构建一个楼层导航 ：给定任意房间号码，系统将使用A*算法进行路径规划，并通过MPC导航到达该位置

我们项目的核心想法是设计一个机器人，能够接收电子与通信工程系三楼任意房间号的输入，并从SE423实验室(3080)出发前往该房间。本项目包含将整个楼层的地图系统集成进来，并实现平面图与真实空间之间的坐标转换。我们采用A*算法，从起始房间(3080)到用户指定的目的地之间规划一系列路径点。这些路径点通过运行在机器人树莓派上的网络界面/路径规划器进行设定，可帮助可视化机器人所走的路径以及是否成功到达各目标点。路径生成完成后，路径点会被发送至红板上的状态机，由MPC服务器解析处理，该服务器负责在各个路径点之间导航以及避障。

总体而言，我们的项目取得了成功，并让我们充分掌握了本学期所学的许多基本技术，将其扩展到更复杂的逻辑、状态机以及与更多组件的集成。在遇到坐标变换、信号量错误、数据管理等问题时，我们得以练习并提升了解决问题和调试的能力。我们成功地将所有组件整合起来，最终开发出一个机器人，能够通过障碍物碰撞实现最小偏差地导航至指定房间，但偶尔会遇到超出激光雷达传感器范围的物体导致运行异常的情况。

组件

预测控制模型

通过模型预测控制(MPC)实现了机器人在动态环境中的实时导航。MPC是本应用的理想控制器选择，因为它能够预测到达目标点以及遇到的障碍物时应采取的操作。MPC通过实时求解一个优化问题来实现这一目标，通常为二次规划(QP)。在满足多个约束条件(包括初始条件、控制器范围，以及最重要的是系统的线性化动力学)的前提下，最小化一个二次成本函数。将最小化过程限制在系统动力学范围内，可生成在给定预测时间窗口内动态可行的轨迹，但通常仅使用该窗口内的第一个控制输入进行控制。由于我们使用计算能力较低的树莓派，因此当问题求解耗时过长时，会缓存窗口内最多三个控制输入。此外，在成本函数中增加了一个额外项：与激光雷达检测到的五个最近障碍物之间的距离成反平方关系的项。该功能使计划的视野范围在生成接近障碍物的大量成本时，不会向空间中的空旷区域添加错误的成本。总体而言，MPC 主要是一个通信问题，因为它需要将激光雷达扫描数据、当前机器人姿态以及启用或禁用标志发送到控制器，并从控制器接收优化后的控制输入。

映射

为了生成传递给A*算法的地图，我们编写了一个脚本来处理三楼的平面图。首先，该脚本加载一张灰度黑白的平面图图像，并将其转换为二值地图，使墙壁和空地清晰分离。接着，我们使用NumPy根据像素是黑色还是白色来判断哪些方格可通行、哪些不可通行。然后，将像素转换为英尺单位，使图像中的距离与真实世界距离相对应。最后，脚本在墙壁周围添加了一层缓冲区，使其尺寸比实际更大。这可以补偿机器人的宽度，并为路径增加一定的容差。

A*

我们使用的A*算法是一种八方向的A*算法，能够返回x、y坐标的最优路径。在ECEB中给定一个有效的房间编号后，该算法可以找到从实验室房间到达该目的地的最优路径。这些x、y坐标被称为航点(waypoints)，也是MPC用来设定导航目标的位置依据。整个过程中的A*算法均在离线状态下完成，因为如果在线运行，会导致与控制机器人(MPC)之间的数据传输过载。最初，由于地图数组将每个像素表示为0.205英尺，A*路径算法会返回数百个航点。为避免发送大量航点，通过过滤机制解决了这一问题：当x轴或y轴方向发生微小变化时，该航点会被添加到返回列表中。这样一来，最终返回的航点数量从数百减少到了几十个。

状态机

状态机决定何时将机器人移动到下一个航点。在主情况1中，我们更新vref和turnref，并计算机器人与当前航点之间的欧几里得距离。如果机器人与航点的距离达到0.3英尺，就会切换到情况30，此时将航点递增至下一个位置并关闭MPC。关闭MPC是为了防止机器人过度补偿以到达航点，否则可能导致机器人来回摆动。一旦移动到下一个航点后，系统会返回情况1，此时MPC会重新校准以适应新的目标。

网页界面

运行在树莓派上的网络界面，负责管理我们的Astar路径规划代码与红板之间的连接，同时提供房间导航控制的用户界面以及路径和导航的可视化功能。

网页界面负责在提供房间编号后调用AStar路径规划器进行管理。获取路径规划器返回的航点后，Web服务器负责将这些航点传输到红板上。为此，我们以“数据包”的形式逐个发送每个航点。首尾航点会被标记，以便红板能按顺序依次填充数组。为减少数据包丢失，每个航点会发送三次。红板仅会一次性填充数组中的每个航点，而三次发送则是为了冗余，以防其中某个航点被丢弃。

最后，网络服务器的用户界面会显示所有房间及其编号的地图，并与路径规划器进行匹配。当用户输入房间编号后，系统会将信息发送至红色指示板，路径随即在屏幕上显示。

本文编译自hackster.io