REF：基于多传感器融合的救援机器人SLAM地图重建与路径规划研究
1. 系统设计
-
硬件
-
软件
-
ORB-SLAM2 建图算法
-
导航算法
2. 改进SLAM建图
-
改进 ORB-SLAM2 建图算法：在原有运动估计模型中引入两个关键优化因子，通过平移变换因数和转角综合变换因数作为双因素评价机制，平移变换因数与转角综合变换因数之间满足互不影响
其中：
-
α\alphaα：是平移变换因数，随着摄像头平移量增大而变大，两者呈线性正相关
-
β+γ\beta + \gammaβ+γ：是转角综合变换因数，由两个独立分量组成
-
β\betaβ：左旋转变换因数，表示相机向左旋转的程度，随左转角度增加而增大，当无左转时为 0，在(−π2,0)( -\frac{\pi}2 , 0)(−2π,0)范围内有效
-
γ\gammaγ：右旋转变换因数，表征相机向右旋转的程度，随右转角度增加而增大，当无右转时为 0，在(0，π2)(0，\frac{\pi}2)(0，2π)范围内有效
-
-
激光雷达与深度相机联合标定：深度相机是三维数据，激光雷达是二维数据，联合标定实现激光雷达和深度相机的关联。通过动态调整标定板的空间位置，采集多组不同视角的点云数据与图像信息，在数据采集完成后，采用 Autoware 标定工具包，对记录的数据包进行回放，并从中选取具有代表性的图像帧进行参数优化。
-
ORB-SLAM融合激光雷达建图：采用贝叶斯估计方法实现激光雷达与深度相机数据的融合，首先将激光雷达的二维地图与深度相机的三维点云进行空间对齐，对三维点云进行二维投影，建立统一的栅格地图表示；然后基于贝叶斯概率理论，通过后验概率统计实现传感器数据融合。
3. 改进路径规划
-
Astar启发函数距离优化：传统的 Astar算法选择欧氏距离作为启发函数表达式，路径容易发生转向，选择曼哈顿距离作为算法的启发函数
-
启发函数权重优化：基于实时传感器数据动态调整启发式函数，以提高路径规划的准确性和效率，角度表示起终点连线跟当前位置跟终点连线的夹角
-
删除冗余节点：
-
如果相邻三个节点连线在同一条直线上，则删除中间位置节点；
-
如果跳过一个节点后，下一个节点的连线夹角较小，则删除被跳过的节点
-
-
路径平滑度优化：使用三次 B 样条曲线法对路径进行平滑处理
-
融合局部路径规划DWA：机器人路径规划算法Astar用来规划全局路径，不能实时避开突发性障碍物，当出现未知的静止或移动障碍物时，动态窗口法（DWA）可以避开局部路径规划中的动态障碍物。
