基于回波强度的AGV 重定位方法研究

陈远浩，吴明晖

（上海工程技术大学 机械与汽车工程学院，上海 201620）

0 引言

移动机器人技术广泛应用于各个场景，如服务机器人、农业机器人、工业物流等等。自动引导车（Automated Guided Vehicle，AGV）是一种用于物料搬运的移动机器人，激光同时定位与建图（Simultaneous Localization and Mapping，SLAM）是其核心技术之一。其中，2D 激光SLAM 按照地图形式分类，常用的有基于栅格地图SLAM 和基于特征地图SLAM 等。

在许多现实应用中，会出现AGV 多楼层导航的需求。但是由于传感器的限制，2D 激光SLAM 只能建立多个单楼层地图，而无法直接建立多楼层地图。目前，一些解决多楼层地图的方法多应用于有电梯的场景。例如：AGV 导航至电梯后，通过基于机器视觉识别电梯按钮，并控制车载操作臂按下目标楼层按钮；到达目标楼层后，AGV 自动定位至另一楼层地图的初始点。然而在具有坡道的多楼层厂区环境中，该方法并不适用于这种应用场合。由于AGV 进行爬坡或下坡后，累积误差无法快速精准地定位到另一楼层的初始位置，从而影响AGV 在新楼层的导航。针对上述问题，通过重定位的方法能够进行误差修正。目前重定位方法主要分为基于激光雷达和基于视觉传感器，但两者都存在定位时间过长等问题。为解决具有坡道的多楼层厂区环境中AGV 的重定位问题，本文提出一种基于回波强度的AGV 重定位方法，以解决AGV 爬坡或下坡后在另一楼层的重定位问题。多楼层导航整体流程如图1 所示。

图1 多楼层导航流程Fig.1 Multi-floor navigation process

1 基于回波强度的激光雷达数据处理

1.1 数据过滤方法

2D 激光雷达传感器是AGV 导航的关键传感器。激光雷达在工作时，发射激光信号到目标，并经过目标散射后再接收。激光雷达根据激光信号的飞行时间，计算得出激光雷达到该目标的距离、以及激光雷达转过的角度，最终得出目标相对于激光雷达的极坐标。目前，市面上中、高端的2D 激光雷达不仅能够得出目标距离，还能测得目标的回波强度。激光雷达的回波功率公式见如下：

其中，P为回波功率；P为发射功率；D为激光雷达接受孔径；为物体表面反射率；为入射角；为目标到激光雷达的距离； η为系统传输率；η为大气传输率。

由此可见，回波强度主要与物体表面的反射率及距离有关。为了得出有效的激光雷达数据，采用3M 钻石级反光膜制作平板型反光板，因此激光雷达每一帧数据中都会有来自该反射板返回的回波强度偏高的数据。同时设置激光雷达有效探测距离及有效回波强度阈值，获得反光板的激光扫描数据。图2 为反光板布置的实际环境；图3（a）、图3（b）分别为激光雷达数据处理前、后效果。可见，基于上述方法可将激光雷达数据进行有效过滤，得到反光板的激光扫描数据。

图2 反光板环境布置Fig.2 Reflector layout environment

图3 激光雷达数据处理Fig.3 Lidar data processing

1.2 基于DBSCAN 的激光雷达聚类

完成基于回波强度的激光雷达数据过滤后，为了进一步识别不同反光板的ID，需要对激光雷达数据进行聚类。具有噪声的基于密度的聚类方法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN），是经典的基于密度的聚类方法。该算法不需要先验的聚类蔟数量，就能发现噪声环境下不同形状的聚类簇，通过设定2 个参数：全局邻域半径E和最小近邻个数M，就能达到很好的聚类效果。

反光板的数据特点为：不同反光板的点紧密相连成一类，从而得到了不同的聚类蔟；不同类的数据密度均匀，变化不大。以上数据特征反映了DBSCAN 适用于该问题的求解。由图3（c）可见，通过DBSCAN，对反光板数据进行了正确聚类。

2 反光板局部坐标求解及AGV 重定位

2.1 反光板位置拟合

图4 反光板最小二乘法拟合Fig.4 The least squares fitting of the reflector

2.2 AGV 重定位方法

重定位方法流程如图5 所示。由图5 可知，AGV 多楼层重定位方法实现步骤如下：

图5 重定位方法流程图Fig.5 Relocalization method flowchart

在已知反光板设计布局的情况下，加载世界坐标系下的所有反光板位置。

加载激光雷达扫描数据。

基于回波强度识别反光板数据，并基于DBSCAN 及最小二乘法计算扫描到反光板的数目及距离信息。

将扫描到的反光板信息与已知布局做匹配，为了快速匹配，反光板布局两两距离各不相等，从而得到反光板到机器人本体的局部坐标。

基于匹配结果，计算扫描到的反光板在世界坐标系下的位置与机器人的定位信息。

AGV 在新楼层世界坐标系下的定位，采用基于几何关系的定位方法。对此实现过程拟给出分述如下。

（1 ）通过激光雷达扫描到的反光板两两之间的距离，识别反光板ID。

（2）求解各个反光板ID 的几何质心，对反光板质心矩阵进行旋转平移，还原对应反光板在世界坐标系的位置。通过求解奇异阵的方法，获得旋转变量和平移变量的最优解，此时用到的公式分别见如下：

其中，为已知布局的反光板数据，为扫描到的反光板数据；式（2）为世界坐标系下，反光板质心位置与扫描所得反光板质心位置的关系矩阵表达式；cen和cen为帧激光数据求得反光板质心点的均值。式（3）～（6）为SVD 求解最优和的过程。其中，式（3）是对矩阵进行SVD 分解，式（4）、（5）计算最优旋转变量和平移变量，式（6）求得最优，并得到机器人在世界坐标系的位置坐标。

3 实验结果分析

为模拟AGV 在爬坡到新楼层后产生累计误差、并通过反光板进行重定位的实际场景，通过gmapping激光SLAM 算法建立新楼层的环境地图；再人为地将AGV 放置在偏离初始位置的地方；最后通过基于回波强度的重定位方法进行重定位，记录观察结果并验证方法的可行性。

实验地点选择在上海工程技术大学实训5 号楼二楼，实际环境及建立的栅格地图如图6 所示。在初始定位附近布置了3 块两两距离不同的反光板；AGV 为两轮差速式AGV；激光雷达型号为镭神N301，其有效探测距离为0.15～30 m，角度分辨率为0.18°，该激光雷达可以识别物体回波强度信息，完全满足实验需求。

图6 新楼层环境布置Fig.6 Environment layout of new floor

将AGV 放置在偏离初始位的位置，模拟AGV爬坡后的累积误差，并初始化新楼层地图，此后再进行重定位。图7 为AGV 重定位效果图。由图7 可以看出，由于累积误差重定位前黄色激光雷达扫描数据与栅格地图实际环境不匹配，经过重定位后激光雷达扫描数据与栅格地图基本匹配，说明定位成功，AGV 可以进行后续的导航工作。研究得到的重定位误差见表1。

图7 重定位效果Fig.7 Relocalization effect

表1 重定位误差Tab.1 Relocalization error

4 结束语

针对AGV 在具有坡道的多楼层导航过程中新楼层的重定位问题，本文设计了一种基于回波强度的AGV 重定位方法。首先基于反光板的高回波强度的特性，提取反光板的信息，通过DBSCAN 及最小二乘法对数据集进行聚类拟合、并计算反光板的几何质心，然后匹配预设的反光板信息，最后通过几何关系解算AGV 在地图世界坐标系下的定位。通过实验验证，使用该方法进行重定位效果良好，精度高，具有实际应用价值。接下来的工作将进行AGV 多楼层导航系统的程序设计，以进一步提升方法的实用性。