CN117234208A - 一种室内物品运输机器人及其控制方法 - Google Patents

Abstract

本发明属于运输机器人技术领域，具体涉及一种室内物品运输机器人及其控制方法，包括机箱，机箱的顶部一侧上设置有机械臂，机械臂的顶部设置有置物平台，机箱底部设置有底盘以及万向轮，机箱的外侧一体设置有双目相机；机器人利用自适应蒙特卡洛定位AMCL算法实现机器人的自身定位；机器人利用Gmapping算法实现楼层的SLAM建图；机器人基于A*算法和DWA算法实现全局路径规划和局部路径规划是指在整个环境中，找到一条最优路径，使得机器人沿最优路径到达终点，同时本发明使用了Yolov5s模型来对人体进行识别本发明能实现机器人的精确定位，能够适应不同的环境和机器人的类型，具有较高的定位精确度和鲁棒性；为后续机器人的自主导航做准备；便于评估机器人到达目标位置的难易程度以及最佳速度。

Description

一种室内物品运输机器人及其控制方法

技术领域

本发明属于运输机器人技术领域，具体涉及一种室内物品运输机器人及其控制方法。

背景技术

机器人定位技术是实现自主导航的核心技术，机器人只有在获得所处环境中的位姿信息，才能进行之后导航阶段的相关决策和规划；根据定位原理的不同，机器人的定位技术可以划分为相对定位和绝对定位两大方向。

相对定位是以上一时刻机器人的位姿信息为参考，结合相关传感器的数据来预估下一时刻机器人的位姿状态，但这一方法通常会存在累积误差。绝对定位与相对定位不同，可以在机器人初始位姿未知的情况下实现机器人的定位，这种定位方法产生累积误差的概率较小，但对传感器自身精度的依赖性较大，机器人能够获得更加精准的传感器数据，可实时处理的数据量也不断增加，根据机器人对周围环境的掌握程度，可将路径规划分为全局路径规划和局部路径规划，由于全局规划基于已知环境，一旦环境发生变化，会导致预先规划好的路径无法使用。

发明内容

本发明的目的是提供一种室内物品运输机器人及其控制方法，能够实现机器人的精确定位，能够适应不同的环境和机器人的类型，具有较高的定位精确度和鲁棒性。

本发明采取的技术方案具体如下：

一种室内物品运输机器人及其控制方法，其特征在于：所述机器人的上位机基于PyQt5进行开发。包括以下步骤：

S1、利用AMCL算法对机器人自身进行定位；

S2、利用Gmapping算法对楼层进行SLAM建模；

S3、确定物品运输导航点的位置；

S4、基于A*算法进行全局路径规划；

S5、基于DWA算法实现局部路径规划；

S6、基于Yoliv5s模型对人体进行识别，辅助完成运输任务。

进一步的，所述机器人包括机箱(1)，所述机箱(1)的顶部一侧上设置有机械臂(2)，所述机械臂(2)的顶部设置有置物平台(3)，所述机箱(1)的底部设置有底盘(5)，所述机箱(1)的外侧一体设置有双目相机(6)，底盘(5)的底部设置有万向轮(4)。

进一步的，所述S1中利用AMCL算法对机器人自身进行定位的具体确定步骤为：

S1.1、初始化，将粒子随机分布在地图上，根据机器人激光雷达测得的与障碍物的距离值来比较各个粒子与机器人的距离值；

S1.2、计算权重，由初始化步骤得到的距离值进行计算权重，以此得到粒子位置的权重；

S1.3、进行重采样，即利用权重重新分布粒子权重高的位置分布粒子多一点；

S1.4、完成定位。

进一步的，所述S2利用Gmapping算法对楼层进行SLAM建模的具体确定步骤为：

S2.1、机器人搭载激光雷达，通过激光雷达扫描周围环境，获取激光雷达数据；

S2.2、通过对机器人的运动进行估计，可以得到机器人在当前时刻的位姿估计值；运动估计可以通过机器人的里程计或者惯性测量单元等传感器实现；

S2.3、对激光雷达数据进行处理，提取出环境中的特征点，如墙角、门框等；

S2.4、将当前时刻的特征点与之前时刻的特征点进行匹配，得到机器人在当前时刻的位姿估计值；

S2.5、将当前时刻的位姿估计值和特征点信息加入地图中，更新地图；

S2.6、重复执行上述步骤，直到机器人完成对整个环境的建图；

S2.7、利用map server工具把已经建立好的环境地图保存为PGM格式文件和YAML格式文件，以便后续室内自主导航阶段使用；其中PGM文件保存了当前地图的二维栅格信息，而YAML文件保存了地图的元数据信息。

进一步的，所述S3中物品运输导航点的具体确定步骤为：

S3.1、利用map server读取由Gmapping算法建好的楼层地图，并以/map话题发布；

S3.2、启动传感器数据节点和底盘，确保里程计话题/odom和激光雷达话题/scan正确发布后，启动AMCL定位节点，以便于后续查看其发布的/amcl_pose话题数据；

S3.3、打开RVIZ软件并可视化环境地图，使用工具栏的2D Pose Estimate工具，在需要定位的地图房间门口放置绿色箭头；

S3.4、在终端界面输入“rostopic echo/amcl_pose”命令，该命令可以查看/amcl_pose话题的内容；

S3.5、记录/amcl_pose话题的postion字段下的x和y的数值，其分别对应了当前房间在map坐标系中的二维坐标，单位为m。

进一步的，所述A*算法属于启发式搜索算法，所述DWA算法是一种基于动态窗口的路径规划算法。

进一步的，所述S5的基于DWA算法进行局部路径规划的步骤如下：

S5.1、机器人在速度空间内进行多组速度采样；

S5.2、模拟一段时间内多组速度值对应的轨迹；

S5.3、利用3个评价函数包括距离目标评价函数、速度评价函数、障碍物距离评价函数对每个轨迹进行评分；

S5.4、根据3个评价函数对每个轨迹进行评分，选取最好的轨迹作为当时时刻的局部路径规划结果；

S5.5、下发速度话题控制机器人运动，使机器人能够安全、高效地到达目标位置。

进一步的，所述S6的基于Yolov5s模型来对人体进行识别，具体步骤为：

S6.1、对人体数据进行采集，控制机器人不断移动录制各个角度的人体视频，随后每隔3秒截取作为预选数据集，最后经过人为筛选，确定质量较好的800张图片作为数据集；

S6.2、对图片进一步标注，常见的图像标注软件有labelme、VIA和RectLabel等，本申请选用labelme来标注人体，labelme可以读取对应路径下的所有图片，使用内置矩阵框组件手动框选出图片中的所有人体，软件回生成相应的标签数据和对应的json文件。

本发明取得的技术效果为：

(1)利用AMCL算法实现机器人定位，同时结合里程计和激光雷达的数据对机器人的位姿进行准确估计。该算法可以在机器人移动和环境变化的情况下，实现机器人的精确定位，能够适应不同的环境和机器人的类型，具有较高的定位精确度和鲁棒性。

(2)使用Gmapping工具包完成机器人室内SLAM建图任务，采用自适应采样技术来减少粒子退化的影响，同时在粒子分布时引入当前观测值，使得粒子估计的不确定性降低。最终将建好的地图保存为PGM格式文件和YAML格式文件，为后续机器人的自主导航做准备。

(3)在路径规划部分，将全局路径规划与局部路径规划相结合，使得机器人能够安全高效地到达目标位置。在全局路径规划部分，选用A*算法在全局范围中找到一条最优路径。在局部路径规划部分，选用DWA算法计算机器人当前位置和目标位置之间的距离，评估机器人到达目标位置的难易程度以及最佳速度。

附图说明

图1是本发明中一种室内物品运输机器人及其控制方法实施例的立体结构图；；

图2是本发明中一种室内物品运输机器人及其控制方法实施例AMCL算法的自身定位流程图；

图3是本发明中一种室内物品运输机器人及其控制方法实施例Gmapping的侧SLAM建模流程图；

图4是本发明一种室内物品运输机器人及其控制方法实施例DWA算法运算流程图。

附图中，各标号所代表的部件列表如下：

1、机箱；2、机械臂；3、置物平台；4、万向轮；5、底盘；6、双目相机。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行具体说明。应当理解，以下文字仅仅用以描述本发明的一种或几种具体的实施方式，并不对本发明具体请求的保护范围进行严格限定。

首先需要说明的是，本发明设计了室内物品运输机器人的上位机控制界面作为本发明的终端；此上位机基于PyQt5进行开发，具有跨平台运行的通用性；其中，该上位机界面主要包括物品运输目的地设置、运输物品、暂停任务、返回原点、实时位置监控、任务计时；所述的物品运输目的地设置是使用PyQt5内置的QcomboBox组件实现所有房间列表的下拉显示，选择完目的地后，点击运输物品按钮，机器人便可开始工作；若当机器人开始工作后，发生意外情况需要暂停任务时，本发明在上位机设计了暂停任务控件，点击暂停任务按钮后，机器人底盘在接收到控制指令后，会向对应的action server发送停止信号，随即暂停执行任务；

一种室内物品运输机器人及其控制方法，包括如下步骤：

S1、利用AMCL算法对机器人自身进行定位；

S2、利用Gmapping算法对楼层进行SLAM建模；

S3、确定物品运输导航点的位置；

S4、基于A*算法进行全局路径规划；

S5、基于DWA算法实现局部路径规划；

S6、基于Yolov5s模型对人体进行识别，辅助完成运输任务；

如图1所示，机器人包括机箱1，机箱1的顶部一侧上设置有机械臂2，机械臂2的顶部设置有置物平台3，可以自动调整从而改变置物平台3的高度，机箱1的底部设置有底盘5，机箱1的外侧一体设置有双目相机6，机箱1材质为镀锌板，具有优异的耐腐蚀性、防潮耐用性、防锈防腐性可塑性和耐热性，底盘5的底部设置有万向轮4，便于对机箱1进行支撑和移动；

如图2所示，机器人利用AMCL算法实现机器人的自身定位；

AMCL算法是机器人的自身定位系统，它实现了自适应蒙特卡罗定位方法；具体实现步骤如图2所述：

S1.1、初始化，将粒子随机分布在地图上，根据机器人激光雷达测得的与障碍物的距离值来比较各个粒子与机器人的距离值；

S1.2、计算权重，由初始化步骤得到的距离值进行计算权重，以此得到粒子位置的权重；

S1.3、进行重采样，即利用权重重新分布粒子权重高的位置分布粒子多一点；

S1.4、完成定位；

如图3所示，机器人利用Gmapping算法实现楼层的SLAM建图是根据里程计和激光雷达的信息，对环境地图进行构建；具体建图基本步骤如下：

S2.1、机器人搭载激光雷达，通过激光雷达扫描周围环境，获取激光雷达数据；

S2.2、通过对机器人的运动进行估计，可以得到机器人在当前时刻的位姿估计值；运动估计可以通过机器人的里程计或者惯性测量单元等传感器实现；

S2.3、对激光雷达数据进行处理，提取出环境中的特征点，如墙角、门框等；

S2.4、将当前时刻的特征点与之前时刻的特征点进行匹配，得到机器人在当前时刻的位姿估计值；

S2.5、将当前时刻的位姿估计值和特征点信息加入地图中，更新地图；

S2.6、重复执行上述步骤，直到机器人完成对整个环境的建图；

S2.7、利用map server工具把已经建立好的环境地图保存为PGM格式文件和YAML格式文件，以便后续室内自主导航阶段使用；其中PGM文件保存了当前地图的二维栅格信息，而YAML文件保存了地图的元数据信息；

如图4所示，机器人基于A*算法和DWA算法实现全局路径规划和局部路径规划是指在整个环境中，找到一条最优路径，使得机器人沿最优路径到达终点；A*算法属于启发式搜索算法，可以通过估计函数来预测每个节点到目标节点的距离，从而减少搜索的节点数，提高搜索效率；该算法规划出来的路径能避开障碍物，路径质量较好；但也存在一定的缺点，比如对于本申请物品运输的路径规划，其属于单目标路径规划，传统的A*算法对于这类问题无法求解，需要进行扩展；

进一步地，DWA算法是一种基于动态窗口的路径规划算法，可以根据机器人的动态特性和环境的变化实时调整机器人的速度和方向，从而保证机器人的安全性和稳定性；能够处理多种类型的机器人，如差速机器人、全向轮机器人等，适用于不同类型的室内环境，如狭窄通道、复杂走廊等，是一种高效、灵活、适应性强的局部路径规划算法，广泛适用于室内导航等领域；DWA算法流程如下：

S5.1、机器人在速度空间内进行多组速度采样；

S5.2、模拟一段时间内多组速度值对应的轨迹；

S5.3、利用3个评价函数包括距离目标评价函数、速度评价函数、障碍物距离评价函数对每个轨迹进行评分；

S5.4、根据3个评价函数对每个轨迹进行评分，选取最好的轨迹作为当时时刻的局部路径规划结果；

S5.5、下发速度话题控制机器人运动，使机器人能够安全、高效地到达目标位置；

DWA算法流程中最为关键的是3个评价指标的设定；对于距离评价函数，DWA算法通过计算机器人当前位置和目标位置之间的距离，评估机器人到达目标位置的难易程度其中距离可以采用欧几里得距离、曼哈顿距离等方式进行计算；对于速度评价函数，DWA算法通过计算机器人当前速度和目标速度之间的差异，评估机器人的速度是否合适，其中速度可以采用线性函数、指数函数等方式进行计算；对于障碍物评价函数，DWA算法通过计算机器人当前位置和障碍物之间的距离，评估机器人与障碍物之间的关系，其中障碍物函数可以采用高斯函数、指数函数等方式进行计算；综合以上三个评价函数，DWA算法可以评估机器人当前位置和速度的合适程度，从而计算并下发最佳的速度指令。

本发明还可以包括：

1.物品运输导航点的确定

对于物品运输机器人，需要明确导航点的位置，以及到达该导航点后机器人的姿态角；其中关键的是房间位置的确定，使用RVIZ中的2D Pose Estimate估计楼层房间在地图中的位置；具体步骤为：

S3.1、利用map_server读取由Gmapping算法建好的楼层地图，并以/map话题发布

S3.2、启动传感器数据节点和底盘，确保里程计话题/odom和激光雷达话题/scan正确发布后，我们启动AMCL定位节点，以便于后续查看其发布的/amcl_pose话题数据；

S3.3、打开RVIZ软件并可视化环境地图，使用工具栏的2D Pose Estimate工具，在需要定位的地图房间门口放置绿色箭头；

S3.4、在终端界面输入“rostopic echo/amcl_pose”命令，该命令可以查看/amcl_pose话题的内容；

S3.5、记录/amcl_pose话题的postion字段下的x和y的数值，其分别对应了当前房间在map坐标系中的二维坐标，单位为m；

2.代价地图

代价地图是机器人领域中常用的一种地图类型，是一种基于栅格的地图，用于表示机器人周围环境的可行性和代价信息；代价地图是由三层地图组成，分别是静态地图层、障碍物层和膨胀层；其中静态地图层可直接通过订阅/map话题生成；而膨胀层可以通过设置合适的膨胀系数，对当前地图进行膨胀生成，其目的是避免机器人规划出的路径过于接近真实障碍物；

代价地图中的每个栅格都有一个代价值，代表该栅格的可行性和代价；通常，代价值越低表示该栅格越容易通过，越高表示该栅格越难通过或者需要更多的代价；例如，代价值为0表示该栅格是自由空间，可以直接通过；代价值为255表示该栅格是障碍物，需要避开；

代价地图主要用于两个方面：一是用于机器人的路径规划，通过计算代价值，可以确定机器人在不同栅格之间的移动代价，从而找到一条最优路径；二是用于机器人避障；通过检测代价值，可以判断机器人周围的障碍物和危险区域，从而可以避免机器人与障碍物发生碰撞或者进入危险区域；在避障过程中，代价地图可以帮助机器人实现智能避障，避免机器人在复杂环境中出现卡顿或者无法通过的情况；

总的来说，代价地图是该领域中一种常见的地图类型，能够用于机器人的路径规划和避障以保证机器人运动时的安全性；

3.基于深度学习的人体识别功能

对于室内物品运输机器人，想要精准地完成任务，机器人在到达房间门口后，需要识别到人体取走物品后才能结束其任务；传统的的监控方法需要人工值守，效率低下且容易出现纰漏，而基于深度学习神经网络，使得机器人可以自动识别人员，提升监控效率和准确性；

基于Yolov5s完成人体识别具体步骤为：

C1：对人体数据进行采集，控制机器人不断移动录制各个角度的人体视频，随后每隔3秒截取作为预选数据集，最后经过人为筛选，确定质量较好的800张图片作为数据集；

C2：对图片进一步标注；常见的图像标注软件有labelme、VIA和RectLabel等，本申请选用labelme来标注人体，labelme可以读取对应路径下的所有图片，使用内置矩阵框组件手动框选出图片中的所有人体，软件回生成相应的标签数据和对应的json文件；

在实际运输阶段，当机器人到达指定地点后，可能由于相机拍照角度和屋内光照条件的因素，导致拍摄出来的照片效果相差巨大，这进一步增加了对人物识别的要求；而采用Yolov5s测试发现，无论是低光强环境下还是高光强环境下，其目标识别效果非常稳定且精度较高。

因此，本发明采用上述一种室内物品运输机器人及其控制方法，利用自适应蒙特卡洛定位AMCL算法实现机器人的自身定位，利用Gmapping算法实现楼层的SLAM建图，分别基于A*算法和DWA算法实现全局路径规划和局部路径规划，为物品运输机器人规划出一条较为高效的运输路径,同时本发明使用了Yolov5s模型来对人体进行识别，辅助判断物品运输任务的完成情况，使得机器人高效准确地完成物品运输任务。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法，如无特别说明和限定，均按照本领域的常规手段进行实施。

Claims (8)

1.一种室内物品运输机器人及其控制方法，其特征在于：所述机器人的上位机基于PyQt5进行开发。包括以下步骤：

S1、利用AMCL算法对机器人自身进行定位；

S2、利用Gmapping算法对楼层进行SLAM建模；

S3、确定物品运输导航点的位置；

S4、基于A*算法进行全局路径规划；

S5、基于DWA算法实现局部路径规划；

S6、基于Yolov5s模型对人体进行识别，辅助完成运输任务。

2.根据权利要求1所述的一种室内物品运输机器人及其控制方法，其特征在于：所述机器人包括机箱(1)，所述机箱(1)的顶部一侧上设置有机械臂(2)，所述机械臂(2)的顶部设置有置物平台(3)，所述机箱(1)的底部设置有底盘(5)，所述机箱(1)的外侧一体设置有双目相机(6)，底盘(5)的底部设置有万向轮(4)。

3.根据权利要求1所述的一种室内物品运输机器人及其控制方法，其特征在于：所述S1中利用AMCL算法确定机器人自身进行定位的具体步骤为：

S1.1、初始化，将粒子随机分布在地图上，根据机器人激光雷达测得的与障碍物的距离值来比较各个粒子与机器人的距离值；

S1.2、计算权重，由初始化步骤得到的距离值进行计算权重，以此得到粒子位置的权重；

S1.3、进行重采样，即利用权重重新分布粒子权重高的位置分布粒子多一点；

S1.4、完成定位。

4.根据权利要求1所述的一种室内物品运输机器人及其控制方法，其特征在于：所述S2利用Gmapping算法对楼层进行SLAM建模的具体步骤为：

S2.1、机器人搭载激光雷达，通过激光雷达扫描周围环境，获取激光雷达数据；

S2.2、通过对机器人的运动进行估计，可以得到机器人在当前时刻的位姿估计值；运动估计可以通过机器人的里程计或者惯性测量单元等传感器实现；

S2.3、对激光雷达数据进行处理，提取出环境中的特征点，如墙角、门框等；

S2.4、将当前时刻的特征点与之前时刻的特征点进行匹配，得到机器人在当前时刻的位姿估计值；

S2.5、将当前时刻的位姿估计值和特征点信息加入地图中，更新地图；

S2.6、重复执行上述步骤，直到机器人完成对整个环境的建图；

S2.7、利用map server工具把已经建立好的环境地图保存为PGM格式文件和YAML格式文件，以便后续室内自主导航阶段使用；其中PGM文件保存了当前地图的二维栅格信息，而YAML文件保存了地图的元数据信息。

5.根据权利要求1所述的一种室内物品运输机器人及其控制方法，其特征在于：所述S3中确定物品运输导航点的具体步骤为：

S3.1、利用map server读取由Gmapping算法建好的楼层地图，并以/map话题发布；

S3.2、启动传感器数据节点和底盘，确保里程计话题/odom和激光雷达话题/scan正确发布后，启动AMCL定位节点，以便于后续查看其发布的/amcl_pose话题数据；

S3.3、打开RVIZ软件并可视化环境地图，使用工具栏的2D Pose Estimate工具，在需要定位的地图房间门口放置绿色箭头；

S3.4、在终端界面输入“rostopic echo/amcl_pose”命令，该命令可以查看/amcl_pose话题的内容；

S3.5、记录/amcl_pose话题的postion字段下的x和y的数值，其分别对应了当前房间在map坐标系中的二维坐标，单位为m。

6.根据权利要求1所述的一种室内物品运输机器人及其控制方法，其特征在于：所述A*算法属于启发式搜索算法，所述DWA算法是一种基于动态窗口的路径规划算法。

7.根据权利要求1所述的一种室内物品运输机器人及其控制方法，其特征在于：所述S5的进行局部路径规划的步骤如下：

S5.1、机器人在速度空间内进行多组速度采样；

S5.2、模拟一段时间内多组速度值对应的轨迹；

S5.3、利用3个评价函数包括距离目标评价函数、速度评价函数、障碍物距离评价函数对每个轨迹进行评分；

S5.4、根据3个评价函数对每个轨迹进行评分，选取最好的轨迹作为当时时刻的局部路径规划结果；

S5.5、下发速度话题控制机器人运动，使机器人能够安全、高效地到达目标位置。

8.根据权利要求1所述的一种室内物品运输机器人及其控制方法，其特征在于：所述S6的基于Yolov5s模型来对人体进行识别，具体步骤为：

S6.1、对人体数据进行采集，控制机器人不断移动录制各个角度的人体视频，随后每隔3秒截取作为预选数据集，最后经过人为筛选，确定质量较好的800张图片作为数据集；

S6.2、对图片进一步标注，常见的图像标注软件有labelme、VIA和RectLabel等，本申请选用labelme来标注人体，labelme可以读取对应路径下的所有图片，使用内置矩阵框组件手动框选出图片中的所有人体，软件回生成相应的标签数据和对应的json文件。