基于ROS系统的智能小车之deepcar

智能定位导航小车所包含的技术与无人驾驶技术却是异曲同工的,其核心的SLAM算法,采用的传感器技术都可以直接用于智能小车的研究当中。本网站智能小车技术资料页面对智能小车的硬件实现做了系统的描述,并且结合现有的技术自制了一款智能导航小车的硬件平台。
另外,本文对智能小车核心算法SLAM进行了系统地介绍与分析,详细说明了拓展卡尔曼滤波和粒子滤波在SLAM上的应用,并且基于MATLAB仿真平台给予了实现,对比了拓展卡尔曼滤波、无迹卡尔曼滤波和粒子滤波的性能。提出了一种改进型的FastSlam算法,针对粒子退化问题提供了一个新的解决思路。

FastSlam是用粒子表示小车的运动轨迹,粒子在不同时刻的权值对应出现在某一轨迹的概率,权值的大小对应概率的高低,前一个时刻的高权值状态不能代表下一个时刻仍旧如此,所以自然地引入平滑机制,粒子权值不再由当前时刻决定,而是由窗口内的历史权重信息共同决定。论文基于目前流行的ROS机器人操作系统,利用其强大的开发工具,以及自带的成熟的导航与定位算法,完成了整个智能小车的系统测试工作。
针对ROS系统中导航算法的不足与缺陷,利用A*算法替代原先的Dijkstra算法进行了测试。利用ROS系统自带的算法包,整合导航与自定位两个功能,智能小车能够在一个封闭的实验室环境下,利用一个简单的全局地图自动行驶到指定的位置,行驶过程中能够绕开动态的障碍物,并且能够将行驶中采集到的激光传感器数据进行构图,将动态局部地图与最原始的全局地图合并与修正,最后生成一个详细的地图模型。

ros系统小车
基于ros系统开发的智能教育小车deepcar,让更多的参与者能够实现数据的采集和训练,实验,完成机器人自动巡航,自动避障等功能