车鑫 余琼 高月仕 杨宗能 饶苍平
云南电网有限公司红河供电局
摘要：人工智能驾驶技术的实现需要大量的科学技术支持，而其中最重要的就是大量的传感器定位。核心技术是包括高精度地图、定位、感知、智能决策与控制等各个模块。采用激光SLAM通过安装在AGV前方或顶部的激光雷达自动识别周围环境轮廓并且实现车辆自定位，根据仓库的环境灵活采用多种传感；自适应运动控制算法，实现高精度运动控制，适应各种复杂的情况；进行路线规划，任务调度的配置、发起、监控，路线交通管制。本文开展人工智能驾驶技术与多种传感器的相互结合研究。
关键词：人工智能驾驶技术；AGV；运动控制
一、前言
AGV（Automated Guided Vehicle），也称为无人搬运车，是工业机器人产业中的一个细品分类，是能够按规定的导引路线行驶并自主完成搬运作业的机器人。按照导引方式分类，AGV可以分为电磁导引AGV、磁带导引AGV、光学导引AGV、惯性导引AGV、激光导引AGV、点导引AGV、图像识别导引AGV、GPS导引AGV等。其中电磁导引和磁带导引技术较为成熟，具有稳定可靠、经济适用的优点，但是也有如下弊端：
（1）电磁导航需要对地面进行开槽、回填，破坏原有的地面完整性；
（2）磁带导航需要在地面粘贴，后期容易被其他车辆与人员碾压坏；
（3）后期工艺要求修改AGV路线，需要重新施工铺设，增加成本；
在这样的市场背景下，AGV的电磁导航、磁带导航的弊端明显，急需另一种新的AGV导航方式解决AGV导航的可拓展性问题。
.png)
二、基于激光SLAM导航的AGV
2.1激光雷达的原理
激光雷达的工作原理如图1所示，激励源提供能量打破激光器内热平衡，粒子在激光器谐振腔中受激放大，达到出射阈值后，激光从激光器中发出，激光调制器通过控制光束控制器，决定输出激光的方向、光束半径等，最后激光经过光学系统发射。光电探测器负责探测经过反射的激光，产生接收信号，利用高精度时钟确定发射时间和接收时间，经由微处理器计算测量距离、角度、发射强度等信息。利用软件对这些信息进行综合处理，可以获取目标的表面轮廓与物理距离，从而进行建模或者数据分析。如图2所示。
.png)
图2 激光雷达测量显示图
激光雷达测距原理如式（1）。
R= (C*T) / 2 式（1）
其中，R—传感器到被测采样点之间的距离；
C—光速；
T—激光脉冲从激光器到被测采样点的往返传输时间。
2.2激光雷达的划分
（1）按照扫描线数进行划分，激光雷达可分为单线激光雷达和多线激光雷达。
（2）按照成像方式进行划分，激光雷达可分为一维激光雷达、二维激光雷达、三维激光雷达，如表1所示。
.png)
（3）按照发射的波形划分，激光雷达可分为脉冲激光雷达和连续波激光雷达、脉冲压缩激光雷达和成像激光雷达等。
（4）按照扫描方式划分，激光雷达可分为扫描式和非扫描式。
· 扫描式：有机械扫描、电学扫描和二元光学扫描几种选择，机械扫描能够进行大视场扫描，也可以达到很高的扫描速率，是目前应用最多的一种方式。
· 非扫描：采用多元探测器，作用距离较远。
2.3SLAM导航原理
SLAM（Simultaneous Localization And Mapping）即同步定位与建图，指机器人在未知的环境、未知的位置中，一边移动一边利用自身携带的传感器（编码器、IMU、激光传感器或者视觉传感器）测绘出该环境的完整地图，并确定自己所处的位置。基于激光SLAM导航的AGV中，机器人在运动过程中通过编码器与惯性测量单元计算获得里程数据，根据机器人的运动模型计算机器人的位姿，通过激光雷达数据，建立基本地图模型，在移动过程中，更新地图，同时结合观测模型对机器人的位姿进行精确校正，得到机器人精准定位，然后把机器人位置添加到栅格地图中，反复如此，最后完成整个场景的地图构建。构建的地图与室内位置对照如图3所示。
.png)
图3 构建的地图与室内位置的对照
完成场景地图构建后，AGV要在构建好的地图基础上进行路径规划实现AGV导航。在AGV运动过程中，AGV的里程计和激光雷达配合，计算出AGV的实际位置，与栅格地图进行匹配，实时获取AGV的精准位置和位姿，同时，根据当前位置、目标位置和四周环境进行路径规划，遇到障碍物及时更改路径，使AGV实现自动行驶、智能避障。
三、基于激光SLAM的AGV关键技术
3.1激光雷达
在技术发展方向来说，激光雷达在移动机器人中的应用是大势所趋，但是目前激光雷达并未得到国内移动机器人厂商的大规模应用，短期内也暂时无法突破高昂成本的壁垒，出现爆发式增长。主要原因就是激光雷达的低产能、高成本。激光雷达结构精密复杂，量产难度大，国外激光雷达厂商很少自建生产线，大部分选择代工厂代工；国内激光雷达的研发事业刚起步，技术和产能也有一定困难，造成了激光雷达想要追求高质量就不得不提高成本的问题。
过去几年，激光雷达组件成本逐渐降低，国内激光雷达厂商发展态势良好，使激光雷达的价格有所降低，但总体价格仍然让应用厂商无法大规模采购。据了解，百度、谷歌无人汽车采用的激光雷达，成本在2~8万美元，价格几乎与汽车本体相当。激光雷达成本如此高昂，导致激光雷达与移动机器人结合的产品无法得到普遍客户的认可，对于中低端移动机器人厂商来说，激光雷达目前不在考虑范围之内。
3.2地图构建
人们一般采用地图的方式来展示环境的总体信息。AGV独立构建的地图可以分为拓扑地图、几何特征地图和栅格地图三种。在选择地图类型的时候，要根据AGV的环境、使用的SLAM算法和AGV的实际需求进行选择。正确快速地构建地图对于AGV的作用非常显著，它能够在完成基本的地图构建上提高效率，还可以更好地指导导航和避障工作，提高实时性和AGV的反应速度。
1.栅格地图
栅格地图是众多地图表达方式中最基础的一种。其工作原理是先把待测环境进行分割，分割成为同等大小的网格，网格的状态分为“被占用”和“未被占用”两种状态，在算法中用“1”和“0”两个数值来表示上述两种状态，每一个网格用处于0到1之间的数字来表示被占用的概率，也能用来指代在真实环境中对应位置存在障碍物的概率大小。
在构建地图时，如果所收集的数据来自于激光雷达，栅格地图这一方式具有很大的优势，因为它更容易创建和维护，并且在临时信息出现时，比如过往的车辆行人等，也能很方便地更新地图内容。栅格地图能够显著划分出可通行区域和障碍物边缘与位置，因此十分适合轨迹规划和避障导航。栅格地图的分辨率取决于栅格的数量大小，如果要提升栅格地图的分辨率，那么必须要减小各个栅格的尺寸，使用数量更多的栅格来表示[2]，栅格数量越多，需要的计算量就越大，需要占用更多内存来存储地图，在高精度和实时性之间的矛盾里，目前的解决方案是在面积较小的室内环境使用。目前，无论是2D激光SLAM还是3D激光SLAM，应用最广泛的地图种类是占据栅格地图。
2.拓扑地图
与通过笛卡尔坐标系来表示位置的方式不同，拓扑地图借鉴了拓扑图的结构和思路，采用各个节点和用来连通这些节点的边的方式来实现地图的表达。在这样一种地图里面，各个节点与外部实际环境中的各个物体相对应，节点与节点之间的各个边则代表这些物体的相互邻接关系，直接路径的存在表示为这两个物体之间存在一个连接两者的边。这种表达方式优势在于，能够占用更少的资源来记录整个地图的信息，节点之间的连通性和路径的存在更加直观，但是这种抽象地图导致其具有较差的可读性，人机交互能力差，因此拓扑地图更加适合路径规划而不是地图构建。
3.几何特征地图
在探测环境时，几何特征地图将以环境探测到的物体的几何特征（如线段、曲面、点等）来表示物体，因此，构建出来的几何特征地图更加贴近于人眼观察到的环境。这一表达方式的主要流程为：在得到传感器所采集到的原始环境信息之后，利用从环境信息中提取出的环境的几何特征来表示这些环境，并使用这些环境特征进行地图构建。
几何特征地图最显著的特征就是直观性强，能够快速识别出物体在环境中的位置，并且相比较于栅格地图，几何特征地图占用的内存空间更小。但是在面对复杂环境时，无法显示出具体细节。在出现临时障碍物或者地图更新时，局部地图需要和全局地图进行匹配，更新时间比栅格地图缓慢。复杂环境中，对AGV的位姿进行精确估计需要大量的扫描匹配，几何特征地图的概括性可能会导致这一扫描匹配环节不成功。
总结
SLAM最早由国外学者提出，1990年的一篇文章中，使用扩展卡尔曼滤波求解SLAM，并成为以后SLAM问题的主导模型。SLAM技术在移动机器人自主导航领域应用比较广泛，并得到了深入研究，技术也比较成熟，就今后的发展本文做如下几条总结。
激光雷达想要普遍应用于各种场景，主要难点在于（1）工作环境对激光雷达干扰大，如雾天难以工作；（2）价格太高，通常在万元以上。对于激光雷达功能短板，可采用多传感融合的方式解决；对激光雷达大规模应用形成最大阻碍的价格问题，目前有两个主要解决途径：一是在机械旋转式激光雷达产品中，实现电子元器件的高度集成化与芯片化，二是研发固态激光雷达。感器融合；提高激光SLAM算法的鲁棒性与实时性。随着激光雷达技术的成熟与发展，越来越多的低成本激光雷达被民用化，同时将会有更加鲁棒的激光SLAM算法产生，基于激光SLAM的AGV将会得到更大的发展。
参考文献
[1]朱训栋,张鑫.AGV视觉导航技术研究进展[J].物流科技,2019,42(6)：56-59.
[2]张东,江亚峰,姜烽,等.一种AGV改进惯性导航系统的设计及实现[J].机械制造与自动化,2019,48(4)：192-195.
[3]钱晓明,张浩,王晓勇.基于激光扫描匹配的移动机器人相对定位技术研究[J].农业机械学报,2016,47(3)：14-21.
[4]皮燕燕,王远明,刘为任,等.二维场景中SLAM算法对比研究[C]//2018惯性技术发展动态发展方向研讨会文集,2018.
[5]邓伟,梁岚珍,浦剑涛.大范围环境中EKF-SLAM问题的改进算法[J].计算机仿真,2014,31(11)：345-348＋385.