让机器人更容易跟踪。然而，对于在有斜坡和其他崎岖地形的非结构化户外环境中的机器人来说，混合A*规划的路径可能会穿过可通行性较低的区域。因此考虑地形可通行性的基础上，在算法的节点扩展步骤中，如果子节点位于2D地图的障碍物区域上，则它将被直接删除，因为其对应的静态可通行性为0，否则，将在2.5D地图上查询相邻节点。

作为优选，步骤B中进行点云分割后先将分割后的点云进行直通滤波处理，滤除不必要的点云，然后遍历点云中的所有点，将所有点云投影成2D栅格地图。

针对现有技术中野外机器人在避障和处理特殊地形时容易陷入困境，现有的自主导航方案规划路径时并未考虑机器人底盘能力，可能会导致机器人倾覆的问题，本发明提供了一种野外自主导航机器人。

一种野外自主导航机器人，包括底盘，所述底盘电连接有设置有在底盘上的控制器，所述控制器电连接有设置在底盘上的激光雷达和惯性测量机构，所述惯性测量机构用于测量底盘的加速度和旋转运动，所述底盘上还设置有操作显示屏，所述操作显示屏与控制器电连接，所述操作显示屏用于调试或观察野外机器人的工作情况

采用该技术方案后，本发明通过对机器人机身搭载的激光雷达得到的原始点云进行点云分割，识别并分割出环境中的岩石、墙壁、灌木等地形；同时该发明还在分割后的点云基础上通过地形可通行性分析，生成2D+2.5D混合地图，在1考虑了机器人的底盘能力上，使用混合A*算法实现机器人自主导航。

作为优选，所述底盘为四轮差速底盘，所述控制器包括nvidia orin边缘计算模块，所述激光雷达为16线激光雷达。

作为优选，所述底盘上还设置有相机。

作为优选，所述底盘上固定设置有框架，所述控制器、激光雷达和惯性测量机构设置在所述框架上，且所述激光雷达设置在所述框架的顶部。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明在考虑2.5D地图的基础上，加入了2D地图的障碍物表示，进一步提高了安全性，通过考虑地形可通行性因素，设计路径规划算法，能够很好地发挥机器人底盘的运动能力，规划路径更适合机器人跟踪，提高了机器人野外导航的安全性和效率。

2.本发明通过对机器人机身搭载的激光雷达得到的原始点云进行点云分割，识别并分割出环境中的岩石、墙壁、灌木等地形；同时该发明还在分割后的点云基础上通过地形可通行性分析，生成2D+2.5D混合地图，在1考虑了机器人的底盘能力上，使用混合A*算法实现机器人自主导航。

3.本发明能够很好地处理野外环境中的一些复杂地形，保证机器人在导航过程中既能够避障，又能够避免陷入如灌木、篱笆等困境中。

4.本发明充分利用了机器人的机载传感器感知环境的能力，同时也充分发挥信息融合的作用，使整个框题算法达到优秀的效果。

附图说明

图1为野外机器人自主导航方法的流程框图；

图2为野外机器人自主导航方法的规划路径步骤的流程框图；

图3为野外自主导航机器人的结构示意图(不包含底盘)；

图4为获取的实时点云数据图；

图5为点云分割示意图；

图6为分割后的点云图；

图7为2D栅格地图；

图8为2.5D数字高程地图；

图9为2D+2.5D地图；

图10为2D+2.5D地图的拆分图；

其中，1-惯性测量机构，2-框架，3-激光雷达，4-操作显示屏，5-控制器。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请实施例的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

如图1-2，图4-图10所示，一种野外机器人自主导航方法，包括以下步骤：

步骤A：首先启动激光雷达，然后在计算单元Orin中开启激光雷达的ROS节点，激光雷达开始工作，扫描周围0.4m至150m范围内的环境点云信息，激光雷达扫描得到的点云通过与计算单元Orin连接的路由器传输到车载计算单元，发布到计算单元的ROS(机器人操作系统)中的点云话题上，获取的实时点云数据如图4所示，通过苏黎世理工大学的开源ROS功能包elevation_mapping来获得数字高程地图；

步骤B：对步骤A获取的原始点云数据进行点云分割，利用PCL这个C++库的点云处理能力，将分割后的点云进行直通滤波处理，滤除不必要的点云，然后遍历点云中的所有点，将所有点云投影成2D栅格地图，最后用ROS的map_server功能包保存2D栅格地图，2D栅格地图如图7所示；

步骤B中采用动态体素栅格滤波器进行点云分割，分割后的点云如图6所示，通过所述动态体素栅格滤波器提取影响野外机器人运动的地面点，进行点云分割时体素栅格的尺寸大于所述野外机器人的尺寸，且体素栅格的尺寸采用以下公式确定：

G

式(1)和式(2)中，G

在每个体素栅格中拟合一个局部平面，将野外机器人投影到该体素栅格上，投影后，假设机器人附着在局部平面，就可以计算出机器人的方位，每个体素栅格中的几何质心

式(3)和式(4)中，N表示体素栅格中点云的数量，p

每个局部平面的斜率ρ由每个体素栅格的法向量v与水平面之间的锐角计算得到，当局部平面的斜率ρ>野外机器人可以通过的最大坡度ρ

步骤C：对步骤A得到的数字高程地图进行粗糙度计算和可通行性分析，再结合各个栅格拟合平面的法向量，生成2.5D数字高程地图，如图8所示；步骤C中对在数字高程地图的粗糙度计算和可通过性分析具体为:

当局部平面的斜率ρ＜野外机器人可以通过的最大坡度ρ

公式(5)中，n表示点云的个数，k表示第k个点云，d

可通行性τ的计算公式为：

公式(6)中，a、b均为权重系数，当τ＝0则为不可通行区域

步骤D：将步骤B得到的2D栅格地图和步骤C得到的2.5D数字高程地图进行叠加，得到2D+2.5D地图，如图9所示，所述2D+2.5D地图从上至下分别为拟合平面的法向量层、粗糙度层以及2D障碍物地图层，如图10所示；

步骤F:在步骤D得到的2D+2.5D地图的基础上使用混合A*算法规划路径，野外机器人根据规划路径行进，完成自主导航。

本实施例中，如图2所示，步骤F的具体步骤如下：

步骤F1：获取野外机器人此时的方位，并将所述方位作为起点加入到开始列表中，将结束列表初始化为空集；

步骤F2：选取开始清单中总代价最小的节点作为当前节点，所述总代价由代价g和启发式代价h组成，所述启发式代价h通过Reeds-Shepp曲线和合A*算法获得，所述代价g通过计算父节点到起始点的距离获得；

步骤F3：如果当前节点没有到达终点附近，则查询当前节点的相邻节点，并判断每个相邻节点在2D+2.5D地图上的可通行性；

步骤F31：若可通行性为0，则将该相邻节点直接加入结束清单，后续不会进行访问；

步骤F32：若可通行性不为0，则将该相邻节点加入到步骤F2的开始清单中；

步骤F4：如果当前节点到达终点节点附近，则直接使用Reeds-Shepp曲线将当前节点与终点节点相连；

步骤F41：若相连曲线上存在障碍物，则返回步骤F2；

步骤F42：如果相连曲线上没有障碍物，则通过共轭梯度平滑路径，输出规划路径。

实施例2

如图3所示，一种野外自主导航机器人，包括底盘，所述底盘电连接有设置有在底盘上的控制器5，所述控制器5电连接有设置在底盘上的激光雷达3和惯性测量机构1，所述惯性测量机构用于测量底盘的加速度和旋转运动，所述底盘上还设置有操作显示屏4，所述操作显示屏4与控制器电连接，所述操作显示屏4用于调试或观察野外机器人的工作情况。

本实施例中，所述底盘为四轮差速底盘，拥有最大30°的爬坡能力，额定载重50kg，所述控制器包括nvidia orin边缘计算模块，可以通过高速接口为多个传感器提供支持，所述激光雷达为速腾聚创的RS16线激光雷达(包括了其转接设备)，其测量精度达到2cm，拥有360°的水平视场角，可以很好地用于机器人感知环境。

本实施例中，惯性测量机构1为轮趣科技公司的12轴IMU，是主要用来检测和测量加速度与旋转运动的传感器，有较强的抗磁干扰能力；

本实施例中，所述操作显示屏4为14寸工控屏

本实施例中，所述底盘上还设置有ZED 2i双目相机，LIVOX傲览Avia激光雷达。

本实施例中，所述底盘上固定设置有框架2，所述控制器5、激光雷达3和惯性测量机构1设置在所述框架2上，且所述激光雷达3设置在所述框架2的顶部。

本实施例中，所述野外自主导航机器人采用实施例1的方法进行自主导航。

以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。