基于 Unitree Go2 Edu 的图书馆服务机器人自主导航系统
Autonomous Navigation System for Library Service Robot Based on Unitree Go2 Edu
AI总结：
针对图书馆狭窄通道和动态障碍物环境，提出基于 ROS 2 的四足机器人导航系统，融合 RTAB-Map、AMCL/EKF 和 Nav2 实现高成功率定位与避障，地图误差 3.7 cm。
摘要：
图书馆需要自主机器人在狭窄通道中安静移动，同时确保读者、椅子、包和手推车周围的安全。本文提出了一套基于 Unitree Go2 Edu 四足机器人的 ROS 2 导航系统，该机器人配备了 4D LiDAR、前置深度相机和 IMU。我们并未假设图书馆是粗糙地形，而是针对实际部署中遇到的移动性不连续问题，包括地面过渡、临时杂乱和部分堵塞通道（低底盘轮式平台在此类场景中适应性较差）。采用 RTAB-Map 进行视觉-LiDAR SLAM，基于 AMCL 和 EKF 的传感器融合实现定位，以及基于 A* 和 DWA 的 Nav2 栈支持路径规划和局部避障。在真实图书馆中，该系统在静态、低密度动态和高密度动态场景下的成功率分别为 100%、96% 和 88%，而针对测量控制距离的地图验证显示平均度量误差为 3.7 cm。
英文摘要：
Libraries require autonomous robots to move quietly through narrow aisles while remaining safe around readers, chairs, bags, and carts. This paper presents a ROS 2 navigation system for a Unitree Go2 Edu quadruped equipped with a 4D LiDAR, a front depth camera, and an IMU. Rather than assuming the library is rough terrain, we target the practical mobility discontinuities of real deployments, including floor transitions, temporary clutter, and partially blocked passages where low-clearance wheeled platforms are less tolerant. RTAB-Map is used for visual-LiDAR SLAM, AMCL and EKF-based sensor fusion provide localization, and a Nav2 stack with A* and DWA supports planning and local avoidance. In a real library, the system achieves 100%, 96%, and 88% success rates in static, low-density dynamic, and high-density dynamic scenes, while map validation against surveyed control distances yields a mean metric error of 3.7 cm.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
