基于ORB-SLAM、A*及DWA的自主导航方案

REF：基于 SLAM 技术的路径规划及避障研究

1. SLAM建图

RGB-D SLAM 算法包括前端和后端，前端对 RGB 图像和深度信息进行特征提取和匹配，提取关键帧和位姿估计后,构建地图和位姿优化，后端对传输的地图、位姿再次进行位姿优化和重定位，最终输出位姿和全局地图。

8622ac17bc3ffa6995a505086f103e0f.png

图像间的距离表示如下，其中：

• Ra 、Rb 和 t a 、t b ：分别表示 2 个图像帧的选择矩阵和平移向量
• r ：表示权重系数。根据旋转对应的相机位姿变化，设置为 1. 6

0ad03f68092929ca8cfd3e8bb31e7871.png

2. 路径规划

• 基于剩余距离优化A*算法启发函数：基于当前节点 n 和起始点 s 到目标点 t 的距离的比值，作为启发函数权重

7a1eefd081a29a44ef74675f25c871a6.png

• DWA评价函数：
  • σ、α、β、γ：分别为总代价、目标距离代价、速度代价、障碍物距离代价的单位代价加权系数，分别为 0. 05、0. 08、0. 1 和 0. 3
  • (xt,yt )、(xd,yd) 、(xi,yi )：分别表示预测节点、目标节点和第 i 个障碍物的坐标位置
  • υmax 和 υt ：分别为自动导引小车的最大速度和预测速度空间的速度
  • D(ν,ω) 和 O(ν,ω) ：表示速度采样空间至目标点位置和障碍物的距离代价
  • G(ν,ω) 和 S(ν,ω) ：分别为速度采样空间的总代价和速度代价

  

  51e441b13711aeab25f58cf120c69e9a.png

• 融合A*和DWA：改进 A∗-DWA 算法流程主要分为五个步骤
  1. 初始化栅格地图和AGV参数，初设当前搜索节点
  2. 采用加权启发函数求出当前节点的 f(n) 、p (n) 、h(n) 值,并确定搜索节点
  3. 更新搜索节点，对目标节点提取关键节点并删除冗余节点和拐点，并更新全局最优路径
  4. 采用DWA算法进行AGV速度选择，并构建基于 AGV 运动学模型模拟小车运动轨迹
  5. 根据全局最优路径的评价函数选择最优轨迹，从而驱动AGV进行运动，最后达到目标点则得到最优路径,算法终止。

  

  3ccc819e523c4fd1e869b7bd5215f544.png