作者：小柠檬 | 来源：3DCV
在公众号「3DCV」后台，回复「原论文」可获取论文pdf
添加*dddvision，备注：目标检测，拉你入群。文末附行业细分群
1、介绍
该文提出了一种改进的自主导航系统穿越未知区域的测绘方法。该方法利用光探测和测距（）的特性，使用快速随机树（RRT）、GMapping和ROS导航堆栈等精确算法，在没有人工协助的情况下自我探索其环境并创建地图。此外，还提供了一个Web界面，用于从非Linux机器控制机器人。因此，所提出的解决方案对于平坦的空间环境是有效且自给自足的。所开发的机器人的工作也通过物理实验室空间中的自主映射进行演示。
2、方法
在本节中，定义了所提出的系统在仿真和物理空间中的实现。
2.1、使用Rrt进行自我探索
该算法在Frontier Detection、Filter和 Assigner中展开。从初始位置开始，部署随机树以识别地图中的边界点。探索过程独立于机器人的运动运行，确保同时进行探索。算法流程如图1所示。Turtlebot3在 Gazebo Simulator中使用小地图模拟算法。模拟中使用的地图面积为.通过部署随机树来系统地识别前沿点，如图2所示。检测模块采用树学习率.检测到的边界点被发送到过滤器模块以进行进一步细化。过滤器模块将精炼的点发送到分配器模块，确保机器人导航到相关点，有助于提高算法的精度和有效性。
1） 改进的过滤器模块
“过滤器”模块细化检测到的边界点。该模块采用局部和全局前沿探测器，对前沿点进行聚类，并仅保留这些聚类的质心。这种策略性过滤通过丢弃不相关的点来最大限度地减少计算开销，从而优化资源利用率。在这些过滤器上，应用算法1中解释的自定义过滤器，以确保没有点位于其附近有障碍物。在实验中，当给机器人的目标靠近障碍物时，会出现延迟。
算法 1：自定义筛选器的算法
算法1定义应用于过滤器模块给出的最终质心列表的自定义过滤器。
2）集成端接策略
任何探索算法的一个必要方面是终止。所提出的系统利用质心数据来确定终止时间。通过监控空集群的出现，该算法可以在没有进一步的边界可供探索时智能地决定终止。这种策略限制了机器人无限时间的探索。因此，节省了勘探过程中可能使用的额外能量。
3）地图完成百分比计算
我们介绍了一种地图完成百分比计算方法，以量化该算法的有效性。通过将自行生成的地图与原始手动构建的地图进行比较，可以得出完成百分比的综合指标。该指标可作为算法性能的可靠指标。使用同步定位和映射（SLAM）算法，将生成的映射表示封装在由单元格（5cm x 5cm）确定的矩阵中，该矩阵表示可用空间 （Os）、占用单元格（100秒）和未知区域设置（-1s），图 2 中也分别表示为白色、黑色和空白区域。作为参考，使用手动创建的地图，该地图假定为100%完整。在地图的占用格网中，标有 Os和100的像元统称为探索像元。
从生成的占用网格中得出的探索单元的数值量化为理想化地图的完整性建立了基准。在随后的与替代地图的比较分析中，探索的细胞数量成为评估的关键。
公式（1）、（2）和（3）用于通过将地图与已完成的地图进行比较来计算地图完成百分比。
开发了一个Web界面，包括通过非Linux机器与机器人交互的选项。ROSBridge服务器提供了一种通过公开端口进行通信的媒介。该界面为我们提供了各种服务。
2.2、Web界面
第一个功能是机器人的手动控制，如图3所示。在参考文献7中有一个关于构建网页的详尽解释，该网页有助于通过键盘输入或使用屏幕上的操纵杆远程控制机器人。第二个选项是在映射世界中导航。在这里，可以输入地图中的坐标，以便机器人自主导航。ROSBridge服务器将坐标作为目标发送到ROS导航堆栈，该堆栈使用全局和局部路径规划器和成本图来达到目标，同时避开障碍物。最后一个功能包括自我探索和映射，如本节的之前部分所述。
2.3、硬件设计：单板使用
硬件原型由一个激光切割的木制底盘组成，其中包含一个移动电源和一个电池，以在其核心提供必要的能源供应。双通道Cytron电机驱动器MDD10A有助于控制流向两个的电流，每个电机都配备了内置编码器，负责驱动机器人的左右轮。
思岚科技的RPLiDAR Al被整合到系统中，提供2D激光扫描，使机器人能够准确地感知其环境。这个设置的大脑是Raspberry Pi 4 Model B，在Ubuntu 20.04 Focal Fossa上运行ROS Noetic框架。的这种独家使用消除了带有额外微控制器的机器人中可能存在的延迟问题，从而简化了数据处理，如图4和图5所示。
3、结果与结论
如表Ⅰ所示，当学习率值设置为5时，在时间效率和地图生成质量方面表现出最佳性能。此外，表Ⅱ显示，随着滤光片半径增加到20cm，随着更多不需要的边界被移除，映射持续时间会缩短。进一步增加后，所需的边界也会被删除，从而增加自主映射持续时间。因此，过滤器的半径设置为20厘米。
在实施所提出的方法后，评估了自主地图的生成，包括对各种学习率值的实验。此外，通过沿生成地图外围的过滤器消除了不需要的边界，以降低模型的过度复杂性，并降低原型在狭窄区域内持续导航的风险。这些仿真优化被应用于硬件原型，以提高所提模型的鲁棒性。
表Ⅰ：学习对自映射生成的影响
表Ⅱ：完成/碰撞模型 w.r.t custom_filter半径所需的时间
4、参考
[1] Filtering-RRT for Autonomous Indoor Navigation
专业！3D视觉视频课程
3D视觉工坊精品课程官网：3dcver.com
我们的3D视觉学习平台包含：相位偏折术、面结构光高阶、结构光、机械臂抓取、工业点云实战、Open3D、深度学习缺陷检测、3D缺陷检测、&Occ、Transformer、模型部署、3D目标检测、单目深度估计、车载标定、规划与控制、无人机、三维视觉C 、三维视觉python、dTOF、相机标定、ROS2、机器人控制规划、LeGo-LAOM、激光-视觉-IMU-GPS融合SLAM、LOAM-SLAM、室内室外SLAM、VINS-Fusion、ORB-SLAM3、MVSNet三维重建、colmap、线面结构光、硬件结构光扫描仪。
