工業無人駕駛-UWB地標輔助SLAM

工業級無人駕駛迅速崛起

面臨當前勞動力的日漸衰減，中國制造業需要通過自動化升級，來突破成本的限制。在礦山、港口這些垂類領域，無人駕駛逐步成為剛需。

工業級無人駕駛運行場景限于區域范圍內部使用，受政策影響較小，同時工業級低速運行，也能確保其安全可靠性。在礦區、園區、港口、工廠等場景之中，自動駕駛可以直接幫助滿足特定場景的作業需求。

無人駕駛系統的核心可以概述為三個部分：感知（Perception），規劃（Planning）和控制（Control）

感知是指無人駕駛系統從環境中收集信息并從中提取相關知識的能力。其中，環境感知（Environmental Perception）特指對于環境的場景理解能力，例如障礙物的位置，道路標志/標記的檢測，行人車輛的檢測等數據的語義分類。一般來說，定位（Localization）也是感知的一部分，定位是無人車確定其相對于環境的位置的能力。

無人駕駛的核心技術是自主導航，自主導航的關鍵技術：SLAM

SLAM-自主導航的關鍵技術

行業中通常以所用的主要傳感器類型進行SLAM分類，如以視覺傳感器采集到圖像為數據源進行的SLAM稱為視覺SLAM（VSLAM）; 以激光雷達傳感器采集點云為數據源進行的SLAM稱為激光SLAM（LSLAM）；還有以毫米波雷達傳感器為主的SLAM則為毫米波雷達SLAM。

SLAM過程由若干步驟完成，其主要目的是利用環境來更新機器人的位置信息。大致過程包括地標提取、數據關聯、狀態估計、狀態更新以及地標更新等。

以一個機器人為例，其具備一個初始位置，當向任意方向移動時，里程計會告訴它，距離初始位置移動的方向和距離，以此可以推測出它當前的位置。與此同時，其自帶的camera，lidar等觀測類傳感器，基于當前位置不斷對環境地標進行觀測，通過已經觀測過的地標修正自己的位置。由于里程計和傳感器均存在誤差，因此SLAM需要解決的問題是求取位置和周圍地標最優解。

幾種SLAM典型難題場景：

（1）含有大量動態物體的場景：由于周邊物體的不斷運動，造成這些目標上的點云也在前后幀發生了位姿變換，使得配準結果不準確。

（2）坡度或高度連續變化的場景：對于機械式激光雷達來說，其垂直分辨率有限，因此常造成激光雷達估計出的Z值不是很準確，當遇到高度或坡度連續變化的場景，Z誤差的累積會造成定位和建圖結果出現錯誤。

（3）無GPS的弱紋理場景：隧道為典型的無GPS弱紋理場景，弱紋理的意思是結構紋理沒有明顯變化，比如當身處隧道中時，是沒辦法通過周圍特征識別出自己到底處于哪個位置。

基于UWB地理坐標參考點輔助SLAM

在無人駕駛車輛活動區域，部署若干UWB地理坐標參考點，當車輛行駛到附近（5-10米），可以基于無人駕駛車輛車上的AOA 錨點（TOF精準測距+AOA精準測角），解算自身精準坐標，實現SLAM算法中IMU里程或視頻里程修正。

UWB坐標參考點可以很小（可參考類似Air TAg大小）、功耗很低支持電池供電，部署安裝十分方便；AGV的UWB AOA錨點體積也很小、功耗低；

Ranging accuracy : +/-9[cm]

PDoA：accuracy : +/ 5 [ deg

AoA：accuracy : +/ 2.5[ deg

10.5 x 8.3 x 1.44(max) mm

-40 to 85 deg.C

相比二維碼地標，UWB坐標參考點有很多優勢：二維碼要依賴視頻發現和識別，利用像素估算距離，受環境照度的影響大，精度不高；UWB AOA坐標參考點可以用于任意環境，定位精度高，同時可以基于多參考點同時定位，提高定位的準確性；