前言：想要寫出一篇引人入勝的文章？我們特意為您整理了激光雷達下的自動駕駛方案設計范文，希望能給你帶來靈感和參考，敬請閱讀。
摘要：針對在封閉環(huán)境內(nèi)智能車如何實現(xiàn)自動駕駛問題，本文通過算法與理論的分析以及在仿真環(huán)境中進行運動規(guī)劃的驗證，進而得到了一套低成本、簡單易操控的自動駕駛引導方案。經(jīng)實驗結果證明，基于ROS平臺設計的智能車，在地圖構建（SLAM）、定位、路徑規(guī)劃方面具有較好的穩(wěn)定性、實時性、快速性與準確性。
關鍵詞：自動駕駛；ROS；仿真
1自動駕駛的整體設計方案
這套針對封閉環(huán)境中既定路徑下車輛自動駕駛的控制方案是基于ROS操作平臺實現(xiàn)的，ROS提供了大量的工具組合用來進行功能的配置、啟動、自檢、調(diào)試以及可視化。在ROS平臺中使用Gmapping算法針對激光雷達和IMU位姿傳感器檢測和采集的信息對周圍環(huán)境進行二維柵格地圖構建（SLAM）、采用AMCL算法來實現(xiàn)車輛在地圖中的準確定位、最后通過A*算法進行全局的路徑規(guī)劃。在路徑規(guī)劃中針對道路中臨時出現(xiàn)的障礙通過TEB算法進行判別并進行局部的路徑規(guī)劃以實現(xiàn)對其合理避讓。整套方案在結構上具有適應性廣泛、開發(fā)成本低的特點，在不降低效率的前提下實現(xiàn)了對于自動駕駛的功能。
2基于Gmapping建圖功能的設計
SLAM全稱為SimultaneousLocalizationandMapping，及定位的同時完成建圖。本節(jié)從Gmapping算法功能包開始，結合重要參數(shù)信息展開介紹SLAM建圖功能。Gmapping運行的理論基礎為通過從激光雷達和里程計分別獲取數(shù)組觀測向量信息和里程計測量信息，經(jīng)過TF轉(zhuǎn)換，輸出地圖信息和位姿估計。
3定位以及導航算法功能介紹
AMCL全稱為自適應蒙特卡洛定位，是在傳統(tǒng)MCL定位算法基礎上，添加KLD采樣實現(xiàn)功能改進。針對已有的地圖，使用粒子濾波器跟蹤機器人位置姿態(tài)。AMCL算法解決了機器人綁架問題，有效防止迭代過程中重要信息粒子的缺失，并極大程度地提高了運算效率。
4全局路徑規(guī)劃
全局路徑規(guī)劃代價地圖包含地圖層和膨脹層。并基于A*算法配置、設計全局路徑規(guī)劃器，通過全局代價題圖獲取單元格代價信息，通過計算尋找起點與終點之間最小代價路徑。本節(jié)將具體介紹A*算法的基本原理以及實現(xiàn)過程。A*算法第一部是將區(qū)域作方格化簡化操作，將二維區(qū)域地圖簡化為2維數(shù)組的形式，數(shù)組的每個元素對應一個方格，便于計算操作。在簡化搜索區(qū)域完成后，需標注起始點、終點和障礙的位置信息。準備工作完成后，將起始點放入開放列表中，對其周圍的八個方格，計算F值，F(xiàn)值由G值和H值相加所得。G值對應從起始點移動到指定方格的移動代價，H值為指定方格移動到終點的估算成本。尋找F值最小的方格放入開放列表中，將該方格作為新的起始點，重復上述操作，直到起始點周圍方格中包含終點，則此時成功找到合適路徑。
5局部路徑規(guī)劃
局部路徑規(guī)劃代價地圖包含障礙地圖層和膨脹層。該功能用于小車行進過程中，對地圖中未記錄的障礙信息，能夠及時改變路徑避開障礙。局部路徑規(guī)劃器是基于TEB算法實現(xiàn)的。TEB算法核心圍繞位姿和記錄時間序列展開。位姿及為機器人在地圖中的位置、姿態(tài)信息記錄不同時間段的位姿信息，經(jīng)過整合形成位姿序列。時間序列則由相鄰位姿狀態(tài)變化所經(jīng)歷的時間∆t整合而成。將位姿序列和時間序列進行合并，以全局路徑允許的最大路徑作為約束條件，通過加權目標優(yōu)化獲取最優(yōu)的路徑點。
6智能車在Gazebo中的仿真
實現(xiàn)基于ROS操作系統(tǒng)的智能車仿真，需要一個穩(wěn)定且功能強大的仿真的環(huán)境。ROS官方專門提供了Gazebo物理仿真軟件。Gazebo仿真環(huán)境可以實現(xiàn)機器人在三維環(huán)境中完成復雜動作。Gazebo不僅提供各種可二次開發(fā)的數(shù)據(jù)庫，還可以與ROS系統(tǒng)中的其他平臺進行通訊，不僅提高了開發(fā)人員的工作效率也為ROS平臺的開發(fā)提供了更多的可能性。仿真具體過程的流程如下：
6.1車模與運動控制器的建立
在ROS操作系統(tǒng)里面，一個完整的機器人仿真模型由一系列的link和joint組成，斑紋采用acrox描述文件來構建車模的link（部件）與joint（連接件）的基本屬性。Link設置模型的各個部件的特性與名稱，link的三個屬性分別為，conllision，inertial分別與外觀，碰撞屬性和慣性特性相對應。Joint則是連接兩個link的關節(jié)，將parentlink與childlink進行連接，由于parentlink與childlink的運動關系不同，使得不同join之間的連接類型不同，下表為仿真模型用到的主要joint類型參數(shù)。控制器的配置在很大程度上決定了車模的屬性。智能車模型的運動控制器配置過程：1）在配置模型屬性的過程中，模型的各部分joint已經(jīng)添加了gazebo的標簽并且添加了相應的控制器插件，接下來通過一個yaml文件，聲明仿真需要的controller以及相對應的參數(shù)，并通過joint_state_controller來每個關節(jié)的實時狀態(tài)。2）生成啟動文件，在文件目錄下加載需要加載的controller
6.2建圖：
首先，打開gazebo和rviz的launch啟動文件，此時將加載仿真車模及其仿真環(huán)境，以及啟動gampping的功能文件。接著gazebo結點會自動訂閱車模坐標控制信息、里程計坐標信息、激光雷達坐標信息，結合AMCL算法實現(xiàn)小車自定位，為建圖做好準備。然后，通過采用設計好的控制工具包提供的滑塊控制車模在環(huán)境中運動（如圖2所示），通過rviz可以觀察車模運動過程中地圖的掃描情況。在車模運動過程中，gampping算法將車模的坐標控制信息、里程計坐標信息、激光雷達坐標信息進行處理運算實現(xiàn)二維地圖的構建。完成建圖工作后使用map_server命令行工具將掃描好的地圖進行保存。
6.3導航：
首先，開啟gazebo和rviz的仿真環(huán)境，在gazebo仿真環(huán)境中增設障礙物錐桶，以模擬真實環(huán)境中的路況變化。Rviz能夠加載顯示出新建好的二維柵格地圖。其次，分別開啟全局路徑規(guī)劃、局部路徑規(guī)劃、AMCL定位的功能文件，自動引導啟動與定位和導航相關的多個節(jié)點。通過在rviz上使用2D-navgoal指定目標點的位姿矢量，之后move_base節(jié)點自動訂閱車模坐標信息進行定位，并由此計算出最佳路徑，由控制器發(fā)送指令控制車模沿路徑方向移動至終點。
7仿真結果的分析
經(jīng)過測試本實驗設計的智能車可以在仿真環(huán)境中完成SLAM導航，Gmapping建立柵格地圖，躲避障礙物等功能，實現(xiàn)了Gzaebo在仿真環(huán)境中的研究。為了測試智能車在仿真環(huán)境中的性能。通過激光雷達建立柵格地圖與環(huán)境模型進行對比，驗證實驗結果的準確性。將柵格地圖與環(huán)境模型進行比較，可知智能車在環(huán)境建圖測試中表現(xiàn)良好，擁有著較為精準的導航與建圖功能。圖4為測試結果。
8結論
基于該方案設計的自主駕駛方案，經(jīng)過基于ROS平臺的Gezabo仿真實驗，得到了準確度較高的柵格地圖，經(jīng)與仿真環(huán)境中的賽道進行對比，證實了該方案在校園清潔、醫(yī)院消毒、封閉環(huán)境中的自動駕駛與路徑規(guī)劃等應用場景的可行性。
參考文獻：
[1]恩里克費爾南德斯.ROS機器人程序設計[M].機械工業(yè)出版社.2016.
[2]李鑫.基于激光雷達的同時定位與建圖方法研究[D].長沙.
[3]高翔，張濤.視覺SLAM十四講:從理論到實踐［M］.北京:電子工業(yè)出版社，2017.
作者：王建彬 張軒望 譚卓 侯明 單位：北京信息科技大學