1天津亨通利轨道装备有限公司；2中铁十一局集团第五工程有限公司3中国水利水电第八工程局有限公司；4中水北方勘测设计研究有限责任公司
摘要：智能车的导航策略和避障方法作为无人驾驶系统对外界环境感知和处理的核心技术，其功能实现主要是使智能车能够无碰撞的、满足一定性能指标（时间、能量等）从当前状态移动到目的状态。而作为无人驾驶智能车系统中的核心组成部分，对于其研究和设计则显得不可或缺。
论文首先阐述了无人驾驶智能车技术发展现状，介绍了与局部避障和全局导航相关的基础理论研究，并基于动力学、运动学建立了智能车的数学模型，使用Gmapping算法对智能车所处的周身环境进行了建模。为了尽可能提高智能车避障和导航的能效性，论文根据已有理论分析了多种导航和避障策略在半结构化低速环境下应用的优缺点，设计了基于激光雷达传感器数据建环境地图，局部避障与全局导航相结合的智能车避障导航系统。
其次，研究了局部避障策略中多传感器组合方案，基于超声波测距传感器和激光测距传感器建立近距离避障传感器组合，对其无人车采集数据进行融合处理。为降低融合算法的冗余度，将联合卡尔曼数据融合算法中子滤波器替换为互补滤波器，得到优化后数据融合算法。通过仿真分析可得该优化的数据融合算法提高了检测障碍物距离的精确度，降低了算法融合运行时间。
再次，以智能车无碰撞、且避碰路径最短为判断准则，基于优化的A*算法结合高优先级的近距离避障策略，设计了智能无人车避障导航方案，从而实现对智能车的自主移动导航，并通过软件仿真验证，该策略方案能够保持智能车在低速环境下无碰撞的、以最短路径抵达目标地点，证明了该设计方案的合理性。
最后，设计了半结构智能车仿真测试硬件系统，通过智能车样车对提出的避碰导航系统进行测试，证明了基于优化的A*算法的避障导航方案在智能车的路径规划中的有效性和可行性。
关键词：无人驾驶；智能车；Gmapping；优化A*算法；联合卡尔曼算法
1 绪论
1.1 课题研究背景与意义
无人驾驶智能车（Driverless smart car）又称为智能轮式移动机器人。理论上它被解释为一类能够借助一定方式感知周围环境和车辆自身状态，能够实现行驶在有障碍物的路段或其它环境中面向设定目标的自主运动，进而完成设定作业功能的机器人系统[16]。这类机器人不同于其他机器人之处在于凸显了独特的移动方式和应用场景，是一类在尖端科学领域和平常生活中都有广泛应用和科研价值的类别。对于它的研究，包含了经济、国防、科技、教育、文化和生活等众多领域，人们对它的关注度也越来越高，随着近年MCU微处理器以及传感器的高速发展，超大规模集成电路系统(VLSI System)的普及，传感器数据融合、动态环境建模与定位、导航策略等诸多相关领域算法得以在智能车上实现。与此同时，对无人驾驶技术的研究也成为当今研究热点领域之一。
进入二十一世纪，国家经济依然保持高速发展阶段，人民生活水准不断提高，其中，汽车工业领域和智能化领域也呈现井喷式高速发展。2011年7月，我国机动车保有量达到2.19亿辆，回顾上世纪八十年代，我国汽车社会保有量才仅仅为1219万辆。数量增长让整个世界都为之震惊。这一发展一方面改变了人们的生活习惯，改变了人们的出行方式，与此同时也带来了很多社会问题。就目前较为突出的几个方面，安全事故、尾气污染、交通堵塞等，让各个领域的研究者和人们头疼不已。为了解决上述问题，诞生了无人驾驶智能汽车、城市公共轨道交通，使用绿色能源的新能源汽车等各种新概念汽车。其中，无人驾驶智能车的研究以及实验表明在减少交通事故，降低驾驶人员驾驶疲劳，优化城市交通环境等方面有着卓越表现，从而受到了相关领域科研人员的关注与青睐。
按照智能车应用环境，可以大致分类为高速公路环境、城市低速环境和特殊环境。城市低速环境包含一般的城市道路，也包括企业库房、商厂、机场、住宅区、公园等。这些运行环境对智能车提出了更高的要求，需要保障准确性、安全性、交互性、舒适性等众多影响因素[9]。
然而事实证明，在可以提前确定的环境中，与智能车导航与避障策略相关的研究已经取得了可观的成果和应用，但在未知环境中，相关研究取得的成果并不够实现人们的期望目标。在这个领域，还没有形成成熟和完善的体系结构，只有较少的先见知识，还有很多关键理论和实验有待研究和验证。
在此背景下，论文进一步研究了低速环境下无人驾驶智能车的车体硬件结构平台设计、传感器组合、导航策略和障碍物检测方法。符合目前智能车的发展方向，对于其在相关领域的应用提供经验并有着十分深远的意义。
.2 国内外研究现状
在智能车研究领域，美国、德国、法国和日本等少数发达国家一直处与世界领先地位。它的发展历史可追溯到20世纪60年代，在这历史的慢慢长河中，取得较为明显成果的有NavLab系列智能车，典型型号有NavLab-1系统、NavLab-5系统和NavLab-11系统等。
图1.1NavLab-1系统结构框图
NavLab-1 系统在80年代设计完成并投入实验，成功完成了以10Km/h的运行速度在非结构化道路上行驶，在典型结构化道路上运行速度可以更高。车辆传感器选用了1台ERIM激光雷达测距仪，1台JVC BY110U带云台彩色摄像机，激光雷达，单点激光测距模块等，并配备了三台计算机作为处理器。系统体系结构图如图1.1所示。其系统的体系结构十分典型，至今依然具有很大的借鉴意义。系统划分为三个功能模组，一台Sun 3/75计算机处理ERIM激光测距仪数据；一台Sun 3/75计算机负责对JVC摄像机采集的视频信号进行处理，数据首先会被帧缓冲器进行一级处理，再传至计算机进行二级处理；一台Sun 3/75计算机作为控制器间的中转桥，将三个执行传感器所需要的执行数据以及反馈数据传输。三台计算机通过局域网两两互联，可以实现数据共享也可以进行处理，底层执行机构通过Intel多总线连接驱动执行器、转向执行器和状态传感器。提高了数据传输速率，降低了执行机构响应时间。NavLab-1 的环境感知传感器安装结构特点在云台摄像机安装在测距仪的上方，激光测距仪的响应时间和数据量都远小于摄像机，可以作为摄像机的冗余系统补偿其特性缺陷。
在智能车研究的编年史里，二十世纪90年代，VaMoRs-P型无人驾驶智能车系统在当时十分闪耀。该无人车结构体系以Mercedes-Benz 500作为车体移动平台。传感器选用融合了加速度计和角度传感器的陀螺仪、速度传感器、执行机构状态参数测量仪器和两组双目视觉图像处理系统构成。数据处理部分选择使用两台计算机和一台基于Transputer的分布并行处理单元构成。实现了1600公里的无人自主驾驶，其导航与避障性能在同时期比较及其突出。
智能车的行驶环境大多为路面，将行驶环境分为两个部分，其一是结构化道路，另一个便是非结构化道路。结构化道路具有比较清晰的道路标示和较好的路面行驶环境，道路特征比较全面和突出，容易被相关传感器检测到，例如高速公路、城市主干道路等[10]。相比而言，非结构化道路相比较结构化道路就没有那么明显的道路标志了，一般指城市非主干道、乡间道路或其他结构化程度低的环境路面，这类道路没有明显的道路特征，环境较为恶劣，道路背景也比较复杂，因此也成为了无人驾驶技术中道路识别部分的主要研究方向[19]。2001美国国防部设立无人驾驶技术研发项目，研制了一辆无人驾驶侦查车，命名为Demo III系统。该系统最大的特点在于能够轻松行驶在结构化道路和非结构化道路上，即便是在两种路况环境下切换成功率和安全系数都非常高。与此同时，它能够实现单车运行以及编队运行。该系统传感器选择了立体视觉摄像头系统、多频段雷达组合系统（多个频段能够穿透的障碍物不同，实现了在同一纬度的障碍物识别扩展）、超声波测距模块、激光测距模块、GPS导航以及陀螺仪。并使用数据融合算法对各个传感器回传的数据进行了融合，发挥了重要作用，成功的使该系统在复杂的天气环境情况下，例如雨天、雾天、沙尘天气等中均保持准确的障碍物判断并实现精准导航，通过处理器给出合理的行驶方案，控制车辆行驶路径和安全的行驶速度，从而实现了真正意义上的无人驾驶侦察功能。
在无人驾驶智能车领域，我国研究起步的比较晚，先见经验少，主要研究人员集中在研究院和各大高校。因为我国城乡结构梯度跨度较大，道路交通发展受限，种种因素导致智能车研究在一段时间内发展比较缓慢。80年代末，国防科技大学开始将目光投降智能车领域，逐步研制出多型号CITAVT系列无人驾驶智能小车。在2000年，该校最新型号CITAVT-IV型新一代地面无人驾驶车问世。该车移动平台选用了BJ2020SG吉普车，搭载的无人驾驶系统实现了两个突出的功能，一是在非结构化道路上的低速自主驾驶，另一个是在结构化道路上的自主驾驶。车载传感器方案选用了图像采集处理器作为主要的感知传感器，配合里程计数码盘、激光陀螺仪、磁敏感转速仪等车辆位姿传感器。通过视觉导航加传感器避障策略实现了在结构化道路上75Km/h左右速度的自主航行。现场实验图如图1.2所示：
图1.2CITAVT-IV现场实验图
我国企业在智能车研究的行列中，百度在2013年与国内第三方汽车厂商签署了百度无人驾驶车项目，该项目由百度研究院主导研发，其核心技术为“百度汽车大脑”，该项目在2015年成功推出第一辆百度无人驾驶车。在该系统中，导航控制体系包含高精度地图、定位、感知、智能决策四个模块，可自动识别交通指示牌和行车信息，只要车主将目的地输入导航系统，汽车就可以自动前往目的地。该项目至今取得的实验成果在国内属于领先地位，2018年2月15日，新一代Apollo型智能车成功行驶在珠港澳大桥上，完成各种具有代表性和技术难度的无人驾驶模式下的动作。
我国无人驾驶技术目前在结构化道路上取得了较多的成果和经验理论，在非结构化道路方面，虽然已经开展了相关研究，但是缺少先见经验，理论空白还有很多。
无论在哪种环境下工作，智能车运行对设定功能的完成度和安全性是首当重要的。高精度传感器和高性能处理器的价格和数据处理量是否与功能要求匹配需要我们进行探索。低速环境下不同于其他应用场景，具有一定的优越条件从而降低了对传感器和处理器的要求，所以如何利用较低成本的传感器实现某些特定环境下的智能车功能具有一定的研究意义。
国内高校在该背景下联合举办了全国大学生智能汽车竞赛，鼓励大学生参赛队伍制作一个能够自主识别路径的智能车，以时间最短为衡量性能指标，在专门设计的结构化跑道上自动识别道路元素并实现无碰撞行驶。比赛包含多个组别，电磁组、光电组、摄像头组、直立组、双车追逐组等。各个组别或使用独立传感器，或使用组合传感器对预先设计的赛道进行识别，例如使用CCD摄像头、灰度模拟采集摄像头、磁场感应器、超声波测距模块、激光测距模块等。
以较为贴近现实行驶路况的双车追逐组别来说，系统设计选用两辆小型车辆模型，分别搭载各自的微处理器芯片，一般设计选用单核（单个MCU芯片）或双核系统进行传感器数据处理、导航和通讯。传感器选用模拟摄像头采集道路图像，经过硬件电路阈值处理可转化为二值化图像，或者使用数字处理器，将图像进行逆透视处理，再使用动态阈值法将道路特征提取出来。避障传感器选用超声波测距模块、单点测距激光雷达，磁场传感器等，使用归一化算法将传感器采集的数据进行处理，然后进行数据融合，得到较优得的避障策略，实现单车避障和导航。该系统设计可以完成设计道路的最优速度航行，十字路口、环岛、大小S型弯道、坡道等诸多道路元素的识别和导航，并且能够做到车辆跟随、超车、汇车避让、规定区域内停车等多种现实路况中会出现的行为。车辆模型设计图如图1.3所示。
电磁组设计面向对象为铺设了电磁引导线的结构化道路。选用电感阵列，超声波测距模块，激光测距模块等传感器识别道路特征，能够准确的沿着电磁线行驶，并能识别坡道，道路上的障碍物等，对来往车辆进行规避。
随着科学领域各个领域的发展，人类对于科学理论和科学技术的探索不再仅限于地面，随之深入的领域如海洋、天空、太空等都吸引了各国科学家的研究热情。以智能车或移动机器人为探索工具进行探测和开发，已经成为当今世界各国争相开发环境资源的主要手段之一。月球和火星探测车便是鲜明的例子，它集中了机器人技术，无人驾驶技术，通讯技术、机械臂技术等诸多前沿科技，是一项复杂的、高要求的研究项目。它带动了包括智能车导航控制、传感器数据融合、信息通讯与降噪在内的相关尖端研究领域。无人驾驶探测车首先需要行驶在未知环境中，对运行环境做以相关的适应，例如自然天气影响、月地重力环境、行驶表面不确定等，对机械结构要求极高。第二，在行驶之前需要对周身环境建模以及定位，建立环境地图，保证电路、通讯、各功能模组工作正常。第三，在确定了上述工作完成后就要开始自主航行，借助导航算法与传感器采集的数据，完成指定的目标任务。在上述月球车工作步骤简述中，时时刻刻运行着相关的尖端技术并验证着支持理论。
图1.3摄像头智能小车模型
1.3 无人驾驶理论研究现状
智能车设计理论研究主要在移动机器人体系结构、避障策略、传感器数据融合、导航算法等方面。对于智能车理论研究国外开展的较早，国内因为种种原因研究较少。
1.3.1 智能车体系结构理论
目前为止，在对智能车体系结构的理论研究中，所提出的体系结构按照人为设定功能的完成方式的不同，大致可分为阶梯式智能车体系结构、反应式智能车体系结构、慎思/反应复合式智能车体系结构三种结构类型。选择合适的智能车体系结构，有利于降低系统模块之间的协调工作的难度，与此同时在软硬件部分更加具有开放性和可扩展性[15]。
(1)阶梯式体系结构，智能车的移动功能被拆解为感知、建模、规划、执行四个阶梯步骤并重复循环该流程，因此也被称为功能分解（decomposition）的体系结构。
(2)反应式智能车体系结构是基于行为的体系，在此结构体系中，每一个反应单元只对应自己的局部目标，处理与自身相关的数据，通过这种方式实现从感知到响应的快速行为，相比较之下，阶梯式体系结构需要建立整体的环境模型。所以反应式体系结构是一个自下而上建立系统封构架的方法，其特点在于拥有快速的响应能力，这在智能车的运行中是极其需要的。
(3)慎思/反应复合式智能车体系结构，比较于上述两种结构，既能够拥有快速的响应速度又可以克服单一反应机构的局限性，即无法实现复杂功能。有机的将慎思式和反应式结构结合[15]。近年来，慎思/反应复合式智能车体系结构成为了该领域理论中适用度高的体系结构，逐渐成为了主流思想。但应对于越来越复杂的功能要求，仍然有许多问题需要解决和完善，主要在以下方面：①如何实现单个反应单元的灵活组排;②如何实现基于符号的慎思式智能与基于反应式智能之间的合理协调;③如何建立各层次之间的交流机制，通过机器学习获得新的知识。
1.3.2 传感器数据融合算法
使用传感器对智能车来说是重要的环境感知和反应方式，用来感知自身周围环境和外界环境变化，从传感器采集的数据中提取有意义的环境特征是当前智能车理论研究的热点。使用多传感器组合设计，可以从空间维度提高智能车感知周身环境的能力，使用多传感器数据融合，可以充分使用足量数据来提取环境特征，减少多个传感器在同一维度的重复信息，极大的简化了数据量，降低了对数据处理器的要求。目前市面上智能车大多选用超声波测距模块、单点激光测距雷达、摄像头、多波束激光雷达等多传感器组合的形式。
数据融合可以解释为对多种不同类型数据的处理过程，换一种角度也可以解释为包括数据处理的学科或问题解决工具[3]。
对于数据融合，首先第一步需要对所选用的传感器进行建模，设立全局模型坐标系，智能车的环境坐标系和移动平台搭载的传感器坐标系，三个坐标系两两关联，可以通过坐标转换的方法实现坐标转换。一般情况下，车辆环境传感器固定在便于自身探测障碍物的位置，按照其功能和特性发挥应有的功能。
当得出了传感器的数学结构，将每个传感器的分层建立层与层之间的融合关系，常见成型融合关系框图如图1.4所示[17]，将形成的层级融合关系按照有无反馈，集中与否概括为四种融合系统结构框图，即集中式融合系统结构、无反馈的分布式融合系统结构、有反馈的分布式融合系统结构、有反馈的全并行融合系统结构[35]，如图1.5所示[17]。
能否将结构的特点发挥出来，主要看多传感器融合算法的优劣。处理数据的快慢，解决多传感器的冗余数据，解算数据后样本的凸显性都是衡量算法的指标。目前该领域已提出的主流融合算法可粗略分为两个类别。一类属于随机类方法，有卡尔曼滤波极其演变的算法、贝叶斯估计法、矩估计法等。另一类是人工智能类方法，有基于模糊逻辑的理论、人工神经网络等方法[4]。
1.3.3 路径规划算法
在与智能车相关技术的研究当中，路径规划是其中一个关键环节。所谓路径规划是指智能车按照某一性能指标（如距离、时间、能量等）搜索一条从初始状态到目标状态的一条最优或次优路径[15]。关于路径规划问题的解决思路可以概括为：运用智能车搭载环境传感器采集的数据建立适合自身使用的环境模型，再根据环境模型得到从初始状态到目标状态的一条最优解或者次优解，至少达到无碰撞要求，对环境中的不确定性因素能够处理，使得周身环境中的障碍物对系统的影响降低到最小。比对解算出的控制策略得到较优的解决方案。从目前导航理论的研究来看，已知环境、结构化环境下的导航策略已经有一定的研究基础，能够实现设计者的目标要求，但在低速环境、未知环境、非结构化道路下的研究还有相当大的空白和问题需要填充和解决。
概括截至目前导航技术已经投入实验和尚处于理论阶段的成果，按照所获得环境信息的区别，导航技术可以划分为三种主要类型：基于事例的学习规划方法、基于环境模型的规划方法、基于行为的路径规划方法[32]。
(1)基于事例的学习规划方法的思想是依靠过去建立的经验进行学习和解决问题，或可能产生新的事例。
(2)基于环境模型的规划方法，智能车通过建立环境模型以及自身定位，在有环境模型的基础上通过算法制定实现从当前状态到目的状态的移动，随着传感器技术和处理器技术的发展，逐渐成为目前研究的热点方向。
(3)基于行为的路径规划方法是受生物系统的启发而提出的，采取类似生物进化从下向上处理的思想，从每个简单的反应单元系统化到上层[16]。
当然，每种方法都有自身的局限性，受于组合思想的启发，大家开始将目光投向将多种处理方法组合的解决方案，例如将基于反应式行为的规划方法与基于慎思行为规划结合，将全局路径规划与局部路径规划结合，将传统方法与智能方法结合等等。
1.4 本文主要工作
到目前为止，无人驾驶智能车系统经过科研人员努力，在长久时间的研究和实验下发展已经取得了令人惊讶的成果和先见经验。然而，新问题和新要求的产生永远不会停止，由于一些基础理论和技术中的局限性让智能车在实际应用中的问题仍然没有较好的解决方法，没有形成一个完整的理论体系，智能车在未知环境、非结构化道路行驶过程中依旧存在种种缺陷。因此论文希望能够探索一种在低速环境下无人驾驶智能车的结构平台设计、避障方法和导航策略，搭建实物仿真平台验证比对结果，实现对优化方案的验证。按照上述需求，论文将通过以下四个方面来完成对智能车避障导航系统的设计：
(1)对智能车和无人驾驶技术进行深入调研，详细分析并比对目前为止导航策略和避障方法已有理论的优缺点，选择并建立适合本文研究方向的智能车传感器组合和导航方案。
(2)针对低速、半结构化室内外环境，处理器芯片资源少，实时响应快的要求，同时考虑平台的可扩展性和可研发的特点，设计一种无人驾驶智能车系统。
(3)基于ROS(Robot Operating System）、Gmapping开源包，IarIdePm和Altium Designer编译环境软件，设计并实现一种智能车样车。
(4)搭建一套对智能车运行的仿真和测试系统，测试所设计的智能车避障导航方案效能性以及设计理论的合理性。将论文内容结构划分如下图1.6所示。
图1.6内容结构划分
将论文总分为五点，其中每一章具体内容阐述如下：第一点为绪论，掌握低速环境下无人驾驶智能车系统的研究背景及意义和与智能车避障和导航相关的关键技术研究现状，最后对论文主要工作内容进行概括。第二点主要分为三个部分：智能车动力学和运动学模型、环境模型建立与定位、占据栅格模型和Gmapping算法构图。对于智能车模型在数学方法下的模型建立进行了推导，同时对于智能车环境模型建立以及定位方法也进行了详细说明；最后对智能车环境地图构建算法Gmapping算法进行了详细阐述，并对该算法进行了仿真分析。第三点为智能车系统近距离传感器的组合方案、联合卡尔曼数据融合算法推导以及仿真验证。首先针对本文半结构化低速环境的设计方向制定了以超声波和激光测距传感器搭配的近距离传感器组合方案。然后对联合卡尔曼传感器数据融合算法涉及到的相关理论进行了推导分析，将子滤波器优化为互补滤波器。最后，通过仿真对各个传感器能效进行判断并验证优化数据融合算法效果。第四点为智能车系统导航策略的设计、仿真以及软件实现。本章首先对论文涉及到的核心部分导航策略A*算法理论进行了推导分析，确定了优化A*算法为智能车系统的导航算法。在激光SLAM算法构建的地图基础上设计了半结构化低速环境下的避障导航系统；然后阐述了避障导航方案的实现方案；最后，通过建立仿真环境，对所设计方案的合理性进行验证。
第五点为智能车避碰导航测试环境搭建部分，本章主要分为三大部分：一是对智能车避障导航算法进行软件设计，采用Intel Core13数字计算机和k66微处理器搭配的方法，各自承担不同的任务，但建立通信实现了数据共享；二是根据先有经验以及机械设计理论建立起智能车车辆实物模型，基于Altium Designer软件设计车辆硬件PCB电路从而使车辆传感器以及各个硬件模块正常运作，车辆的各项硬件性能参数能够完全满足设计指标要求；三是搭建半结构化测试场景，测试智能车样车在测试环境下的工作性能，测试分析设计出的智能车样车的各项性能指标，从而实现评估设计方案的合理性。
2 智能车运动学模型、动力学模型和环境建模
运用数学工具从宏观角度分析智能车整体运动情况和车辆特征，这一过程对智能车和环境传感器数学模型的建立必不可少，数学模型的建立有利于运用数学语言和数学工具来对整个工程的内在规律进行探索。借助计算机优越的解算能力有助于对我们做出的假设验证、系统运行情况分析节省大量的时间和精力。
2.1 智能车动力学和运动学模型
本系统的建立基础是在选定了一辆与越野车辆车体机构契合，动力机构后置并采用后轮驱动，前轮转向的传统驱动方式小车，因为建立模型的意义在于简化问题，突出对象的特征，因此在本章不对智能小车的详细机械结构进行介绍，选取其特征参数建立车辆运动学模型。
选定世界坐标系XOY即惯性坐标系{I}，以后轮驱动点P为原点,车身中轴线PQ方向为正方向，设定车辆坐标系xoy即坐标系{R}，传感器坐标系{S}是以某一传感器设定位置为原点，传感器工作正方向为坐标系正方向XS，α,θ分别为坐标{S}与坐标{R},坐标{R}与坐标{I}正方向之间的角度。三个坐标系相互关联，建立车辆运动学模型如图2.1所示。
综上所述，当智能车行驶速度大于2.0m/s时，智能车模型在移动过程中会发生侧偏、漂移等现象，所需的转弯半径也更大，无法进行路径跟随。因此本文定义智能车行驶速度低于2.0m/s的环境为智能车低速行驶环境。本文以下的所有设计和仿真都是基于在此环境下实现的。
2.2 Gmapping环境地图模型建立与定位
截至目前，导航算法根据对环境模型的需求可以分为以下几类，第一种是建立在采集并处理好的地图上的导航，第二种是建立在增量式地图的导航算法和未有成型地图信息的导航[10]。根据定义，未有成型地图信息的导航是指智能车识别并追寻某个目标，从而完成预先设定的任务的导航。如果已存在采集并处理好的地图，则智能车可以基于此地图的一些可用信息，利用卡尔曼滤波、互补滤波等方法不断矫正自身位置，达到一定误差范围内的自主定位。
然而，位置环境中既没有预先设定的跟踪目标也没有可参考的成型地图信息，只建立在采集里程计、陀螺仪、惯性器件等车辆位姿传感器数据上得到的智能车位姿状态信息（用于定位）很大几率会产生累积误差，于是智能车有必要借助除过车辆位姿传感器以外的其他传感器感知外部环境信息，连续采集外部环境中的可用信息主动的构建地图，然后实现精准定位和路径规划，以便更有效地探索环境或完成特定任务。
2.2.1 SLAM即时定位与地图构建算法简介
建立环境模型，首先第一步需要完成对环境模型的表示。环境建模的基础建立在对环境特征提取和知识表达的方式之上，这一基础奠定了系统储存、利用和获取知识的途径。其次，能够提供给智能车进行路径规划的主要可用信息是创建的地图，所以地图所包含的信息量一定要有利于于处理器理解和计算，而且当提取到新的环境信息时，需要能够方便的融合到已有的地图信息中。
与智能车导航算法相关的领域经常见到的环境模型有平面模型和三维模型，其中平面模型可细分为占据栅格模型、几何模型、拓扑模型。三维模型可细分为三维几何模型和可视化模型。在占据栅格模型中，有一种衍生算法被称为SLAM (simultaneous localization and mapping)即时定位与地图构建算法，这是基于占据栅格模型的理论提出的增量式环境地图构建方法。当选用了激光雷达为环境传感器时，细分为激光SLAM算法，同时也是基于贝叶斯估计的方法[33]。
2.2.2 Gmapping构图工具
在本文中根据激光雷达对环境采集的数据处理方法选用Gmapping算法构图，Gmapping是基于滤波SLAM框架的常用开源SLAM算法，可以实时构建封闭环境地图，并且构建小场景地图时所需的计算量小且精度高。该算法对激光雷达频率要求低、鲁棒性高；构建小场景地图时，Gmapping不需要太多的粒子，也不需要回环检测，因此计算量很小但是对精度影响不大。Gmapping有效利用了车轮里程计信息，里程计可以提供智能车的先验位姿，这也是Gmapping对激光雷达频率要求低的原因[13]。
Gmapping算法将定位和建图过程分离，首先利用车辆位姿传感器进行定位，再利用环境传感器进行建图。在本文将Gmapping算法仅仅作为实现构建地图与定位的工具，所以对该算法原理和理论不做详细阐述，具体可参考文献(Improved Techniques for Grid Mapping_with Rao-Blackwellized Particle Filters)[27]。
使用Gmapping开源包对在Linux操作系统上对智能车搭载激光雷达回传数据进行处理，对实验场地进行环境数据采集，对该算法的构图效果，时效性，地图构建范围进行仿真[14]。
在10m×10m的仿真环境下，Gmapping建图仿真实验结果如图2.3(a)、(b)所示，所构建的地图包含了场景内激光雷达扫描不透的所有障碍物信息，2mm一个周期回传图像数据，实时性、探测距离、以及障碍物分辨度均满足低速环境下智能车行驶时的地图构建与定位，由此可见，该构图与定位方法满足避障策略和导航算法的需求。
2.3 本章小结
本章主要目的在于从数学模型的角度去分析智能车系统的运动规律和参数，简要梳理了设计智能车环境建图和导航所需要的相关基础性理论知识，确立构图算法。
首先借助数学工具，完成了在理想情况下车辆运动学和动力学模型理论的部分推导，奠定了整篇论文的理论基础，通过这个过程，智能车运动学模型得以建立。
然后对于智能车在障碍物环境中如何建立周身环境的模型并构建地图来实现自身定位的方法和理论进行了确定和推导，简述激光SLAM模型下的Gmapping开源包建图优越性，计算量较小且精度较高。
最后，对设计的理论方案进行了仿真，验证了设计的构图算法在半理想情况结构环境下的效能和各项指标符合智能车在低速环境下的要求。
下一章将设计智能车系统的核心部分，导航算法和避障策略。完成多传感器组合方案，使用本章建图结果进行路径规划。
3 智能车障碍物检测方案
根据前文论述，智能车障碍物检测方案对智能车系统来说是和外界环境交流的主要途径，任何一种智能移动机器人，依赖于一种或多种传感器组合，对传感器返回的信息进行合理的融合处理，这是智能车对自身所处环境得到一些有效估计的方法之一，进而才能做出决策。障碍物检测方案在智能车的设计过程中是不可缺少的。
做出合理的传感器组合方案是保障智能车实现有效避障能力的第一步，更为重要的是如何将传感器数据进行处理，考虑到处理器的解算速度，各种传感器的特性，选择合理的数据融合算法是关键。处理数据的快慢，解决多传感器的冗余数据，解算数据后样本的凸显性都是衡量算法的指标。目前该领域已提出的主流融合算法有卡尔曼滤波极其演变的算法、贝叶斯估计法、矩估计法等随机类方法还有近代提出的基于模糊逻辑的理论、人工神经网络等人工智能类方法[35]。
对于本系统，考虑到处理器芯片性能较低，以及智能车行驶环境为低速环境下的半结构化环境，选用联合卡尔曼滤波、互补滤波结合的算法对多传感器数据进行融合。
3.1 智能车传感器组合方案
根据查询资料和先验经验，智能车常用的环境传感器有超声波测距模块、单点激光测距雷达、摄像头、多波束或单波束激光雷达等，车辆位姿传感器常选用光电编码器、加速度计、陀螺仪、气压传感器等。
对于摄像头或双目视觉系统采集环境的数据量过大，对处理器提出了较高要求，再者双目视觉系统在较简单的环境下，例如面对白色墙面以及单一色块无法有效的进行距离判断，因此本系统舍弃摄像头传感器。激光雷达在多种常用环境传感器中拥有较优的抗有源干扰能力，在光照环境，障碍物介质复杂的环境下，依然可以保持非常精确的测距能力。但激光雷达也具有一定的局限性，在雾天情况下，激光衰减率增大，其性能会大幅降低。不论选择哪种传感器，单一传感器的功能不足以实现智能车在多变环境以及干扰条件较多的情况下实现有效避碰。因此，本文选择多传感器组合，结合每种传感器的优缺点，取长补短，实现多维度的障碍物信息采集。根据技术指标，环境传感器设计选用相位激光雷达、单点激光测距模块、超声波模块组合的方案。
（1）相位激光雷达
对比多厂家多种雷达扫描结构类型，最终选用LS03系列LS03A LS03B型号相位法激光雷达，LS03系列是一款低成本相位法二维扫描测距激光雷达。该激光雷达扫描方式为单波束360°旋转，因此测量角度可以达到360°，光源范围792nm，测量范围0.15~40m，角度分辨率 1°/0.5°，测量精度：测量物体在10m以内+/-10mm，10m以外范围+/-15mm，扫描频率：10 Hz，采样频率：14400点/秒，数据输出方式为串口输出。在低速环境下该激光雷达完全符合智能车在行驶过程中地图刷新速度、测量范围等要素的要求。
（2）单点激光测距雷达
当智能车离障碍物的距离十分近的时候，对传感器采集频率要求非常高，以实现快速响应，相比较而下，大数据量的传感器均不能实现这一要求，但激光测距模块，超声波测距模块的数据量小，采集频率高，处理器对这种传感器数据易于处理。因此在组合方案中选用激光测距模块。TF02是一款基于TF01广泛应用经验而研发量产的新一代单点测距激光雷达，在采集频率和抗有源干扰能力方面有着卓越性能，可用于智能车在面对近距离障碍物时的反应传感器。该激光测距雷达拥有可达22m的量程和更稳定的测距性能。TF02基于TOF（Time-of-Flight）时间飞行法，采用相位法实现测距功能。测距的原理是测距激光雷达发射调制的近红外光，在遇到障碍物后反射后，传感器计算由调制红外光的发射、反射后产生的相位差，进一步换算与被测目标物体之间的距离以生成深度信息。
该模块在22m距离上的反射率为90%，室内10m距离反射率为10%，室外为 30%（100Klux光强），距离分辨率为1cm，采样频率可以达到100Hz，抗环境光能力为100Klux。
（3）超声波模块
激光测距传感器对光照环境要求较高，在室外强光照的情况下容易产生误差，因此在本设计方案中加入超声波测距模块，在强光情况下进行补偿，使用超声波测距的特性，降低智能车在复杂多变的情况下的容错率。超声波测距原理与激光测距原理在一定基础上相似，在此不做详细阐述。
本设计智能车姿态传感器选用光电码盘、陀螺仪、加速度计。
（1）光电码盘
光电码盘作为里程计中的一部分，实现对智能车移动距离值的采集。
（2）陀螺仪、加速度计
陀螺仪和加速度计是常用的惯性元件，可以对智能车姿态信息进行采集，以及在不同行驶速度下，通过处理器完成对智能车运行速度、加速度的解算。
3.2 传感器数据融合
3.2.1 卡尔曼算法基础原理
卡尔曼滤波器是卡尔曼最初在他写的一篇论文中提到的一种最优化的自回归滤波算法，因为这个缘故，卡尔曼滤波器被正式命名。该算法使用递归推理方法对待离散采样的数据进行处理。与此同时，随着数字处理器芯片的高速发展发展以及数学等学科理论渐渐形成成熟体系，在数字图像处理领域、机器人自动控制领域、智能车定位导航领域等多个领域卡尔曼滤波器得到了广泛的应用。在智能车多传感器的数据融合过程中，这一重要步骤对于决策系统来说就是要实现一个合理的滤波器来选择对系统判断决策有用的信息。经过多年的优化和补充，卡尔曼滤波器以其高效且最优的性能逐渐充当了数据融合算法中的主角。
卡尔曼滤波算法在避障系统中的应用主要作为一种高级的最小估计方法，使用现代控制理论实现系统状态估计为最小的均方误差。建立被估计量（避障系统的内部状态变量）与其存在的噪声之间的连接关系（状态方程），把传感器的测量值以及子滤波器的输出作为输入，在经过状态方程、量测方程、噪声统计计算之后得到最优估计量，将之用于避障距离数据输出校正[36]。在工程计算中使用离散卡尔曼滤波方程，设系统状态空间描述方程为：
3.2.2 传感器数据融合算法
有两种方法可以使用卡尔曼滤波器实现多个传感器之间的数据融合：一种是集中式卡尔曼滤波，另一种是分散式卡尔曼滤波。集中式卡尔曼滤波的优点是可以获得最佳系统状态估计值，不足之处是在处理器的一定计算能力下，对于多维的系统，数据处理量太大，计算速度慢，使系统实时性和动态性能变差，系统滞后。分散式卡尔曼滤波与集中式卡尔曼滤波的不同之处在于，使用主滤波器和多个从滤波器取代集中式滤波器，把需要处理的传感器数据分为多个阶段处理，极大提高了效率。
联合卡尔曼滤波器是分散式卡尔曼滤波的一种特殊形式，实现方式是将主滤波器的动态数据分配到各个从滤波器。在许多相似的子系统中选择一个可靠性高、能够较全面表达被测实体的信息、有较高输出速度的子系统作为参考，将它与剩余的子系统进行两两结合，得到各自的从滤波器，各个从滤波器并行计算，得到基于从滤波器的局部测量值的局部最优解。根据给定的规则处理这些局部最优解以得到全部测量值的整体估计，因此联合卡尔曼滤波是部分处理再整体融合的过程[17]。下面进行联合卡尔曼算法推导。
设联合卡尔曼滤波器求最优融合解的状态向量Xg，方差矩阵Pg，子滤波器状态向量为Xi，主滤波器的状态向量为Xm，子滤波器方差矩阵为Pi，主滤波器方差矩阵为Pm，使用测量噪声方差矩阵的逆R-1表示测量数据矩阵、系统噪声方差矩阵的逆Q-1表示系统数据矩阵，估计误差方差矩阵的逆P-1表示估计误差矩阵。
结合实际情况，设计智能车近距离避障系统多传感器融合算法的结构图如图3.1所示[17]。SINS为选定参考传感器。
红色曲线为融合后的角度值曲线，蓝色曲线为未融合的角度值曲线。由图像可得联合卡尔曼在数据融合方面有着卓越效果，该理论对智能车避障和位姿确定有很大的优化作用。
3.4 本章小结
本章主要完成了三部分工作，一是设计传感器组合方案，对各种类型的传感器参数进行简述，对所提传感器的优缺点进行了分析，结合本文设计方向，设计了低速环境下的传感器组合方案。第二部分对目前为止多种传感器数据融合算法理论以及实验应用的优缺点进行对比，最终选用联合卡尔曼算法对传感器数据进行融合，并将该算法中的子滤波器替换为互补滤波器，得到一套优化的联合卡尔曼数据融合算法。第三部分对所选方法进行仿真验证，验证了在响应快、数据量少、容错率低等应用指标要求下，设计的多传感器数据融合方案适用于智能车的近距离避障，并使得融合后距离数据结果优越于传统方法所得。下一章将进行低速环境下基于A* 算法的无人驾驶智能车导航实现。
4 优化A*算法导航策略
智能车导航算法对智能车系统来说是核心部分之一，利用合理的导航算法进行智能车路径规划，对智能车能否按照一定要求行驶起决定性作用。关于路径规划问题的解决思路可以概括为：运用智能车搭载环境传感器采集的数据建立适合自身使用的环境模型，再根据环境模型得到从初始状态到目标状态的一条最优解或者次优解，至少达到无碰撞要求，对环境中的不确定性因素能够处理并降低跟踪路径误差，将周身环境中的障碍物对系统的影响降低到最小。根据前文论述，本文基于激光雷达传感器进行定位与建图，因而选择基于环境模型的规划方法，智能车通过建立环境模型以及自身定位，在有环境模型的基础上通过算法制定实现从当前状态到目的状态的移动。在众多导航策略实现算法中，优化的A*算法在半结构化环境、低速移动条件下展现了突出的路径规划能力，因此选择此算法作为本文导航策略算法。A*算法是一种很常用的路径查找方法和图形遍历算法，由于借助启发函数的引导，A*算法通常能够发挥较好的性能和准确度。具有编程方法相对简单，参数设置较少，搜索路径效率高的特点[5]。
4.1 A*算法原理
A*算法通过对状态空间中搜索点进行评价，取得最佳点，然后依据此位置节点继续进行搜寻，一直找到目标点为止。该算法以获取最短路径为实现目标的搜索方法，属于典型的启发式算法。核心表达式为：
f(n)=g(n)+h(n) (4-1)
其中: f(n)表示从起点开始经过当前节点到目标节点的路径长度；g(n)表示起点至当前节点n的路径长度，此时g(n)已经是智能车从起始点到当前点的最短距离；h(n)是从状态节点n到目标状态的估计代价函数距离[30]。
通过图4.1描述算法搜索节点的过程，墨绿色点表示起始点位置，红色点表示目标点位置，蓝色点周围的8个点表示可以设定为当前状态空间的子节点候选点，设一个点表示距离为1。式(4-1)简写为F=G+H，G、H分别对应上述f(n)、g(n)所代表的定义。H是欧式距离，起始点周围8个格子F、G、H各数值见图，由图可知2号小格F最小，将其作为接下来要处理的点，然后检查2号周围的小格的G、H值,黑色方格是障碍物。在计算G、H值时忽略其不可通行，确定2号的待选小格是1号、3号。由于1号、3号是父节点(起始点)的8个相邻节点、3号节点周围没有可选新的相邻节点，故从起始点选择待处理节点是1号而不是2号、3号。按照此思路，4号节点是1号节点的子节点。
该导航策略考虑到超声波传感器、激光测距模块采集频率高，数据量小，测量维度单一等优点，对这部分传感器功能定义为2米内近距离紧急避障模块，激光雷达测量范围广，一维测量无死角，因此被定义为大于2米范围的远距离传感器模块。根据各个模块工作距离以及工作特性，在空间上实现障碍物距离测量的合理融合。以此制定了各模块在导航方案中的执行优先级。
在导航策略中，提高智能车对规划路径的跟踪准确度是无法忽略的问题，本文实现的导航避碰策略，使得低速行驶环境下智能车准确的跟踪路径降低了一定难度。当然，本文设计的导航策略并没有完全忽视这一问题。由结构图可知，在导航策略中，智能车以近距离紧急避障模块高频率实时对周身障碍物距离进行采集，当判断障碍物距离不合理时，达到快速纠正车身姿态以及路径的目的。当判断障碍物距离合理时，根据距离传感器模块更新地图数据。通过增加该步骤，使得智能车能够及时减小由自身硬件局限性所带来的跟踪偏差，提高了智能车对规划的路径跟随的准确度。
4.4 基于A*算法的避障导航方案仿真
将优化后的A*导航算法在Linux系统Robot Studio仿真环境下进行仿真。设计在没有强光照室内仿真环境下，设置不同数量障碍物，基于激光雷达，在Gmapping算法构建的地图上设定起始点A和目标点B，优化A*导航算法规划的路径如图4.5所示：
图4.5A*算法规划路径一
图中A点为智能车当前位置点，B点为设定目标点，图中白色区域为无障碍区域，其余地区均检测为障碍区域。曲线AB为A、B两点间优化A*算法规划的最优路径。
当改变障碍物参数时，仍然设计在没有强光照的室内仿真环境，基于激光雷达，在Gmapping算法构建的地图上设定起始点A和目标点B，优化A*导航算法规划的路径如图4.6所示。图4.9中A点为智能车当前位置点，B点为设定目标点，图中白色区域为无障碍区域，其余地区均检测为障碍区域。红色曲线AB为A、B两点间优化A*算法规划的最优路径。
由仿真结果可以看出，优化后的A*算法结合Gmapping地图构建对智能车在有随机障碍物的行驶环境下能够规划出符合最优的行驶路线，该路径满足智能车以2m/s以下速度行驶的过程中，车辆对路径的跟随，并能引导智能车对障碍物无碰撞的行驶至目标点。
因此，选择优化后的A*算法应用为智能车的导航算法是合理的，对智能车的导航可以起到优化作用。
图4.9A*算法规划路径二
4.5 本章小结
本章首先进行了对目前为止多种导航算法的理论以及实验应用的优缺点进行对比，然后在本文探索的应用环境下的应用指标：低速环境、激光雷达构图、行驶路程短等要求下，选择了优化后的A*算法导航方案。最后对导航策略进行仿真实验，在设定情况下的验证仿真成果，验证了该策略的能效。
5 智能车系统性能测试与分析
5.1 避障导航算法软件设计
在本系统中，选用了intel core i3数字计算机与kinetis 66 MCU结合的处理器方案，因此软件设计包含了在单个处理器工程环境下的数据处理，处理器与处理器之间通讯，人机交互，数据共享等多个模块。在intel core i3数字计算机上编程的工作环境需要Linux操作系统，在此基础上使用RoboWare Studio开发环境，这是一款用于ROS（机器人操作系统的一种）开发和调试的集成开发环境（IDE）。intel core i3数字计算机主要需要处理的是对相位激光雷达扫描数据通过Gmapping开源算法包建立环境地图并确定智能车位置。kinetis 66 MCU主要处理的响应频率高的近距离传感器数据融合，并将融合数据发送给intel core i3数字计算机。对MCU编程使用IarIdePm工程环境，简称IAR，该工程环境搭配J-Link仿真器可以实现在线实时数据调试，极大的方便了我们在工程代码调试时对数据变量的监控。
首先介绍intel core i3处理器实现功能的编程流程图如图5.1所示：
图5.1i3编程流程图
该部分编程首先对激光雷达、WIFI模块、通信模块的参数、地址、工作状态进行初始化配置，完成初始化工作后尝试与MCU建立通讯，当返回通讯成功标志后对激光雷达回传数据进行保存并处理，使用RoboWare Studio执行Gmapping开源算法包，建立环境地图并实现智能车定位，建立的环境地图数据表示方式为极坐标系下的二维数组，对该数组进行常坐标系的转换，然后使用优化A*算法对该地图数据进行启发式搜图，规划最优路径。最后将路径信息发送至kinetis 66 MCU微处理器。
当MCU微处理器接收到数字计算机发送的数据后，开始第二部分处理。图5.2为MCU编程流程图：
图5.2 MCU编程流程图
在软件设计的第二部分中，MCU担任及时处理与响应的功能。首先进行超声波测距模块、激光测距模块、通信模块的参数、地址初始化。确认各个模块工作正常之后建立与i3处理器的通信，接收地图和规划的路径信息并进行保存。然后对各个传感器模块回传的数据进行数据融合处理，将融合后数据与地图数据中障碍物距离进行比对，设立判断机制，当距离信息正确时，使用PID控制策略对执行机构进行控制，进而实现路径的跟随，当判断距离信息偏差较大时，启动紧急避障方案，立刻使用近距离传感器模块对障碍物二次采集，使用传感器数据进行紧急避障。并将此数据融合到地图信息中，对障碍物距离数据进行更新，在i3处理器上使用优化A*算法根据此时智能车位置重新进行路径规划。
5.2 智能车机械结构设计
为适应室内与室外环境下开展实验的需要，智能车采用了两驱动轮与两转向轮的运动机构。车体后部左右两侧各安装一个驱动轮。左右驱动轮通过齿轮机械结构和转动轴连接，形成机械差速结构。四个支撑轮均安装双减震弹簧，当遇到障碍物阻挡时，减震装置配合越野式车轮结构可以攀越一定高度的障碍物。对于整个车体结构，按照重量分布，将平台所搭载模块沿车辆中轴按照集合对称安装，降低了智能车左右横摆时产生的偏差力矩，并且尽可能的降低车辆重心，提高车辆运行时稳定性。四车轮的机械结构实现智能车地盘平台的俯仰与横滚状态，该结构简单，从而能够有效的、均衡的发挥驱动轮与转向轮的效率。
智能车采用电机驱动实现前轮控制转向。电机转交设定为165°，通过舵机力臂长度的配比，达到前轮转向最优转角跨度，能够减少转动时摩擦阻力的影响。驱动电机、舵机、舵机力臂集成为一个机械模块，有利于维护和部件的改进，车模部件可以进行对各类组件的安装与调整。实物如图5.3(a)(b)(c)所示：
在电源管理模块电路设计中，整个智能车系统中总共需要四种不同的电压值，其中包括电池电压8.6V，供给伺服舵机的驱动电压6V，供给传感器接收放大电路和人机交互模块的5V以及供给单片机最小系统和传感器模块的3.3V电压。
在单片机的选择上选择了恩智浦公司Kinetis系列中最新的一款单片机MK66FX1M0VLQ18，这款单片机使用的是ARM公司的Cortex-M4内核为控制器，原生主频速率高达180MHz，足以满足大部分的算法运行与实时控制，同时这款芯片配备256K的SRAM以及1M的大flash空间。同时K66的板载资源也是非常的丰富，包括6个UART串口、3个SPI模块、4个I2C模块、2个16位ADC模块以及4个FTM模块、20路PWM输出，同时所有I/O口都支持硬件外部中断触发。使用K66作为核心CPU搭配必要的复位电路和硬件电路，配合引出必要的引脚与传感器模块、人机交互模块一起组成主控板。图5.5给出了主控板电路设计框图。
图5.5主控板电路框图
5.3.1 电源管理模块设计
电源管理模块是整个硬件电路中的基础，所有的芯片都会有一个可以正常稳定工作的电压范围，所以就需要电源管理模块分配稳定脉动小的电压。如果电源管理模块设计不当，造成稳出的电压波动较大，对于某些敏感元件来说容易造成频繁的复位甚至烧毁，同时要考虑电源部分是否会对信号传输部分造成电磁干扰以及所分配的电压是否满足正常工作所需要的功率要求。所以说电源模块的设计是整个硬件电路设计中非常重要的一部分。
在智能车系统中，根据不同器件的电压需求,总共可以分为四级电压，包括11.2V系统，6V舵机系统，5V传感系统以及3.3V的敏感元件系统。其中11.2V系统是电池电压，在整个系统中主要作为各级电压系统的高压输入以及电机的驱动电压。6V舵机系统主要是供给舵机以作驱动，由于舵机是一个功率器件，对该部分进行电路设计的时候需要考虑到功率大小与电磁干扰问题。5V系统主要供给传感系统，包括模拟电压信号放大电路以及光栅测速模块，该部分涉及到传感器接收所以要求这部分的电压稳定脉动小不然会影响到传感器采集到的的数据。3.3V系统主要由最小系统和陀螺仪模块组成，这部分对功率要求不大但所有器件均为核心敏感器件，需要保持电源纯净无脉动，所以这一部分对电源的要求是最高的。
对于稳压芯片的选择上，采用的降压方案是两级稳压的方式，第一级稳压从11.2V稳压至5V，第二极稳压再从5V稳至3.3V。这对于第一级稳压来说要供给后面所有电路的功率所以功率要求足够大，同时损耗小，对于第二级稳压来说敏感器件要求电压脉动小而平稳的稳定电压。
1、直接降压
直接降压采用AS1015来完成，AS1015是美矽半导体公司研制的一款高频控制的DC-DC开关稳压。它的输入电压最高可以达到23V，同时这是一款可以根据电路设计中的电阻比来调节输出电压的芯片，这款芯片的输出电压与输入电压的最小压差仅有0.8V，但是他输出电流的能力却有5A，完全满足了小车系统中舵机所需要的电压与功率，同时这款芯片配有过流保护，可以在伺服舵机堵转的时候保护舵机与电路。
AS1015的输出电压VOUT是与VFB有线性的对应关系。也就是说，如果知道VFB的值，通过对R1和R2进行配置就可以让AS1015输出所期望的电压。
在芯片的内部,FB引脚上连接了一个运算放大器,在运算放大器的正相输入上有一个0.8V的参考电压，经过与FB引脚的电压比较后，经过300KHz的PWM调制后会从SW脚输出期望的电压值，所以认为VFB就是0.8V，所以如果期望电压为6V的话，经过计算R1与R2的比值应为6.5，同时考虑到电路限流保护以及市面上容易买到的标称电阻值，最后选择R1为10K，R2为1.5K。
同时观察该芯片的典型性能特征，在低压与常温的范围下，各部分性能稳定，在接近空载与接近满载的情况下，电压波动范围不大，适合本次的舵机供电电路设。图5.6为AS1015直接降压电路图。
图5.6 4AS1015直接降压电路设计
2、一级稳压
针对除了伺服舵机之外的其他电路来说使用分两级稳压的方式来稳压。第一级稳压使用TPS54560B来完成，TPS54560B也是一种基于开关电源原理的开关稳压芯片，该芯片的输入电压高达60V，是一款集成高边N沟道型MOSFET降压稳压器。基于开关稳压电源的开关稳压芯片是依靠buck电路为基础实现降压，同时在降压的同时还设有电压反馈补偿部分，使用内部反馈的电压值与期望值进行对比，对误差使用PWM脉冲调制技术来进行补偿。在这一部分使用开关稳压芯片而不使用线性稳压芯片的原因是，第一级稳压需要大功率与低损耗，在这些方面开关稳压远优于线性稳压的高热耗与固定效率。
TPS54560B的内部参考电压精度为0.8V±1%，由一个带隙基准电路在工作温度和电压范围内的缩放产生。输出电压依靠FB引脚两端的RHS与RLS两个电阻来调节，调解公式如下:
（2）在整个系统中，光栅测速模块需要使用FTM模块来获取转速与转向信息。在K66中有四个FTM模块分别是FTM0~FTM3。其中FTM0与FTM3具有8通道，FTM1与FTM2只有有2通道，而且只有FTM1与FTM2具有正交解码过程。而且同一个FTM模块可以输出同频率的PWM波，所以使用FTM1与FTM2分别对两个光栅进行采集。
图5.12为PWM调制信号接口原理图。
（3）人机交互部分在整个系统中起到提示与实时修改的作用，在对系统调试的时候一个设计良好的人际交互系统会大大减少调试的难度。本文中主要用到了按键、蜂鸣器与OLED显示。按键的电路实现非常简单，一般是一端与I/O口相连，另一端与正极或地相连，出于保护单片机不会受到过电流的损坏，所以在这里使用另一端与地线相连的电路设计，为了节省空间便于操控，在电路设计中还加入了五向按键。显示部分使用12864的点阵屏幕同样适用I2C协议来显示图像，可以显示数字、汉字、ASCII码甚至是图像。图5.13是人机交互模块电路原理图。
根据实验结果，当确定智能车起始位置和目标位置后，在对系统实时路径以及规划路径进行监控的过程中，智能车能建立完整、正确的环境地图。能够规划无碰撞、较短的路径，在行驶过程中，能够实时的根据障碍物距离信息优化、更新路径。在智能车行驶过程中，车辆对规划路径跟随的准确度有待提高，智能车在移动过程中由于机械结构的局限性导致不能完全跟随路径。
测试二：
测试条件：15m×10m室内环境，阳光照射加室内白炽灯光照环境，地面为防滑粗糙路面。封闭式测试场地，包含障碍物由路障、安全锥、U型急转弯道等。
检测仪器：数字计算机，Wifi通讯模块、障碍物触碰警报。
被测物：智能车位姿状态
测试过程图如图5.19(a)(b)所示：
图(a)、(b)为车载陀螺仪实验过程中陀螺仪输出数据，在图像中可以清晰的看出传感器数据融合算法对陀螺仪以及加速度计数据融合后的结果很优秀，消除了大量的噪声和误差。智能车对规划路径跟随时，车身姿态没有出现危险情况，例如翻车、碰撞等。验证了本文对车辆动力学建模、路径规划、导航算法的合理性。
5.5 本章小结
本章首先完成了智能车避障导航方案的软件设计。然后完成了智能车平台的机械结构调整和搭建，按照几何结构的理论指导实现车辆转弯半径，轮胎摩擦力，机械结构空程消除以及传感器的合理布置，从机械结构的角度调整车辆平台上搭载的硬件安装。再次完成了智能车硬件电路的实现，借助设计软件，将车辆上各个模块的供电，信号采集，处理器与执行机构间的通讯集成为一个系统。将整个硬件电路部分拆分成几部分，包括最小系统部分、外围接口部分、电源管理部分、人机交互部分，然后对整个硬件电路进行PCB的绘制并进行测试，完成了整个系统的硬件电路设计与实现。最后，对设计的硬件电路、智能车实际运行指标进行检验，通过示波器波形分析和实时参数监控得到所设计的智能车系统符合要求，验证了所设计的理论方案在半结构化低速环境下的效能。
6 结论
为了实现在半结构化低速环境下智能车以最短路径无碰撞的行驶到目标地点，设计了基于激光雷达传感器建立环境地图、多传感器组合的智能车避障策略和导航方案。避障方案采用超声波传感器、激光测距模块对近距离障碍物进行距离测量，使用多传感器数据融合方案对各个传感器原始数据进行优化，制定紧急避障方案并丰富地图数据。导航方案采用激光SLAM算法进行环境地图构建与智能车定位，在此基础上使用优化的A*算法进行全局路径规划。结合智能车避障策略与导航方案，实现局部避障与全局路径规划的相互补充。而且经过数学仿真和模拟环境测试实验，初步验证了根据上述设计的智能车避障策略和导航方案具有对智能车在半结构化低速环境下运行的避障和导航能力。
本文主要研究工作及研究成果阐述如下：
第一，研究了智能车避障策略和导航方案的基本理论，对低速环境下智能车使用上述方案进行设计的过程进行了详细的梳理，从而明确了低速环境下智能车避障策略与导航方案在整个智能车无人自主移动中起到的作用及其设计原则。
第二，建立了四轮智能车的动力学数学模型，分析了智能车在运行过程中可能的干扰和机械局限性，从而为路径规划提供设计原则。在设计了智能车的数学模型基础上，选择了适合四轮车模型的激光SLAM算法进行环境地图构建并进行智能车定位，在这个过程中具体使用Gmapping开源算法包进行极坐标系下的地图建立，结合车辆里程计和陀螺仪实现定位。仿真结果表明，在激光雷达的工作范围内，可以以一定刷新频率建立满足智能车行驶，包含足够障碍物信息的环境地图。
第三，根据目前智能车传感器组合方案以及各种传感器的特性，设计以超声波传感器、激光测距模块构成的近距离避障传感器组合；陀螺仪、加速度计、地磁仪模块构成的车辆姿态传感器组合。在此基础上使用联合卡尔曼算法对上述避障传感器、姿态传感器数据进行融合。在数据融合算法部分，选择激光雷达为参考传感器，设计互补滤波器为子滤波器，减少处理器运算量，提升数据融合算法效率。通过仿真验证，设计的传感器数据融合算法能够有效提升传感器测量障碍物距离的准确度，提高抵抗环境噪声的能力。
第四，对传统A*算法在搜索领域、轨迹的平滑度等方向进行优化。基于环境地图的建立，设计以优化的A*算法作为全局导航核心算法，对地图数据进行处理得到以行驶路径最短、无碰撞为判断准则的最优路径行驶方案。从而实现了智能车全局导航与局部避障结合的导航算法，并在Intel core i3处理器和kinetis 66微处理器上进行算法实现。
第五，基于智能车样车，搭建了仿真实验场地对智能车进行了模拟测试，测试结果初步验证了智能车在实际半结构化低速环境下具有自主行驶至指定目标地点的能力。从而验证了该避障导航策略的有效性和可行性。
本文建立了体系的仿真环境和模拟测试环境，虽然室内布置的测试环境具有一定局限性，但依然可以反馈该智能车系统设计的盲区。在智能车行驶的过程中，车辆对规划的路径能否以较低偏差保持跟随在本文中没有着重考虑，智能车样车的机械结构因素，例如车辆转弯半径，执行机构滞后响应，一定车速时车体倾斜打滑等，都会对跟随路径的精确度造成干扰。而以较低偏差跟随规划路径是智能车在自主行驶时考量其容错率和稳定性的重要判断准则。因此，在接下来的优化设计和测试中，会对此问题进行改进。
参考文献
[1]李旭. 自主车辆多传感器导航与横向鲁棒控制的研究[D].东南大学,2006.
[2]王顺奎.国外信息融合技术概述[J].红外与激光技术,1995(01):1-4.
[3]王耀南,李树涛.多传感器信息融合及其应用综述[J].控制与决策,2001(05):518-522.
[4]张明路,戈新良,唐智强,刘兴荣.多传感器信息融合技术研究现状和发展趋势[J].河北工业大学学报,2003(02):30-35.
[5]王殿君.基于改进A~*算法的室内移动机器人路径规划[J].清华大学学报(自然科学版),2012,52(08):1085-1089.
[6]王中玉,曾国辉,黄勃,方志军.改进A*算法的机器人全局最优路径规划[J/OL].计算机应用:1-7[2019-06-08].
[7]陈豪,李勇,罗靖迪.基于改进A*算法优化的移动机器人路径规划研究[J].自动化与仪器仪表,2018(12):1-4.
[8]赵晓,王铮,黄程侃,赵燕伟.基于改进A*算法的移动机器人路径规划[J].机器人,2018,40(06):903-910.
[9]逄伟. 低速环境下的智能车无人驾驶技术研究[D].浙江大学,2015.
[10]杜永博,李萌,樊跃新,何婧.无人驾驶技术在低速环境下的智能车应用研究[J].技术与市场,2017,24(06):346.
[11]马天力. 无人驾驶智能车的运动稳定性研究[D].西安工业大学,2013.
[12]刘红星. 基于视觉的无人驾驶车辆运动控制的研究[D].西南交通大学,2018.
[13]贺利乐,王消为,赵涛.未知环境下履带式移动机器人SLAM研究[J].传感器与微系统,2018,37(10):50-53.
[14]危双丰,庞帆,刘振彬,师现杰.基于激光雷达的同时定位与地图构建方法综述[J/OL].计算机应用研究:1-8[2019-06-08].
[15]蔡自兴,贺汉根,陈虹.未知环境中移动机器人导航控制研究的若干问题[J].控制与决策,2002(04):385-390+464.
[16]杜明博. 基于人类驾驶行为的无人驾驶车辆行为决策与运动规划方法研究[D].中国科学技术大学,2016.
[17]张煜. 基于多传感器数据融合的无人车避障导航研究[D].西安工业大学,2015.
[18]A learning algorithm of fuzzy neural networks with triangular fuzzy weights[J] . Hisao Ishibuchi,Kitaek Kwon,Hideo Tanaka. Fuzzy Sets and Systems . 1995 (3):30-35.
[19]Comparative Analysis of Different Approaches to Target Classification and Localization with Sonar. Ayrulu,Birse,Barshan,et al. IEEE Int Conf Multisensor Fusion Integr Intell Syst . 2001
[20]Multi-sensor data fusion for automated guided vehicles. Mahmoud, Rachad,Loffeld, Otmar, et al. Proceedings of the Academy of Natural Sciences of Philadelphia . 1994
[21]The vector field histogram-fast obstacle avoidance for mobile robots. Borenstein J,Koren Y. IEEE Transactions on Robotics and Automation . 1991
[22]Introduction to AI Robotics. Robin R. Murphy. . 2002
[23]Federated square root filter for decentralized parallel processes. Carlson N A. IEEE Transactions on Aerospace and Electronic Systems . 1990
[24]联合卡尔曼滤波在车辆组合导航系统中的应用[J]. 陈则王,袁信. 重庆大学学报(自然科学版). 2005(10) :30-35.
[25]多传感器数据融合技术及其应用[J]. 严怀成,黄心汉,王敏. 传感器技术. 2005(10) :10-14.
[26]Perspectives on the industrial application of intelligent control. Chiu Stephen,Cheng J. John,Sitter Charles,Fooks Elik. Proceedings of the IEEE Conference on Decision and Control . 1995
[27]Introduction to Autonomous Mobile Robots. Roland Siegwart,Illah R. Nourbakhsh. . 2004
[28]A note on two problems in connexion with graphs[J] . E. W. Dijkstra. Numerische Mathematik . 1959 (1) :12-19.
[29]A novel algorithmforsolving opti mal path planning problems based onparametrization method and fuzzy aggregation. Zamirian M,,Kamyad A V,Farahi M H. PhysicsLetters A . 2009
[30]Differential A*. Trovato Karen I,Dorst Leo. IEEE Transactions on Knowledge and Data Engineering(S1041-4347) . 2002
[31]基于A~*算法的移动机器人路径规划[J]. 顾新艳,金世俊. 科技信息(科学教研). 2007(34) :22-29.
[32]机器人导航系统中的路径规划算法[J]. 黄玉清,梁靓. 微计算机信息. 2006(20) :25-28.
[33]基于栅格模型的移动机器人全局路径规划研究[J]. 魏宁,刘一松. 微计算机信息. 2008(11) :18-22.
[34]李磊,叶涛,谭民,陈细军.移动机器人技术研究现状与未来[J].机器人,2002(05):475-480. :6-12.
[35]多传感器集成与融合概述[J]. 王军,苏剑波,席裕庚. 机器人. 2001(02) :12-15.
[36]在动态环境中移动机器人导航和避碰的一种新方法[J]. 袁曾任,高明. 机器人. 2000(02) :05-09.
[37]Visual Recognition of Workspace Landmarks for Topological Navigation[J] . Panos E. Trahanias,Savvas Velissaris,Stelios C. Orphanoudakis. Autonomous Robots . 1999 (2) :33-38.
[38]Finding Landmarks for Mobile Robot Navigation. Thrun S. Proc of IEEE Inter Conf Robotics and Auto . 1998
[39]Neural Network-Based Vision Guided Robotics. Stanley K,Wu Q M J. Proceedings of the 1999 IEEE Inter Conf on Robotics and Automation . 1999
论文作者:丁永哲1,张凯顺2,王明华2,刘宏3,朱海强3,卫
论文发表刊物:《基层建设》2019年第25期
论文发表时间:2019/12/16
标签：智能论文; 传感器论文; 环境论文; 算法论文; 数据论文; 路径论文; 卡尔论文; 《基层建设》2019年第25期论文;