二、自主移动机器人智能车使用python版本的breezyslam 进行测试

正如我在上一篇文章中提到的那样，自动机器人定位有两个基本步骤：本地建图和行动控制。机器人需要知道它在哪里，然后相应地移动。重复一遍。在已知的环境中（例如，如果您有实验室的地图），本地建图可能会更容易，但是在现实世界中，车辆很可能会在未知区域中运行。这就引起了人们对机器人技术领域的关注之一-SLAM（同步本地化和映射）。这是一个复杂的机制，它将同时构建地图，并将您的机器人（或无人驾驶飞机）放置在该地图上。

要开始绘制地图，您需要一些距离传感器。大多数小型机器人都配备了超声波或红外距离传感器。它们精度低，并且提供的读数数量有限。您可能有3个超声波传感器阵列（前，左和右），然后使用粒子过滤器，过了一会儿就可以在一张已知的地图上找到您的位置，但是构建地图非常困难。您可以阅读一些理论，但这是一个非常随机的解决方案。

标准的SLAM 中距离传感器使用的是激光雷达（Lidar），它是基于激光的扫描仪，通常旋转以覆盖360度。这些设备仍然很昂贵，较便宜的设备约为1,000美元，而高端设备（如安装在自动驾驶汽车上的设备则要超过10,000美元）。

现在，遇到Neato-一种智能真空吸尘器，可在您不在时轻扫地板。与Roomba等竞争对手不同，Neato的顶部有一个小型激光雷达，该雷达在移动时会扫描整个房间，以创建自己的地图。一些聪明的人能够拿出XV-11单元，解码其输出，将其连接到Arduino板，最后通过USB输出其测量值，因此它们可以在您的计算机甚至是Raspberry Pi上使用。

现在您有了一张地图（当您开始扫描周围的房间时，我知道这是一种很酷的感觉），您开始思考当车辆行驶时该怎么做（因此地图会不断变化）。SLAM就是在这里发挥作用的，以便构建地图并在您移动时将您放置在地图上。有很多SLAM算法，但是我自己尝试了几次之后，我遇到了BreezySLAM，它是由WLU的Simon Levy教授创建的非常好，非常快且易于使用的Python实现。它可能是唯一可用的开源Python代码，这对于大多数机器人微板很有用。BreezySLAM是TinySLAM的Python版本，这是一种非常有效的算法，于2010年编写，不到200行C。

说实话，2010年到现在10年了，笔者小v在测试中会不断更新该算法的测试效果，但是这年数的确很长，小v也发现这个breezyslam 维护的也很少，最近一次更新是在2年前，可以先熟悉然后看看是不是再坚持用。目前breezyslam是通过预估里程计的算法实现的，也就是说真正的里程计并未使用，到目前发现的。

更好的是，Levy教授将某些库转换为C，因此程序运行得非常快。到目前为止，我只在Windows笔记本电脑上使用过它，它每秒可以超过50帧。它的使用也非常简单，因此我花了很长时间才将其调整为适用于XV-11激光雷达，进行实时采集或显示实时更新图。要运行BreezeSLAM，您首先需要为Lidar创建一个自定义类，然后该过程非常简单。

slam = RMHC_SLAM（YourLaser（），MAP_SIZE_PIXELS，MAP_SIZE_METERS）
 while True ：  
birinData = ReadLidar（）  slam.update（birinData）  
x，y，theta = slam.getpos（）  
mapbytes = bytearray（MAP_SIZE_PIXELS * MAP_SIZE_PIXELS）
slam.getmap（mapbytes）

实施和测试此功能的第一步 是在笔记本电脑上运行它，然后使用Lidar。这正是我所做的，下面是我房子一楼的最终地图。这是我扛着笔记本走完的最终的样子。下一步是将所有内容部署到Raspberry Pi，这样我就可以在轮式机器人上使用Lidar了。

接下来，最大的项目是将其安装在无人机上并编写整个导航/避障程序。 通过着篇文章也可以看出这是Chris Fotache 用笔记本实现的建图，而未用到里程计。 关于breezyslam的建图效果，小v已经在本网站整理了好多，有兴趣的读者可以翻翻。另外还有几个测试 没实现会陆续更新。