SLAM和激光雷达,服务机器人的核心技术 - 上海思岚科技有限公司 CEO - 陈士凯
AGV移动机器人的五种定位技术介绍
AGV移动机器人的五种定位技术介绍导语：随着传感技术、智能技术和计算技术等的不断提高，智能移动机器人一定能够在生产和生活中扮演人的角色。
那么，AGV移动机器人的定位技术主要涉有哪些呢？1、超声波导航定位技术超声波导航定位的工作原理也与激光和红外类似，通常是由超声波传感器的发射探头发射出超声波，超声波在介质中遇到障碍物而返回到接收装置。
通过接收自身发射的超声波反射信号，根据超声波发出及回波接收时间差及传播速度，计算出传播距离S，就能得到障碍物到机器人的距离，即有公式：S=Tv/2式中，T—超声波发射和接收的时间差;v—超声波在介质中传播的波速。
由于超声波传感器具有成本低廉、采集信息速率快、距离分辨率高等优点，长期以来被广泛地应用到移动机器人的导航定位中。
而且它采集环境信息时不需要复杂的图像配备技术，因此测距速度快、实时性好。
2、视觉导航定位技术在视觉导航定位系统中，目前国内外应用较多的是基于局部视觉的在机器人中安装车载摄像机的导航方式。
在这种导航方式中，控制设备和传感装置装载在机器人车体上，图像识别、路径规划等高层决策都由车载控制计算机完成。
视觉导航定位系统的工作原理简单说来就是对机器人周边的环境进行光学处理，先用摄像头进行图像信息采集，将采集的信息进行压缩，然后将它反馈到一个由神经网络和统计学方法构成的学习子系统，再由学习子系统将采集到的图像信息和机器人的实际位置联系起来，完成机器人的自主导航定位功能。
3、GPS全球定位系统如今，在智能机器人的导航定位技术应用中，一般采用伪距差分动态定位法，用基准接收机和动态接收机共同观测4颗GPS卫星，按照一定的算法即可求出某时某刻机器人的三维位置坐标。
差分动态定位消除了星钟误差，对于在距离基准站1000km的用户，可以消除星钟误差和对流层引起的误差，因而可以显着提高动态定位精度。
4、光反射导航定位技术典型的光反射导航定位方法主要是利用激光或红外传感器来测距。
SLAM技术在扫地机器人中的应用与挑战
SLAM技术在扫地机器人中的应用与挑战随着科技的不断进步，自动化设备的应用范围越来越广泛。
其中，扫地机器人作为一种智能化的清洁工具，在现代家庭和办公场所中变得越来越受欢迎。
而扫地机器人要实现自主导航和智能清扫，离不开SLAM技术的支持。
本文将重点探讨SLAM技术在扫地机器人中的应用以及面临的挑战。
一、SLAM技术概述SLAM（Simultaneous Localization and Mapping，即同时定位与建图）技术是指机器和系统能够在未知环境中实现同时实时定位自身位置和构建环境地图的能力。
SLAM技术主要依靠传感器信息（如激光雷达、摄像头、惯性传感器等）和自主计算能力，通过实时融合和匹配导航和环境地图信息，使机器人能够实时感知自身位置并更新地图，从而实现自主导航和任务执行能力的提升。
二、SLAM技术在扫地机器人中的应用1. 实时定位与导航：扫地机器人通过激光雷达等传感器获取周围环境的数据，运用SLAM技术可以实时检测机器人的位置和姿态，帮助机器人规划合理的清扫路径，并自动避开障碍物，实现高效的清扫任务。
2. 环境地图构建：扫地机器人借助SLAM技术能够实时构建室内环境地图，包括墙壁、家具、障碍物等的位置和形状信息。
这为机器人的路径规划和导航提供了依据，同时也方便用户对清扫任务进行监控和管理。
3. 动态环境感知：SLAM技术在扫地机器人中还能够实时感知环境中的动态目标，如移动的家具、站立的人等。
通过与静态地图的对比，机器人可以分辨出新出现的物体，并相应地调整清扫策略，提升清扫效果。
三、SLAM技术应用中的挑战1. 复杂环境处理：SLAM技术在处理复杂环境时面临诸多挑战，如大面积空旷区域的导航、复杂家具布局的定位等。
在这些情况下，机器人需要具备较高的感知和决策能力，以保证清扫任务的顺利完成。
2. 传感器数据融合：扫地机器人所使用的传感器数据包括激光雷达、摄像头等多源数据，将这些数据进行融合处理是一项复杂而关键的任务。
思岚科技CEO陈士凯的创业故事
思岚科技CEO陈⼠凯的创业故事思岚科技CEO陈⼠凯的创业故事 SLAMTEC，⼀家专注于Slam智能激光定位、建图与导航解决⽅案的公司。
7年时间，从RoboPeak到SLAMTEC，不断提升技术，迭代产品，致⼒于打造机器⼈的眼睛和⼩脑。
“为市场提供更⾼精细、⾼性价⽐的产品，是我们⼀直以来要做的事情。
”SLAMTEC CEO陈⼠凯说道。
思岚“五⽉天” “兴趣爱好+能⼒+软硬件+⾼⼤上机器⼈⾏业，是我创业的初衷” 曾婷婷调侃陈⼠凯，因为⼀个垃圾桶⾛到了现在，才有如今的思岚科技。
陈⼠凯对同事的调侃并不介怀，笑⾔垃圾桶机器⼈是真事。
有⼀天，他坐在床上吃东西，垃圾⽆处可扔，垃圾桶⼜隔得太远，他想如果垃圾桶能够⾃⼰跑过来就好了。
于是开始动⼿做⼀个⾃主导航的垃圾桶机器⼈，“不单是⽅便省事，更重要的在结合兴趣爱好的同时，还能够体现智能化，瞬间就⾼⼤了。
” 从RoboPeak到SLAMTEC RoboPeak成⽴于2009年底，是⼀⽀在业余时间进⾏研发的技术团队，其成员毕业于上海交通⼤学、北京航空航天⼤学等国内知名院校。
2010年，RoboPeak开始研究激光雷达传感器，主要还是跟团队希望开发“⾃⼰会动”的机器⼈有关。
⽽雷达传感器就是当时解决⾃主定位较成熟的技术，这也就有了⼀开始的RPLIDAR A1原型。
并且后来在各个科技展会上得到了⽤户的认可。
2012年，随着机器⼈⾏业的兴起，尤其是服务机器⼈愈发受到关注，RoboPeak决定将激光雷达产品量产。
2013年年底，为了彻底进⾏商业化运作，思岚科技(SLAMTEC)在RoboPeak之上孕育⽽⽣，正式成⽴。
致⼒于研发低成本、⾼性价⽐的服务机器⼈定位导航解决⽅案。
Slam对于我们来说，是救命稻草 陈⼠凯透露，曾经⼀家公司顶着合作的名义来探查思岚的激光雷达技术，“那家公司觉得为什么我们5个⼈的⼩团队都可以做得出来，他们百来⼈的团队为什么会做不出来，后来他们就开始着⼿做相同业务，直到现在，他们也没有做成。
SLAM和激光雷达服务机器人的核心技术
SLAM和激光雷达服务机器人的核心技术SLAM（Simultaneous Localization and Mapping）是一种在未知环境中同时定位和构建地图的方法。
它是激光雷达服务机器人的核心技术之一，利用激光雷达的测距能力来获取环境中物体的位置信息，并通过建立地图和自我定位来实现机器人的导航和任务执行。
SLAM的核心技术包括环境感知、自我定位和地图构建。
环境感知是指机器人通过感知设备（如激光雷达）获取周围环境的信息，例如物体的位置、形状、大小等。
自我定位是指机器人通过分析环境感知数据，并结合之前的位置信息，来确定自己在地图中的位置和方向。
地图构建是指机器人根据环境感知数据和自我定位结果，更新和建立地图的过程。
激光雷达是SLAM中最常用的传感器之一，因为它能够提供精确的距离和角度信息。
激光雷达将激光束发射到周围环境，然后测量激光束在返回时的时间和角度，从而得到物体的距离和位置信息。
机器人可以通过激光雷达扫描周围环境，获得大量的点云数据，用于环境感知和地图构建。
在SLAM中，激光雷达的数据处理和算法也是非常关键的。
首先，需要对激光雷达的原始数据进行滤波和处理，去除噪声和无效数据点，提高数据的准确性和可用性。
然后，需要进行数据的配准和匹配，将多个时间点的激光雷达数据进行对齐，以建立连续的地图和轨迹。
数据配准算法通常包括ICP（Iterative Closest Point）和scan-matching等方法，用于在不同时间点的点云数据之间进行匹配。
最后，需要使用SLAM算法，融合激光雷达数据和其他传感器数据（如惯性测量单元IMU），来实现自我定位和地图构建。
除了激光雷达，SLAM还可以利用其他传感器和技术来提升定位和地图建立的准确性和鲁棒性。
例如，可以使用摄像头来获取环境的视觉信息，用于物体识别和位置估计。
同时，可以利用惯性测量单元（IMU）来获取机器人的加速度和角速度数据，从而提供更精确的自我定位结果。
机器人定位技术详解
机器人定位技术介绍前言随着传感技术、智能技术和计算技术等的不断提高，智能移动机器人一定能够在生产和生活中扮演人的角色。
那么移动机器人定位技术主要涉及到哪些呢？经总结目前移动机器人主要有这5大定位技术。
移动机器人超声波导航定位技术超声波导航定位的工作原理也与激光和红外类似，通常是由超声波传感器的发射探头发射出超声波，超声波在介质中遇到障碍物而返回到接收装置。
通过接收自身发射的超声波反射信号，根据超声波发出及回波接收时间差及传播速度，计算出传播距离S，就能得到障碍物到机器人的距离，即有公式：S＝Tv／2式中，T—超声波发射和接收的时间差；v—超声波在介质中传播的波速。
当然，也有不少移动机器人导航定位技术中用到的是分开的发射和接收装置，在环境地图中布置多个接收装置，而在移动机器人上安装发射探头。
在移动机器人的导航定位中，因为超声波传感器自身的缺陷，如：镜面反射、有限的波束角等，给充分获得周边环境信息造成了困难，因此，通常采用多传感器组成的超声波传感系统，建立相应的环境模型，通过串行通信把传感器采集到的信息传递给移动机器人的控制系统，控制系统再根据采集的信号和建立的数学模型采取一定的算法进行对应数据处理便可以得到机器人的位置环境信息。
由于超声波传感器具有成本低廉、采集信息速率快、距离分辨率高等优点，长期以来被广泛地应用到移动机器人的导航定位中。
而且它采集环境信息时不需要复杂的图像配备技术，因此测距速度快、实时性好。
同时，超声波传感器也不易受到如天气条件、环境光照及障碍物阴影、表面粗糙度等外界环境条件的影响。
超声波进行导航定位已经被广泛应用到各种移动机器人的感知系统中。
移动机器人视觉导航定位技术在视觉导航定位系统中，目前国内外应用较多的是基于局部视觉的在机器人中安装车载摄像机的导航方式。
在这种导航方式中，控制设备和传感装置装载在机器人车体上，图像识别、路径规划等高层决策都由车载控制计算机完成。
视觉导航定位系统主要包括：摄像机（或CCD图像传感器）、视频信号数字化设备、基于DSP的快速信号处理器、计算机及其外设等。
SLAMTEC思岚科技RPLIDAR A2 360度激光扫描测距雷达开发套装使用手册
RPLIDAR A2低成本360度激光扫描测距雷达开发套装使用手册型号：A2M4目录目录 (1)1.简介 (3)套件包含的组件 (3)RPLIDAR A2模组 (4)USB转接器 (4)2.模组连接与使用介绍 (5)设备连接 (5)USB适配器驱动程序安装 (5)使用评估软件 (7)故障排除 (9)电机调速 (9)3.开发参考与SDK使用 (10)RPLIDAR A2模块引脚规格与定义 (10)USB转接器引脚定义 (11)对RPLIDAR A2扫描频率进行控制 (11)使用SDK进行开发 (11)4.操作建议 (12)预热与最佳工作时间 (12)环境温度 (12)环境光照 (12)5.修订历史 (13)附录 (14)图表索引 (14)RPLIDAR A2开发套装包含了方便用户对RPLIDAR A2进行性能评估和早期开发所需的配套工具。
用户只需要将RPLIDAR A2模组通过USB 线缆和USB 转接器与PC 机连接，即可在配套的评估软件中观测RPLIDAR 工作时采集得到的环境扫描点云画面或者使用SDK 进行开发。
套件包含的组件RPLIDAR A2开发套装包含了如下组件：o RPLIDAR A2模组（内置PWM 电机驱动器） o USB 适配器图表 1-1 RPLIDAR A2开发套件实物图1. 简介 RPLIDARUSB 适配器RPLIDAR A2模组图表 1-2 RPLIDAR A2模组实物图RPLIDAR A2开发套装中包含了标准版本的RPLIDAR A2模组(A2M4-R1)。
同时，模组内集成了可以使用逻辑电平驱动的电机控制器。
开发者可以使用该电机驱动器使用PWM信号对电机转速进行控制，而从控制RPLIDAR扫描的频率或者在必要时刻关闭电机节能。
关于模组的使用、接口信号定义等请参考后续介绍。
USB转接器图表 1-3 RPLIDAR A2 USB 转接器实物图2.模组连接与使用介绍设备连接1)将开发套装中提供的RPLIDAR A2模组的连接线与USB适配器进行连接。
基于FPGA的激光雷达SLAM测绘设计与实现
基于FPGA的激光雷达SLAM测绘设计与实现作者：杨旭来源：《科技创新与应用》2020年第08期摘; 要：SLAM（Simultaneous Localization and Mapping）测绘技术作为近年来新兴技术，正受到越来越多的研究者青睐，文章针对激光雷达回波信号强度弱、数据量大、实时性要求高等特点，设计了以现场可编程门阵列（FPGA）为控制核心的高速数据采集系统，利用该系统结合全新的路径导航算法设计出自主导航小车，可在复杂环境下自主巡航并绘制地图，测试结果表明，小车在不同光照度条件下，可实现较好的导航和测绘效果。
关键词：激光雷达;视觉导航;现场可编程门阵列中图分类号：P412.25; ; ; ; ;文献标志码：A; ; ; ; ;文章编号：2095-2945（2020）08-0015-03Abstract： SLAM （Simultaneous Localization and Mapping） surveying and mapping technology， as a new technology in recent years， is favored by more and more researchers. Aiming at the characteristics of weak signal strength， large amount of data and high real-time requirements of LiDAR echo， a high-speed data acquisition system based on field programmable gate array （FPGA） is designed， and an autonomous navigation car is designed using this system combined with a new path navigation algorithm. It can cruise and map independently in complex environment. The test results show that the car can achieve better navigation and mapping effect under different illuminance conditions.Keywords： LiDAR; visual navigation; field programmable gate array引言激光雷达技术是伴随激光器和雷达技术的发展而产生的一种新型主动式的光学遥感技术，具有数据信息量大、测量范围广、时空分辨率高、在复杂环境下抗干扰能力强等特点，广泛应用在航空航天、大气监测、无人驾驶、地图测绘等領域。
移动机器人SLAM技术
移动机器人SLAM技术在当今科技飞速发展的时代，移动机器人已经成为了人们生活和工作中的得力助手。
从家庭中的扫地机器人到工业领域的自动化搬运机器人，它们的身影无处不在。
而要让这些机器人能够在未知环境中自由移动、执行任务并准确地感知自身位置和周围环境，就离不开一项关键技术——SLAM 技术。
SLAM 技术，全称为 Simultaneous Localization and Mapping，即同时定位与地图构建。
简单来说，就是让机器人在移动的过程中，一边确定自己的位置，一边构建周围环境的地图。
这就好比我们人类在一个陌生的地方，需要一边记住自己走过的路，一边了解周围的地形和地标，以便能够准确地找到自己的位置和规划下一步的行动。
想象一下，一个扫地机器人在你的家中工作。
如果它不知道自己在哪里，也不清楚房间的布局，那么它很可能会遗漏一些区域或者重复清扫某些地方，无法高效地完成清洁任务。
而有了 SLAM 技术，机器人就能够实时地感知自己的位置，绘制出房间的地图，并根据地图规划出最优的清扫路径，从而提高工作效率和效果。
SLAM 技术的实现主要依赖于多种传感器的协同工作。
常见的传感器包括激光雷达、摄像头、惯性测量单元（IMU）等。
激光雷达通过发射激光束并测量反射回来的时间和强度，可以精确地测量机器人与周围物体的距离和方向，从而构建出环境的三维模型。
摄像头则可以获取丰富的图像信息，通过图像处理和分析来识别物体和特征。
IMU则用于测量机器人的加速度和角速度，帮助确定机器人的姿态和运动状态。
这些传感器采集到的数据通常是大量的、复杂的，并且存在一定的误差和噪声。
因此，如何对这些数据进行有效的融合和处理，是SLAM 技术中的一个关键问题。
目前，常用的方法包括卡尔曼滤波、粒子滤波、图优化等。
这些方法可以对传感器数据进行融合和校正，提高定位和地图构建的准确性。
在移动机器人的实际应用中，SLAM 技术面临着许多挑战。
例如，环境的动态变化，如人员的走动、家具的移动等，会导致地图的不准确和定位的偏差。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(������′, ������′, ������′)
(������������, ������������) ������������������������������������������������
(������, ������, ������)
������
(������������������������, ������������������������ℎ, ������������������)
智能手机、平板
笔记本
2008
可穿戴设备 与物联网
2004
2004之前
桌面PC
3
4
与现实世界的交互能力
人机交互 自主定位导航
环境交互
5
Where am I?
商场智能导购
自动送餐
智能仓储 自动返回充电 智能安防巡逻 病房巡视/老人看护 高效的室内除尘清扫
自主定位导航
7
传统机器人清扫轨迹
随机碰撞，无法保证覆盖率
Resoultion Precent
0.02% 0 0.00%
10 390 770 1150 1530 1910 2290 2670 3050 3430 3810 4190 4570 4950 5330 5710
55
56
理想的采样速度
现有三角测距原理雷达
实用化最低要求
相位
测距
普通摄像头
普通激光测距仪
������ =
������
差分驱动模式的计算
16
17
(������, ������, ������)
18
19
20
初级方案：直接引导
21
巡线
22
信标引导 GPS/UWB/iBeacon/WIFI/RFID
23
• 误差随时间累计增大 • 对环境改造大
24
SLAM Simultaneous localization and mapping
Power Mgmt
HBridge
Encoder
Sensors
机器人底盘
89
90
91
92
10000m2 超大室内ank You
Copyright 2009-2016
97
44
难度与挑战
算法难点 运算耗时与结构复杂
成本制约
45
$
成本制约
46
￥700,000 ！
47
￥
传统工业激光雷达产品
v.s.
￥
服务机器人期望售价
48
RPLIDAR 适合消费级领域的激光雷达 6米测量范围，2000hz采样率
2009 - 2013
RPLIDAR A2
一体化、高性能、高度集成 最轻薄的激光雷达(4cm厚度)
LED
Buttons
人机接口层
用户业务层
业务应用平台(x86/ARM)
Motor Power HS Bus (100Mbps Ethernet) LIDAR Interface (UART+PWM) CTRL Bus (UART)
控制层
Battery
Ctrl Logic
Ctrl MCU (STM32)
2014
定位坐标，姿态
(������, ������, ������)
D*引擎
运动控制
高速通讯总线
协方差
HS BUS
SLAM引擎
RPLIDAR 驱动 9DOF 惯导
环境地图
运动控制总线
CTRL BUS
RPLIDAR接口 5V电源
用户机器人底 盘
模块输出
88
WIFI
MotionSDK
LCD
MIC
Camera
Copyright 2009-2016
基于激光雷达的高性能服务机器人自主定位导航
陈士凯 CEO 上海思岚科技有限公司
RPF-SLW-INTRO-ARCHSUM
上海思岚科技有限公司
高性能机器人定位导航系统(SLAM) 低成本激光雷达
2
服务机器人元年
如今
服务机器人
2012至今
同步定位和建图
25
Dead Reckon
Fast response
High Resolution
Direct Measuring
Slow Response Low Resolution Bounded Error
Accurate
Unbounded Error Inaccurate
KF EKF IKF UKF PF … Fused Result SLAM
57
58
?
算法难点
59
Sensing 噪声和误差
Modeling 非精确描述
Planning 与现实不匹配可能
60
匹配与纠偏
61
62
粒子滤波
63
回环闭合问题 (Loop Closure)
64
65
66
绑架问题(Kidnapped Problem)
67
运动规划
68
69
70
路径规划
������0
������1
…
������������
������0
������1
…
������������
(������������������������, ������������������������)
83
85
• 需要PC主机性能运行 • 与外部设备高度耦合
86
SLAMWARE Core 高度集成的模块化导航定位核心
+
26
• 同步完成定位和地图构建 • 杜绝定位累计误差 • 无需环境中设置固定传感器
27
28
早期：基于超声波
29
30
31
32
研究中：计算机视觉(vSLAM)
33
34
35
现今最为成熟的方案
激光雷达 + SLAM导航定位算法
36
37
激光雷达 LIDAR
38
39
40
41
42
采用自主导航定位 的清扫轨迹
8
9
10
在未知环境中
实时定位
绘制地图
路径规划
无需人工干预
11
传感器
+
算法
12
初级方案：航迹推算 (DeadReckon)
13
里程计 (编码器)
相对位移
惯性传感器 (陀螺仪/加速计)
相对旋转关系
14
15
������
������ = ������
∆������������������ℎ������ − ∆������������������������ ������ ∆������������������������ + ∆������������������ℎ������ 2
设计图
SLAM产生的高精度地图
43
视觉定位
0.1-2m
激光+SLAM
典型定位精度
WIFI/蓝牙信标定位
0.01-0.1m
是否自主绘制地图
0.5-5m
无法获得
无法获得
是
障碍物躲避
需配和额外传感器
支持
工作环境依赖
需配和额外传感器
需要合理环境光
无特殊依赖
长时间稳定性
需要额外信标
存在累积误差
无累积误差
无累积误差
50
￥
传统工业激光雷达产品
v.s.
￥
RPLIDAR *在批量情况下
51
������ =
������������ ������
硬件成本
性能
软件复杂度
高
高
低
三角测距法
低
接近＊
高
12
0.20%
0.18% 10 8 6
4 2
0.16% 0.14%
0.12%
0.10% 0.08%
0.06% 0.04%
障碍物规避
71
A* path finding
72
VFH – Obstacle avoidance
73
A*
v.s.
D*
74
75
76
77
Coverage Problem
78
79
80
充电对接
81
开发难度大、耗时
82
(������������, ������������, ������������)