浅谈移动式机器人关键技术及其实现

邓天择

1 无人驾驶汽车的研究背景

1.1 无人驾驶汽车的现状及前景

现如今我们每个人的日常生活已经都离不开汽车。无人驾驶汽车就是一种能载客的移动式机器人。随着汽车产业与人工智能、物联网、计算能力的融合，无人驾驶汽车日益发展起来，而目前无人车尚处于研发过程中，并未量产，还需要采集大量数据，方可应用于实际生活。

无人驾驶汽车相对于传统汽车，其依靠计算机对全车传感器反馈的信号做出判断，在极短的时间内调整转向，加减速等指令以适应新的变化，计算机的运算速度和反应时间相较于人类而言大幅缩短，因而减少了因为驾驶员来不及反应而造成的事故。同时，当事故进一步减少时，汽车也不必再通过严苛的碰撞测试，车体可以节约大量的材料，而他们又可以被应用在更广泛的领域。

当无人驾驶技术与城市规划相结合时，通过数据关联、数据共享、数据网络，可以实现车辆与车辆之间的沟通，让信息实现拓扑传输，并且每台无人车都可以进行信息的收发，这样一来能明显提高信息传递效率，协调交通。

按照自动化程度划分，无人驾驶分为Lv0-Lv5六级，而现在已经研发出的无人驾驶汽车大多处于Lv2-Lv3，即根据驾驶环境对转向和加减速提供智能辅助。而无人驾驶汽车的终极目标是达到Lv5，也就是实现驾驶系统能独立自主完成所有操作，并且可以在所有道路和环境下行驶。

是以互联网企业作为驱动力实现技术进步的。最近几年，国内外多家互联网企业都在着手进行无人驾驶汽车的相关研发以及测试。

1.2 无人驾驶汽车面临的挑战

1.2.1 无人驾驶汽车相关技术还需要完善和提高

目前，各大公司无人驾驶汽车的原型车基本为电动车，续航里程，能源供给等问题仍旧制约发展。无人驾驶汽车本身的控制算法及导航精度问题也被人们所诟病。

1.2.2 交通法规的制定及其伦理道德问题

如无人驾驶汽车走入生活，还需加快法律法规的制定。同时，计算机在面对事故时也应有能力自行处理。

1.2.3 冲击传统汽车产业及相关工业链

无人驾驶汽车进入市场，会导致相关人员失业，需要妥善安置。

2 移动式机器人的控制及导航算法的设计

2.1 关于无人驾驶汽车的硬件设计

无人驾驶汽车分为控制层、执行层和感知层。简单来说，控制层包括嵌入式系统、各种处理器GPU和CPU等；执行层包括机器人的直流伺服电机、舵机等，它们对无人车进行驱动。无人车一般选用电驱动，来提高其灵活性。感知层包括激光传感器、超声传感器、红外传感器等用来测距的传感器；车轮编码器感知机器人运动位移及速度变化；电机电流传感器感知电流变化；可利用雷达和摄像头完成导航中地图的创立；用陀螺仪和加速度计对无人车进行角速度和加速度的测量；用GPS或北斗等卫星定位系统对无人车进行定位。

要想研究无人驾驶技术，还要从最简单的移动式机器人着手。为了让其也具有真正无人驾驶汽车所具有的功能，还应从车体设计结构，嵌入式计算机，传感器和电机等应用几方面来研究。

应该像真正汽车一样采用四轮式结构，使用万向轮保证无人车的灵活性和机动性；使用嵌入式计算机，比如单片机等完成内部信息的推理、处理、分析、决策，同时可进行开发修改；使用直流伺服电机作为驱动模块，可提供过流、短路、过压或欠压保护，完成位置速度转矩模式控制，通过PWM调节信号输出；使用铅酸电池作为能源供给；模型车需要感知与周围环境的状态，需要有测距传感器、视觉传感器、定位传感器、语音传感器、方位传感器；使用无线通信装置，完成机器人之间、机器人与上位机之间的信息传送；这样一辆模型车硬件基本就完工了。要想真正使其达到预期，还需要软件程序的支持。当有了配套的程序之后，就可以用模型车做初步的测试了。

2.2 关于无人驾驶汽车的软件设计

驾驶控制系统是简单的反馈控制系统，所以在无人车中分为方向控制和速度控制，将车的速度和位置进行比较，得到行驶的速度和位置的偏差。在驾驶时，通过传感器进行反馈实现，这些设备一般称为测量原件。通过改变受控对象状态，逐步减小偏差。一般在这个过程中采用负反馈，在这个过程中，用输入信号减去输出信号以其差值作为功率放大器等的输入信号，利用控制器对偏差进行处理，之后驱动执行机构。

在设计控制算法之前需对无人车的力学模型进行建立，利用牛顿第二定律以及能量守恒，对无人车进行受力分析，受到推力、阻力、摩擦力、支持力，利用两轮的差速实现无人车的转弯，实现无人车二维的运动状态的改变。由于设计的无人车力学模型比较简单，选用PID作为无人车的控制器。

在控制系统中，一般选用PID作为系统的控制器，在位置算法中一般采用PD控制，比例调节能够反映系统偏差，通过调节减小偏差，微分环节具有预见性，能预见偏差变化趋势，对信号产生超前控制作用。在速度控制算法中一般使用PID控制算法。由于速度控制需要及时调节，所以使用PID算法可以快速稳定地控制无人车，尤其在无人车进入高速运动时。当无人车的输入信号抖动过大时，说明无人车进入弯道或者路况复杂的路段，此时需对无人车进行分段控制，将无人车调节到低速状态，从而减少入弯时间，达到入弯理想状态。在这个过程中，通过偏离的速度系统，可以得到转弯的角度，以此改变无人车的姿态和速度，而无人车速度通常用PWM控制，在实验中控制速度，增大惯性仪器的精度，减小打滑带来的误差。同时不能将无人车加速度调节过大，以防止打滑现象，尤其转弯控制中，进行柔性控制，追求系统稳定性大于追求快速性。

导航系统也是无人驾驶汽车不可或缺的一个关键部分。我们可以运用SLAM算法进行环境建模。SLAM算法主要解决移动式机器人地图建立、路径规划定位等问题，其中地图的表示方法包括栅格地图、几何地图和拓扑地图。栅格地图易于创建和维护，但是随着栅格数的增长，计算量明显增加，会严重影响系统计算效率。几何地图是用简单的几何线条反映出环境信息，更加紧凑。可以通过激光测距仪、声纳等传感器很方便地提取出物体的几何特征，但是需要对传感器的感知信息作额外处理。可以将栅格地图和几何地图综合在一起作为实验中无人车的地图，这样可以兼具二者的优点，同时弥补二者的不足。

查阅相关资料及文献，激光雷达的价格过高，且不易于量产，不适合应用在实验中。如果单独使用摄像头又会导致识别能力较差以及无法测距，而且单目摄像头建立需要庞大的数据库，但是如果缺乏特征数据，无法识别和测距，所以手机双摄、三摄的启发，采用双目或三目摄像头，可直接进行测距。虽然计算量大，但随着处理器性能提高，既节约了成本，也满足了需求，同时兼具识别能力和测距能力。由于障碍物如行人，自行车目标较大，此方法都可快速识别。

在完全陌生环境中，无人车需要通过GPS、北斗等卫星定位系统来实现自定位。但是遇到隧道等室外无GPS情况下，还需要依赖自身惯性导航，因此需提高惯导传感器的精度，减少其不确定性完成路径规划。由于传感器自身的限制，感知信息存在不同程度的不确定性。对于不确定信息处理，可以提高自身传感器的精度，低功耗，高性能，减少运算时间，但是其成本也是需要考虑的一个关键问题。还可以通过算法优化，从软件层面解决不确定性带来的问题，但是也需要提高CPU的处理能力来提高运算效率。

3 结语

本文通过对移动式机器人硬件、软件的研究和改进，其中软件方面设计PID算法对弯道直道分段控制，确保稳定性、快速性；设计栅格地图和几何地图组合的地图表示方法提高地图可视性；硬件上在传感器方面提高性能，选用多摄像头传统雷达替代激光雷达，使得无人车在测试中的准确性以及反应速度有了较大提升，解决不确定性带来的问题。如果能够运用在实际中，能降低无人驾驶汽车成本的同时提高其精确性以及运算效率。