傳統的自動導引車（AGV）系統在許多工業應用中使用，其特點是以嵌入式磁鐵或導線、畫線或磁帶或其他電氣或機械路徑定義手段的形式進行物理路徑引導。這些車輛通常沒有 "位置 "的概念，也不需要沿規定路徑的距離，可用于觸發速度變化、停止、裝載/卸載等，以實現預期的應用。激光雷達通常用于檢測障礙物的存在，并使AGV在離其路徑上的物體的規定距離內減速或停止。一些激光雷達產品具有監測AGV的速度和方向的能力，它們可以動態地調整AGV前面或后面的保護區域的大小和形狀。

AGV的改進

漸進式的改進使下一代AGV離開了由電線或膠帶建立的物理路徑，而使用內部數字地圖和對其在該地圖上的位置的了解，遵循更靈活的預編程虛擬路徑。一種常見的方法是使用精心定位和測量的反射器和車載激光雷達的集合，通常具有360°的視野，根據與多個反射器的距離的三角測量來計算AGV的位置。

基于反射器的導航由于物體阻擋其放置而具有局限性

激光雷達是一種距離測量方法，它使用脈沖激光形式的光和一個高度敏感的探測器，使用飛行時間或相移測量來確定非常短的距離值。當與在一個平面或其他模式中掃描激光的機制相結合時，用戶可以在連續的角度和/或方向上得到一系列的距離讀數。從這個二維或三維范圍的數據中，用戶可以從徑向坐標轉換為笛卡爾坐標，并由此創建一個場景的二維或三維輪廓圖。

激光雷達具有獨特的資格，可以以非常高的速度進行掃描，因為它具有光的速度，而且它以激光的形式攜帶自己的定向照明。此外，與立體視覺或三角測量等結構光技術相比，激光雷達可以讀取非常長的距離，而不需要在攝像機或發射器/探測器對之間有一個大的基線，這對較小的車輛來說可能很重要。

一些激光雷達具有專門檢測激光掃描中的反射器的額外能力，為定位提供了一個低計算量的三角測量系統。然而，使用反射器和三角測量有一個復雜的問題，即在AGV行駛過程中的任何一點都需要看到三個或更多的反射器，當操作空間被貨架、機器和其他設備分割時，這有時是一個困難的要求。

自主移動機器人

隨著全世界對工業4.0倡議的關注，以及制造商希望降低成本，提高靈活性和生產力，AGV技術的繼任者已經以自主移動機器人（AMR）的形式出現了。這些AMR系統對于AGV系統來說，就像過去幾年的協作機器人對于工業機器人一樣。AMR系統沒有電線、物理引導和額外的基礎設施，如反射器，它不僅在傳統的制造邊界內，而且在它們之間運輸材料和用品。穿過隧道和走廊，在建筑物之間和內部行駛，乘坐電梯進入多個樓層，AMR在躲避叉車時就像巧妙地談判狹窄的通道和人類步行交通一樣自如。

自主移動機器人繞過障礙物

真實世界自主導航

為了實現這一壯舉，AMR 必須能夠在其深遠的邊界內進行定位，并規劃穿過擁擠區域的路徑，這些區域在 AMR 每次通過時可能看起來都非常不同。在這種環境中，尤其是在人員中和人員之間工作時，障礙物檢測和避讓至關重要。幸運的是，賦予 AMR 自身定位能力的相同傳感器能夠檢測和報告 AMR 必須越過的障礙物的發生和位置。這些傳感器（通常是激光雷達）最近在功率和成本效益方面發生的變化使 AMR 變得可行，并迎來了一波進入者進入快速增長的產品領域的浪潮。競爭和不斷縮小的電子產品使得移動應用中使用的典型激光雷達價格從 10 多美元起，000 和十年前的籃球大小，今天的比較模型成本低于 2,000 美元，和棒球一樣小。更高的掃描速率和更高的角度分辨率為現代定位算法提供了更多的數據饋送饑餓算法。

同時定位和映射

使用激光雷達的 AMR 如何在沒有反射器或標記的情況下，通過隧道和大廳，在多個建筑物和多個樓層中定位自己的大小空間？AMR 使用一種稱為同步定位和映射 (SLAM) 的技術，該技術在 20 世紀 80 年代中期和 90 年代的學術實驗室中率先推出，解決了創建未知環境地圖同時在地圖中保持位置的問題。SLAM 算法仍然是一個活躍的研究領域，它們的各種版本被研究人員和商業用戶廣泛使用，例如開源機器人操作系統 (ROS) 庫、卡內基梅隆大學的機器人導航工具包 (CARMEN) 和 Mobile機器人編程工具包 (MRPT)，僅舉幾例。

SLAM 可以使用許多傳感器作為輸入，激光雷達是目前最常見和最容易獲得的。它通常使用多種不同類型的傳感器輸入，并根據各種傳感器類型的能力和限制定制算法。

每個傳感器都有一個與之相關聯的算法，用于根據該輸入確定運動或位置。例如，里程計或車輪轉數與移動機器人底座的數學運動學一起使用，以計算基于車輪旋轉的運動。聲納或超聲波傳感器可以根據與當地基礎設施的距離來估計位置。激光雷達范圍掃描可用于多種方式來估計移動機器人的運動或位置。

作為一個迭代推理問題，SLAM 從一個已知條件開始，即 AMR 的位置和姿態，對未來條件的建模預測，即基于當前速度和航向的位置和姿態估計，以及來自多個來源的傳感器數據誤差和噪聲量的估計。SLAM 使用包括卡爾曼或粒子濾波器在內的統計技術來近似解決機器人的位置和迭代姿勢。

該圖表說明了擴展卡爾曼濾波器的結果。顯示的是來自 Aethon 的 TUG 自主移動機器人沿著制造工廠的過道行駛的結果。過道呈90度角對齊。掃描到掃描算法（綠色）雖然相對平滑，但由于累積誤差可能會漂移（如圖的后半部分所示）。掃描到地圖算法（藍色）給出了均值可能跳躍的噪聲數據。這些變化是由于材料移動導致地圖與當前環境不匹配造成的。紅線是通過使用擴展卡爾曼濾波器結合所有定位技術計算出的 TUG 位置的估計值。跳躍是由使用絕對定位算法引起的。由 Aethon 提供。

結合擴展卡爾曼濾波器

在 SLAM 的典型實現中，擴展卡爾曼濾波器用于通過概率密度函數估計系統狀態。該估計包括 AMR 的位置和方向、其線速度和旋轉速度以及線加速度。過濾器以預測和校正的兩步方式進行。在第一步中，當前時間的估計狀態是根據先前的狀態和僅運動的物理定律預測的。在第二步中，來自傳感器讀數的觀察結果用于對某些估計狀態進行修正。這是來自外部傳感器（包括激光雷達）的讀數提供輸入的地方。觀察結果包括一個不確定值，過濾器試圖維持一組狀態，由均值和協方差矩陣表示，符合運動定律和提供的觀察結果。使用激光雷達距離數據進行校正步驟的兩種常見 SLAM 算法是掃描到掃描匹配和掃描到地圖匹配。

自主移動機器人 (AMR) 導航的集成方法

掃描到掃描匹配

在掃描到掃描匹配中，順序激光雷達距離數據用于估計掃描之間 AMR 的位置移動，從而產生更新和累積的 AMR 位置和姿態。該算法獨立于現有地圖，因此當地圖不存在時，例如在初始地圖創建期間，或者當當前環境由于環境變化與存儲的地圖不緊密匹配時，它會受到嚴重依賴。作為一種增量算法，掃描到掃描的匹配會受到長期漂移的影響，并且無法隨時間糾正不準確的更新。

掃描到地圖匹配

在掃描到地圖匹配中，激光雷達掃描范圍數據用于通過將讀數直接與存儲的地圖匹配來估計 AMR 的位置。這可以在純粹逐點的基礎上完成，或者采用更穩健但計算成本更高的方法將讀數與地圖中遇到的第一個對象徑向匹配。作為一種絕對算法，掃描到地圖匹配通常不會像掃描到掃描匹配的情況那樣受到漂移。但是，它會受到環境中重復引起的其他錯誤的影響，其中地圖從不同位置或方向看起來非常相似。此外，當當前環境與存儲的地圖不緊密匹配時，不正確的匹配會導致錯誤的位置不連續變化。而且，一旦它離位很遠，

克服局限——綜合方法

所有 SLAM 算法最終都基于環境的傳感器讀數。當沒有物體處于適合傳感器讀取的位置時，如倉庫中的空架子和處于該精確高度的 2D 激光雷達所見，引入 3D 激光雷達或基于 3D 立體深度相機的傳感可以大大增加本地化性能。然而，這些傳感器的成本可能更高，而且計算要求也高得多。當出現如此多的數據時，減少計算要求的一種方法是從掃描或圖像中提取特征，然后由 SLAM 算法處理這些特征，因此 SLAM 算法不會處理圖像中的每個單獨像素。

這種策略需要一個強大的算法來從掃描到掃描一致地提取特征，盡管在運動通過場景時視角、光照或反射率不同。這是一項不小的任務。此外，需要出門或在室內和室外之間行駛的應用可能會對傳感器及其處理明/暗、直射陽光等變化的能力提出額外要求。

AMR 目前使用的大多數 SLAM 實現都是基于傳感器成本和計算要求以及移動車輛中增加計算的功率要求的能力折衷。隨著越來越多的功能被集成到高端機器視覺相機中以支持它們所使用的各種應用——檢查、測量和缺陷檢測——也許基于 SLAM 的算法的需求也可以直接集成到機器視覺相機中未來。例如，這種集成可以提供特征提取和測距，從而減輕 AMR 的處理要求。

雖然這些 SLAM 算法本身都不能完全令人滿意，而且實際上可以提供相互矛盾的定位解決方案，但每種算法在不同情況下都有優勢。通過里程計、掃描到掃描匹配、掃描到地圖匹配和其他技術（如特征提取和匹配）的組合，將這些方法中的每一種方法相互結合使用可以克服缺點，提供準確和在現實世界的設置和應用程序中具有可靠的性能。