Indemind摄像头导航项目

• 项目简介：

    项目需完成工程机械自动导航功能，前期通过GPS控制工程机械自动移动。由于在自动导航过程中的建筑物遮挡，出现GPS信号丢失问题，无法解决，因此引入视觉系统。GPS绝对定位精度高，缺点是易受遮挡丢失信号，视觉导航定位精度虽不如GPS，但能够在复杂的环境下作业。通过组合GPS与视觉系统，完成一套导航系统。（阅读本文需要ros基础）。

• 车体结构：

    采用Indemind摄像头作为视觉数据采集与定位设备，放在车头，配合机动车底盘，控制板通过电子控制系统控制机动车。

图 1 车体结构

 

• 技术简介

    基本思想是建图，定位，然后导航的传统思路。采用ROS系统内建的gmapping建图算法，建图结果如图 3，A*与DWA导航算法，计算路径见图 4。首先，使用Indemind摄像头作为视觉避障系统的视觉输入源与定位输入源，读取点云数据与定位数据送到gmapping算法，利用点云数据更新障碍物信息，利用定位数据作为odom话题发布者进行发布，便于更新车体定位。gmapping算法给出map话题。再运行内置A*与DWA导航算法，订阅map与odom话题进行导航路径计算。ROS系统中配置的tf变换树如图 2，其中的camera_depth_frame为Indemind摄像头。

图 2 ROS系统tf tree

 

• 实验测试

建图结果如下，可见Indemind建图较为精确，可绘制障碍物基本轮廓，提供较为精确基础数据。

图 3 障碍物地图

 

A*与DWA导航算法计算出的路径如图 4，彩色区代表膨胀地图，可见导航算法计算路径已经避开膨胀地图中离障碍物较近区域。

图 4 导航算法计算路径
​​​​​​

 

小车移动后实时计算导航路径。小车依照导航算法路径前行，通过Indemind摄像头数据重新进行定位，如图 5，可见计算出的小车的角速度线速度已经发生改变，指示躲避障碍物的路径。

图 5 移动后更新导航路径

 

• 总结：

Indemind摄像头定位精度，视觉精度足够实现预期的视觉避障任务。出现的问题有，轮胎会出现打滑现象，仅仅通过Indemind摄像头定位，无法解决，需采用其他方法解决。通过解决打滑问题，能够实现更加精确的视觉导航。