[[alternative]]AKF-based sensor fusion and application for localization system of mobile robot

碩士[[abstract]]本論文主要內容為提出並實現一個基於AKF之感測器融合應用於移動型機器人之定位系統。此系統可以使機器人在未知且平坦的室內環境進行準確之即時定位與建置地圖，以及融合兩種感測器之定位資訊，使定位更加強健。藉由此方法解決機器人在較複雜環境，使單一感測器之定位資訊出現誤差時，能夠有多感測器的定位資訊融合達到更加得定位效果。本論文使用自行設計並送廠製作出一個具有全向移動功能之移動型機器人。在硬體系統的部分，本文使用FPGA為馬達控制核心並自製成控制電路，微型電腦為主要程式策略之計算核心。使用雷射測距儀以及慣性感測器(Inertial Measurement Unit, IMU)，並在實際搭建模擬三房一廳之居家場地中進行研究並實現於真實環境中。本論文本文基於Hector SLAM(Simultaneous Localization and Mapping)演算法。利用雷射測距儀將當下的環境以動態的方式繪製晶格地圖與障礙物資訊，並與地圖資訊做掃描匹配估測於地圖中之位置。利用IMU及里程計資訊計算出相對位置之定位資訊，藉由兩者達成感測器融合之定位。並使用自適應蒙地卡羅定位(Adaptive Monte Carlo Localization, AMCL)演算法作為驗證方法。[[abstract]]This paper proposes and implement an AKF-based Sensor Fusion and Application for Localization System of Mobile Robot. This system allows the robot to locate and build maps in an unknown and flat interior environment. As well as the integration of two sensor positioning information, So that positioning more robust. With this method to solve the robot in a more complex environment. So that a single sensor positioning information had error, can be more sensor positioning information fusion to achieve more positioning effect. This paper uses a self-designed and sent factory to produce a mobile robot with omni-directional wheel. In the hardware system, this article uses the FPGA as the motor control core and makes the control circuit. And Microcomputers are the core of the main program strategy. The use of LiDAR and IMU(Inertial Measurement Unit, IMU),in the actual set up to simulate the three-bedroom living room in the study and to achieve in the real environment. This paper is based on Hector SLAM (Simultaneous Localization and Mapping) algorithm. Use the LiDAR to draw the lattice map and obstacle information in a dynamic way and make a scan match with the map information to estimate the position in the map. Using the IMU and mileage information to calculate the relative position of the positioning information, through the two to achieve the positioning of the sensor fusion. And use the Adaptive Monte Carlo Localization (AMCL) algorithm as a validation method[[tableofcontents]]目錄 中文摘要 I 英文摘要 II 目錄 III 圖目錄 V 表目錄 IX 第一章 緒論 1 1.1 研究背景 1 1.2 研究動機 3 1.3 論文架構 4 第二章 機器人系統介紹 5 2.1 硬體系統架構 5 2.2 機器人作業系統之簡介 7 2.3 Gazebo模擬器介紹 13 2.4 軟體系統架構介紹 17 第三章 地圖建置與導航系統 21 3.1 地圖建置與導航系統架構簡介 21 3.2 Hector SLAM 23 3.3 全域路徑規劃與區域路徑規劃 29 3.4 探索策略 43 第四章 AMCL與AKF感測器融合 46 4.1 AMCL 46 4.2 自適應卡曼濾波器 51 4.3 IMU Tracking 57 4.4 基於AKF之感測器融合 63 第五章 實驗結果 64 5.1 實驗平台與環境建置 64 5.2 地圖建置 70 5.3 AMCL 774 5.4 基於AKF之感測器融合 77 第六章 結論與未來展望 83 參考文獻 84 圖目錄 圖1.1、Kiva Robot 2 圖1.2、移動型機器人三大研究範圍之涵蓋示意圖 2 圖1.3、華碩電腦之機器人產品Zenbo 4 圖2.1、機器人外觀 5 圖2.2、硬體架構圖 5 圖2.3、雷射測距儀 6 圖2.4、慣性感測單元 6 圖2.5、微型電腦 7 圖2.6、全方位移動平台 7 圖2.7、史丹佛大學開發之機器人 8 圖2.8、使用ROS實現之機器人 8 圖2.9、ROS系統通訊結構圖 10 圖2.10、link與joint示意圖 14 圖2.11、Gazebo架構 15 圖2.12、Gazebo的圖形化介面 16 圖2.13、建立地圖之軟體系統架構 18 圖2.14、已知地圖之軟體系統架構 19 圖2.15、感測器融合之軟體系統架構 20 圖3.1、地圖建置與導航系統架構 21 圖3.2、Hector SLAM之系統架構圖 23 圖3.3、雙線性過濾後的插植點示意圖，Pm為待插值點 24 圖3.4、繪製地圖與雷射測距儀間的匹配關係示意圖 26 圖3.5、導航架構圖 29 圖3.6、導航示意圖 30 圖3.7、依機器人大小將原地圖轉換為權重地圖之示意圖 31 圖3.8、A*演算法流程圖 32 圖3.9、A*演算法實例 33 圖3.10、g(n)計算方式 33 圖3.11、h(n)計算方式(右邊晶格距終點晶格數為3，故成本為30) 34 圖3.12、展開初始搜尋點之相鄰晶格的成本 34 圖3.13、以新晶格為起點再次搜尋迭代(f = g + n) 35 圖3.14、利用A*演算法所規劃之路徑 35 圖3.15、目標點於已知區域 36 圖3.16、目標點於未知區域 36 圖3.17、dist(v,ω)計算方式 38 圖3.18、速度空間與動態視窗關係圖(Vs為整體速度空間，Va為合適速度樣本，Vr為最終搜尋空間) 39 圖3.19、"heading(v,ω)" 計算方式 40 圖3.20、全域路徑規劃與區域路徑規劃流程圖 42 圖3.21、結合A*之動態視窗法示意圖 43 圖3.22、探索策略流程圖 44 圖3.23、搜索示意圖 45 圖4.1、機器人應用雷射測距儀感測環境 47 圖4.2、實際AKF演算流程 57 圖4.3、IMU Tracking流程圖 59 圖4.4、旋轉前座標示意圖 61 圖4.5、旋轉後座標示意圖 61 圖4.6、加速度積分(方形) 62 圖4.7、加速度積分(梯形) 62 圖4.8、感測器融合之流程圖 63 圖5.1、六代足球機器人之模擬圖 65 圖5.2、實驗環境正視圖與坐標系 66 圖5.3、實驗環境等視圖 66 圖5.4、實際之移動型機器人圖片 67 圖5.5、移動型機器人硬體配置圖 67 圖5.6、本研究之實驗場地 69 圖5.7、居家場地之尺寸圖 69 圖5.8、地圖建置實現過程 73 圖5.9、地圖建置實際結果 74 圖5.10、AMCL實現過程 77 圖5.11、IMU Tracking路徑圖 78 圖5.12、感測器融合與AMCL之路徑比較 79 圖5.13、IMU加入干擾誤差之感測器融合與AMCL之路徑比較 80 圖5.14、雷射測距儀加入干擾誤差之感測器融合與AMCL之路徑比較 82 表目錄 表5.1、移動型機器人物理條件 65 表5.2、移動型機器人硬體規格 68 表5.3、感測器融合與AMCL之誤差 79 表5.4、IMU加入干擾誤差之感測器融合與AMCL之誤差 81 表5.5、雷射測距儀加入干擾誤差之感測器融合與AMCL之誤差82[[note]]學號: 604460047, 學年度: 10