基于ROS的铁路客站自主移动机器人关键技术研究

杨国元，吕晓军，李 超，李依诺

（中国铁道科学研究院集团有限公司 电子计算技术研究所，北京100081）

随着人工智能、机器人技术的发展，国内外研究机构、学者、企业纷纷对工业机器人、服务机器人展开研究。工业机器人已成功应用于制造、纺织、喷绘等行业，服务机器人也占据了较大的国内市场份额，通过利用智能化、信息化以及网络化等技术，加速推进服务机器人在众多领域的发展及落地[1]。其中，自主移动机器人成为一个重要的研究方向和热点，相对于传统的固定式服务机器人，自主移动机器人具有更强的实用性，能够自主移动，部分代替人从事一些复杂或重复性的工作。目前，在广州南站、上海虹桥站、郑州东站、大连北站等铁路客运车站内，已展开服务机器人的应用，但其功能还相对单一，仅限于语音问询，虽能部分代替客运服务人员的语音问询工作，尚未实现自主移动为旅客提供便捷的移动服务。

目前，国内外学者及研究机构在移动机器人领域展开了深入研究。2010年1月，美国Willow Garage公司发布了机器人操作系统（ROS，RobotOperating System）1.0版本；该系统具有开源、分布式管理等优点，底层为操作系统[2]，上层为实现定位、导航、路径规划等具体功能的软件包。E.Voisan[3]设计了基于ROS的服务机器人，可在巡视区域内，通过人像识别、图像处理等技术实现人机交互。I.Afanasyev[4]设计了基于ROS的机器人，通过在未知环境中构建3D环境地图，验证机器人在此地图环境中定位导航的可行性。左轩尘等人[5]以ROS为基础，利用人体姿态和语音技术，实现空间机器人的人机交互，解决了传统空间机器人操纵不便的难题。寿佳鑫[6]以ROS为核心，研究设计了移动机器人系统的定位、导航、认知与决策、以及运动控制模块，论证了移动机器人平台设计理念的可行性。

本文主要从移动机器人的硬件、软件架构两方面展开研究，在此基础上，研究适用于铁路客运车站移动服务机器人（简称：移动机器人）的地图构建技术、定位技术、路径规划技术，提出路径规划算法，以满足移动机器人在铁路客运车站复杂场景下自主定位、导航及路径规划等功能需求。

1 基于ROS的移动机器人架构

1.1 硬件架构

铁路客运移动机器人主要满足在铁路客运车站场景下机器人的定位、行走、避障等。移动机器人硬件主要包括：移动底盘和环境感知传感器。其中，移动底盘主要实现机器人的前行、后退、左转、右转、避障、停止等；环境感知传感器主要实现机器人对环境信息的采集、识别、分析等，主要有激光雷达、超声、红外、视觉等传感器。

移动机器人的硬件架构如图1所示。

ROS是基于Linux 二次开发的系统，是移动机器人的控制核心，将机器人的定位、地图构建、基于已知地图的导航、机器人底盘驱动控制等功能模块化。

图1 基于ROS的移动机器人硬件架构

移动机器人利用环境感知传感器采集环境信息，上传到机器人ROS，经ROS识别、分析、处理后，发布指令，通知移动底盘停止、前行、避障等，实现由ROS对底盘电机的驱动控制；移动底盘根据指令执行相应动作，并将执行结果反馈给ROS，从而实现机器人的定位、移动、避障等功能。

1.2 软件架构

软件层面上，移动机器人将机器人的控制、感知、定位导航等功能模块进行集成整合，通过各功能模块的驱动，利用以太网、USB等进行数据交互，将机器人采集的环境信息发送到驱动层；驱动层通过驱动软件控制传感器正常工作，并将接收到的环境信息发送至算法层，进行复杂算法处理，然后再将处理结果反馈给驱动层，由驱动电机执行相应的任务；同时，表现层将处理结果通过可视化界面展示出来。移动机器人的软件架构如图2所示。

图2 移动机器人软件架构

软件架构划分为4个层次：数据层，驱动层，算法层，表现层[7]。

（1）数据层：主要通过移动机器人传感器之间的相互协同，获取机器人的运行状态信息、位置信息、电量信息以及机器人周围的环境信息等。

（2）驱动层：主要是机器人的底层驱动函数，其组件包括传感器、执行器以及运行驱动软件的硬件；驱动层实现传感器正常工作，还可以将传感器数据上传至算法层。

（3）算法层：主要是机器人的控制算法, 为机器人构建环境地图，使机器人能在行走过程中根据周围的障碍物进行动态路径规划，生成控制代码，然后发送至驱动层，以驱动电机。

（4）表现层：主要为机器人与用户之间的人机互动，或在图形化界面显示相关信息，主要包括机器人走行速度、方向角、坐标、机器人电量、环境信息等。

2 关键技术研究

2.1 基于SLAM的移动机器人地图构建技术

即时定位与地图构建（SLAM，Simultaneous LocalizationandMapping）主要用于研究机器人移动的智能化，即在未知的环境中，通过配置激光雷达、红外等核心传感器，帮助机器人实现自主构建地图、自主定位、路径规划及以避障。

基于SLAM 的移动机器人所构建的地图采用栅格来表示，即将整个环境分为若干大小相同的栅格，然后标记出每个栅格是否存在障碍物，再将这些栅格拼接在一起，形成机器人定位、避障的地图。采用SLAM 构建地图的优点在于创建、维护地图数据较为容易，可保留整个环境的信息；利用该地图，机器人可以快速地定位、导航、路径规划和避障。

SLAM地图构建算法（如图3所示）描述如下：

（1）机器人使用环境感知传感器测量地标相对于机器人的距离和角度，记录环境的特征位置，提取特征，在地图上标记，进行数据关联；

（2）机器人运动一段距离后，通过运动方程预测新位置，进行状态估计，估计当前姿态相对于上一时刻姿态的变化量；

（3）机器人在新的位置上，通过环境感知传感器重新测量地标相对于机器人的距离和角度，并通过激光点修正上一步的估计，进行状态更新；

（4）如此反复，机器人将指定区域完整地扫描一遍，记录下整个区域的特征，标注在地图上，完成地图构建。

图3 SLAM地图创建过程

图3 中，R表示机器人的位置，C表示地标，即机器人周围环境中的静止点（或特征点）。当机器人从位置R1移动到位置R5的过程中，通过激光雷达和视觉传感器不断记录地标C1、C2、C3的特征信息，并进行数据融合，然后通过卡尔曼滤波对数据进行预处理，作为整个环境感知传感器的输入；最后，通过SLAM算法构建出地图。本文选取车站办公区域走廊，利用SLAM 地图构建算法，所绘制的地图如图4所示。

图4 SLAM构建地图

图4 中，白色区域为机器人可通行区域，灰色区域为机器人不可通行区域。其中，白色区域中灰色点为障碍物（即地标），当机器人移动到灰黑色点位置附近时，会自动绕过灰黑色点，即实现自动避障。

2.2 基于SLAM的移动机器人自主定位技术

移动机器人精准移动的关键要素之一是可靠的定位性能。目前，机器人定位[8]的方法主要分为自主和非自主定位两类。自主定位是指机器人仅依靠自身的传感器进行定位。非自主定位是指在定位的过程中，机器人需要借助自身以外的装置（如GPS定位系统、北斗定位系统等）进行定位。在室内，因信号遮挡，移动机器人无法使用GPS，安装其它辅助定位系统较为复杂；而基于基站的定位和基于iBeacon的定位，其精度又无法达到机器人移动避障的需求。因此，移动机器人一般采用自主定位的方法。

机器人定位就是在地图上估测机器人的坐标和姿势形态。通过机器人运动状态估测，所得到的位置信息通常具有较大误差，还需要使用测距单元得到周围环境信息，对机器人位置进行更新。测距单元主要包括激光、超声波以及图像测距3种。其中，激光具有良好的指向性和高度聚焦性，因此激光雷达成为移动机器人的核心测距传感器，激光测距技术也是目前最可靠、最稳定的测距定位技术。

采用基于SLAM创建的地图，可以对里程计的误差进行修正，使得机器人的位姿误差不会随着机器人运动距离的增加而无限增加，从而提高机器人的定位精度。

2.3 基于地图的导航技术

移动机器人定位和地图创建是自主导航的基础，机器人的自主导航就是在没有人为干预的情况下，机器人依据预定的信息及传感器获取的外部环境信息，规划出一条适合在该环境中行走的路径，并沿着规划的路径自主移动到目标位置。机器人导航涉及地图、定位、路径搜索、路径规划，其中路径搜索算法决定了导航路径优劣及耗费时间。

2.3.1 改进型A*路径搜索算法

A*路径搜索算法是一种启发式搜索算法，利用估价函数来确定路径中节点的价值，最后再决定如何搜索。A*路径搜索算法的估价函数表示：

其中，f(n)是从初始点经由节点n到目标点的距离估计；g(n)是从初始点到节点n的实际距离；h(n)是从节点n到目标点的最佳路径估计距离。

本文中，估价函数f(n)就是机器人路径搜索，节点是栅格地图中的每个栅格。

h(n)是由“欧拉距离”通过计算节点n到目标点之间的距离所得，而节点n与目标点之间多数情况下可能存在障碍物，可有多种路径选择供机器人行走。为了寻找最短路径，本文采用改进型A*路径搜索算法，通过逆向搜寻最优路径；为提高搜索效率，对估价函数f(n)进行加权处理，令：

式（2）中，KD为D点的搜索权值，D(Xk-1,Ki+KT)表示从当前节点到子节点的距离。式（3）中，D(Xn,G)表示从当前节点到目标点的距离。

算法求解步骤如下：

（1）在式（1）构建的估计函数f(n)中，g(n)表示从起点A（每个点为一个栅格方块）到当前点n的实际距离，h(n)表示当前点n到终点B的估算距离，g值表示从起点A到达当前点n的移动量；

（2）创建open 表、close表、p 表，计算每个点的h值；open 表记录寻找最短路径上所有被考虑的方块；close表记录所有不会再被考虑的方块；p表记录当前节点的父节点；h 值采用“曼哈顿距离”[8]或者“城市街区距离”，计算出点n到目标点B的水平与垂直方块的数量和；

（3）初始化open 表，即把起始点A添加到open表中；

（4）计算f值，在open 表中寻找f值最小的点n；

（5）从open表中将n删除，加入到close 表中；

（6）判断目标点B是否被添加到close表中；若是，则最优路径被找到，跳到步骤（11）；若不是，继续下述步骤；

（7）分别考虑与n相邻的每一个格中的点T；

（8）如果点T已经在close表中或不可通过，忽略该方块；

（9）如果点T不在open 表中并且可通过，加入到open表中；然后计算T的f、g值，把点n作为点T的父节点(p(T)=n)；

（10）如果点T已经在open 表中，用g值作为参考标准，检查新的路径（A→n→T）是否更优（g值越低表明路径更优）；如果更优，把T的父节点改为点n，重新计算T的f、g值；将open 表按f值升序排序，返回（4）；

（11）算法结束。

2.3.2 路径规划

机器人导航的路径规划（move_base），就是安排机器人如何从起点到达目标点，导航过程如图5所示。

图5 机器人导航过程示意

机器人在导航时，move_base负责整个导航行为的调度，监视导航状态适时更换导航策略等。具体的路径规划逻辑流程如下：

（1）move_base 首先启动全局规划和局部规划两个规划器，分别生成全局和局部权值地图；

（2）根据全局路径规划，计算出机器人到目标位置的全局路线，即采用基于栅格地图的改进型A*路径搜索算法来寻找最优路线；

（3）通过局部规划，完成局部避障的规划；

（4）机器人在行走过程中，根据其状态做出规划，控制底盘，执行行走动作。

3 试验验证

为了验证改进型A*路径搜索算法的合理性和先进性，选择大连北站作为移动机器人试点车站，进行移动机器人路径搜索、路径规划试验。通过多次试验验证，对传统A*路径搜索算法与改进型A*路径搜索算法的搜索效率进行比较，如图6所示。

从图6可知，采用传统A*路径搜索算法，距离每增加1格，搜索节点个数增加约3个；而采用改进型A*路径搜索算法，距离每增加1格，搜索节点个数增加约1个，改进后的算法效率提高约30%，显著节约了搜索时间，降低了搜索复杂度。

4 结束语

图6 算法搜索效率比较

本文以铁路客运车站移动服务机器人为研究对象，分析国内外移动服务机器人研究趋势，确定了基于ROS的移动机器人软硬件框架，构建基于SLAM的地图，提出改进型A*路径搜索算法，设计了移动机器人的导航框架，并选择试点车站，对该算法进行试验验证；试验结果表明：该算法合理，优化了导航路径规划，提高了最优路径的寻优能力，能够满足在铁路客运车站场景下，机器人自主定位、导航及路径规划的需求。