本文是一篇电气自动化论文，本文针对激光扫描匹配使用高斯牛顿法存在一定的局限性，使用改进阻尼系数更新策略的LM算法代替高斯牛顿法，并通过滤除无对应点的点云进一步优化位姿估计，最后使用搭建的物流AGV小车进行实验，验证了改进算法的可行性。
第一章 绪论
1.1 课题的研究背景及意义
互联网的大潮推动电商飞速发展，仓储物流也随着网购的盛行发展迅速。人工拣货和运输是传统仓储物流配送中心的主要方式，如图1-1所示。这种方式存在低效率、高错误率，安全隐患等诸多弊端，不适用于当下电商物流“少批量、多批次、多品类”的订单结构[1]，并且增长迅猛的物流量与日益增加的劳动成本、匮乏的劳动力之间的矛盾也是急需解决的问题，实现自动化与智能化的仓储物流势在必行。AGV（Automated Guided Vehicle，自动导引运输车），是一种自动化搬运小车，不需要人工操纵。在仓储物流中使用AGV可以使仓储作业的效率得到提高，同时降低人工成本。由此可见，使用AGV代替人工拣选与运输是仓储物流行业发展的一大趋势[2]。
电气自动化论文怎么写
..............................
1.2 国内外研究现状与趋势
1.2.1 AGV小车研究现状
经过半个多世纪的发展，目前AGV技术主要分为全自动AGV和简易型AGV两大类[6]。全自动AGV技术以欧美为代表，这类产品特点是高效自动化，只需要极少的人工干预。其灵活的路径规划能适应复杂多变的生产流程，使用场景几乎不受限制。全自动AGV拥有完善的功能，领先的技术，不过多追求外观，其生产方式采用大部件组装，模块化设计，目的是降低成本，提高批量生产效率。全自动AGV的产品覆盖面广，载重量大，可以承重50kg到60000kg有余。KUKA、Egemin、Atab、Omniroll、Axter等都是知名的国外AGV厂商。简易型AGV技术主要以日本为代表，这类技术的目的是让用户可以快速回本，不适用于复杂的生产场合。简易型AGV采用电磁导引方式导引小车进行简单的重复性搬运工作，制造成本低是其获得大范围应用的原因。虽然AGV技术的研究在国外较早起步，但研究进展并不迅速，仓储物流与自动化是主要领域。电商巨头亚马逊公司很早就开始使用AGV，自主研发的AGV在其商品仓库中得到了大量应用；物流巨头DHL公司在世界各地部署了各种类型的AGV机器人用于物流搬运；大众汽车也开始研发充电AGV用于解决电动汽车领域中充电设施不足的问题，充电AGV可以自主移动到需要充电的车辆旁，使用充电枪连接车辆进行充电。目前充电AGV产品还处于研发状态。.国内对AGV技术的研究起步相对较晚。1970年，国内研究所研制了第一台三轮式AGV。1980年，国产AGV在立体化仓库中得到了应用。1990年，某高校工程中心在CIMS试验中应用引进的AGV取得了进展。通过引进AGV和自主研发，1992年，国产AGV第一次在柔性生产线上得到应用。今天，北京特种机械研究所、云南昆船、沈阳新松、松科等企业都是国内知名的AGV自主研发企业。据有效数据统计，2020年国内移动机器人市场规模较2019年增长幅度为45.2%，达到了61.75亿元，中国AGV产业正蓬勃发展[7]。但目前国内大多数所使用AGV还是以固定导航方式为主，柔性化程度低，自主导航AGV将会是未来趋势[8]。
..............................
第二章 物流AGV小车系统结构
2.1 AGV小车硬件结构
AGV小车的系统结构如图2-1所示，其由底盘、内部传感器、外接设备三部分组成。底盘上有主控制板、伺服电机及驱动器、顶升机构、锂电池电源等器件，顶升机构用于顶起栈板上的货物。所携带的内部传感器有里程计、IMU、激光雷达，轮式移动机器人的里程计源于编码器，根据底盘运动模型可以大致推算AGV小车的全局位姿。外接设备有鼠标键盘、遥控手柄、显示器，用于实时调试。
AGV小车的三维模型如图2-2所示。底盘由左右两个驱动轮和前后四个万向轮一共六个轮子支撑，四个伺服电机驱动器分布在四周，电机安装在底盘下面，两个驱动器驱动左右两个驱动轮，其余两个驱动器控制顶升机构的升降和旋转，车头和车尾携带着电源箱和主控箱，电源箱存放48V锂电池，主控箱存放主控制器、控制电路以及IMU传感器，激光雷达安装在车身前方，用以探测周围环境信息，整车设计可负重高达500kg。
...............................
2.2 软件平台
1）机器人操作系统ROS
AGV小车的软件系统是基于ROS。ROS不是像Windows或Linux这样的实际操作系统，而是一个机器人软件的灵活通用框架[44]。核心是为单个计算机或异构计算机群集上运行的软件模块网络提供对等通信层，提高软件复用率。在ROS框架中，进行通信的软件模块称为节点。节点通过交换消息相互通信。消息的字段使用简单的界面定义和语言定义，并且它们可以包含基本数据类型，例如字符串，整数或数组或其他消息类型的组合。也可以创建自定义消息。
消息可以以发布者/订阅者的方式以异步方式进行交换，或者以同步模式作为客户端/服务器模式下的服务进行交换。
在发布者/订阅者通信中，一个节点（或多个节点）可以将消息（例如传感器测量结果或数据处理结果）发布到字符串指定的主题。对此信息感兴趣的节点可以订阅该话题以接收消息。在客户端/服务器通信中，一个节点通过通告服务来充当服务器，服务名称可指定，并且对该服务感兴趣的节点可以通过将其作为客户端连接并发送具有两组相似字段的服务调用来使用消息，一种用于请求，另一种用于响应。在两种通信模式下，ROS主节点都会跟踪话题和服务以及相应的发布者/订阅者和客户端/服务器，以通知节点它们需要在何处发送其信息。
除了通信框架外，ROS及其随附的社区还提供了许多工具和库。常用工具包括可视化工具Rviz和录制/播放工具rosbag。可视化工具Rviz使从点云到轨迹的许多消息类型的可视化变得容易，而录制/播放工具rosbag使人们能够记录感兴趣的话题消息以供以后使用。
转换库tf[45]是ROS框架的重要组成部分，因为移动机器人通常具有各种坐标系（用于传感器，工具和机器人本身），需要在它们之间转换数据。tf库侦听包含来自所有节点的不同坐标系之间的转换的消息，并形成坐标系的树形结构以便于遍历，tf节点还会在预定时间段内保留两个帧之间每个转换的历史记录。节点可以在任意时刻从tf节点查询任意两帧之间的转换。
.............................
第三章 基于里程计辅助的点云畸变补偿方法研究 ............................. 21
3.1 激光雷达与点云畸变 ............................. 21
3.2 里程计及其标定方法 ............................... 24
第四章 基于LM算法的hector-SLAM方法研究............................ 35
4.1 Hector-SLAM ............................ 35
4.1.1 占据栅格地图................................ 35
4.1.2 激光扫描匹配方法................................ 37
第五章 实验与分析 .................................. 48
5.1 里程计的标定与测试................................... 48
5.2 点云畸变补偿实验与分析......................... 51
第五章 实验与分析
5.1 里程计的标定与测试
在第三章中我们介绍了基于两轮差速模型的里程计标定方法，其从机器人的底盘运动模型出发，计算机器人的平移量和旋转量，以激光点云匹配得出的平移量和旋转量为真实值，解算出真实的机器人底盘运动模型参数。物流AGV小车为两轮差速运动模型，见公式（3.6），使用基于两轮差速模型的标定法对AGV小车的里程计进行标定，从而解算出的左右车轮半径r和两个车轮的间距b三个参数的真实值。为了方便对比，我们首先测量物流AGV小车的车轮半径和两个车轮之间的间距。如图5-1所示，AGV小车的轮径r=0.09m，轮间距b=0.63m。
电气自动化论文参考
.........................
总结与展望
本文从市场调研到理论分析，再到搭建物流AGV小车实现了基于激光雷达的AGV小车SLAM方法的研究。针对激光雷达存在点云畸变的问题，在标定里程计的基础上，使用卡尔曼滤波融合里程计和IMU，最后使用融合后的里程计补偿点云畸变，并通过实验验证了该方法的有效性。针对激光扫描匹配使用高斯牛顿法存在一定的局限性，使用改进阻尼系数更新策略的LM算法代替高斯牛顿法，并通过滤除无对应点的点云进一步优化位姿估计，最后使用搭建的物流AGV小车进行实验，验证了改进算法的可行性。具体内容如下：
1. 搭建以ROS为操作系统的两轮差速物流AGV小车。其硬件由主控制板TX2、RTSO-9003载板、伺服控制系统、电源控制模块、激光雷达和IMU等传感器构成。根据器件的电压需求设计电源控制电路并使用继电器和降压模块完成接线。使用Solidwork绘制主控箱和电控箱图纸，用于存放主控板和控制电路。
2. 研究基于里程计辅助的点云畸变补偿方法。针对激光点云存在畸变的问题，使用里程计辅助方法补偿点云畸变。由于里程计存在漂移，在使用基于模型的标定法标定里程计的基础上，使用卡尔曼滤波融合里程计和IMU传感器，减少里程计的漂移。然后将融合后的里程计用于补偿点云畸变，并通过实验验证了该方法能有效减补偿点云畸变，提高SLAM的定位与建图效果。
3. 研究基于LM算法的hector-SLAM方法。Hector-SLAM中的扫描匹配方法使用高斯牛顿法进行优化迭代求解点云的变换关系，由于高斯牛顿法存在近似矩阵可能为奇异或病态矩阵，并且当迭代步长太大时可能不收敛的局限性，使用更为鲁棒的LM算法代替高斯牛顿法，并通过筛选点云，滤除无对应点的点云，进一步优化位姿估计，并通过实验验证了改进算法的可行性。
参考文献（略）