工业无人驾驶-UWB地标辅助SLAM

工业级无人驾驶迅速崛起

面临当前劳动力的日渐衰减，中国制造业需要通过自动化升级，来突破成本的限制。在矿山、港口这些垂类领域，无人驾驶逐步成为刚需。

工业级无人驾驶运行场景限于区域范围内部使用，受政策影响较小，同时工业级低速运行，也能确保其安全可靠性。在矿区、园区、港口、工厂等场景之中，自动驾驶可以直接帮助满足特定场景的作业需求。

无人驾驶系统的核心可以概述为三个部分：感知（Perception），规划（Planning）和控制（Control）

感知是指无人驾驶系统从环境中收集信息并从中提取相关知识的能力。其中，环境感知（Environmental Perception）特指对于环境的场景理解能力，例如障碍物的位置，道路标志/标记的检测，行人车辆的检测等数据的语义分类。一般来说，定位（Localization）也是感知的一部分，定位是无人车确定其相对于环境的位置的能力。

无人驾驶的核心技术是自主导航，自主导航的关键技术：SLAM

SLAM-自主导航的关键技术

行业中通常以所用的主要传感器类型进行SLAM分类，如以视觉传感器采集到图像为数据源进行的SLAM称为视觉SLAM（VSLAM）; 以激光雷达传感器采集点云为数据源进行的SLAM称为激光SLAM（LSLAM）；还有以毫米波雷达传感器为主的SLAM则为毫米波雷达SLAM。

SLAM过程由若干步骤完成，其主要目的是利用环境来更新机器人的位置信息。大致过程包括地标提取、数据关联、状态估计、状态更新以及地标更新等。

以一个机器人为例，其具备一个初始位置，当向任意方向移动时，里程计会告诉它，距离初始位置移动的方向和距离，以此可以推测出它当前的位置。与此同时，其自带的camera，lidar等观测类传感器，基于当前位置不断对环境地标进行观测，通过已经观测过的地标修正自己的位置。由于里程计和传感器均存在误差，因此SLAM需要解决的问题是求取位置和周围地标最优解。

几种SLAM典型难题场景：

（1）含有大量动态物体的场景：由于周边物体的不断运动，造成这些目标上的点云也在前后帧发生了位姿变换，使得配准结果不准确。

（2）坡度或高度连续变化的场景：对于机械式激光雷达来说，其垂直分辨率有限，因此常造成激光雷达估计出的Z值不是很准确，当遇到高度或坡度连续变化的场景，Z误差的累积会造成定位和建图结果出现错误。

（3）无GPS的弱纹理场景：隧道为典型的无GPS弱纹理场景，弱纹理的意思是结构纹理没有明显变化，比如当身处隧道中时，是没办法通过周围特征识别出自己到底处于哪个位置。

基于UWB地理坐标参考点辅助SLAM

在无人驾驶车辆活动区域，部署若干UWB地理坐标参考点，当车辆行驶到附近（5-10米），可以基于无人驾驶车辆车上的AOA 锚点（TOF精准测距+AOA精准测角），解算自身精准坐标，实现SLAM算法中IMU里程或视频里程修正。

UWB坐标参考点可以很小（可参考类似Air TAg大小）、功耗很低支持电池供电，部署安装十分方便；AGV的UWB AOA锚点体积也很小、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

相比二维码地标，UWB坐标参考点有很多优势：二维码要依赖视频发现和识别，利用像素估算距离，受环境照度的影响大，精度不高；UWB AOA坐标参考点可以用于任意环境，定位精度高，同时可以基于多参考点同时定位，提高定位的准确性；