1
关注中国自动化产业发展的先行者!
2024中国自动化产业年会
2023
2023年工业安全大会
OICT公益讲堂
当前位置:首页 >> 资讯 >> 行业资讯

资讯频道

自主导航:赋予移动机器人智能感知与运动的能力
  • 作者:方正,吴成东
  • 点击数:10427     发布时间:2019-08-24 21:28:00
  • 分享到:
移动机器人在军事、工业、农业、商业、交通、物流等领域有着广泛的应用前景。目前,制约移动机器人广泛使用的一个核心问题是移动机器人的自主导航能力。本文首先阐述了移动机器人自主导航相关的核心技术,分析了目前的技术现状以及未来发展趋势;之后,本文讨论了移动机器人几个典型领域的应用情况;最后对未来移动机器人自主导航技术的挑战进行了分析,指出了未来的一些发展方向。
关键词:

摘要:移动机器人在军事、工业、农业、商业、交通、物流等领域有着广泛的应用前景。目前,制约移动机器人广泛使用的一个核心问题是移动机器人的自主导航能力。本文首先阐述了移动机器人自主导航相关的核心技术,分析了目前的技术现状以及未来发展趋势;之后,本文讨论了移动机器人几个典型领域的应用情况;最后对未来移动机器人自主导航技术的挑战进行了分析,指出了未来的一些发展方向。

关键词:移动机器人;自主导航;环境感知;自主定位;运动规划

Abstract: Mobile Robots have wide applications in military, industry, agriculture, commercial, transportation and logistics areas. Nowadays, a key problem that prevents mobile robots from being widely used is the ability of fully autonomous navigation. This paper first describes the key technologies that related to autonomous navigation and then analyses the state-of-the-art technologies and their future directions. After that, the typical applications of mobile robots in several areas are described. Finally, some future challenges related to autonomous navigation are analyzed and some possible directions are pointed out.

Key words: Mobile Robots; Autonomous Navigation; Environment Perception; Self-Localization; Motion Planning

1 引言

随着机器人技术的发展,越来越多的机器人被用来代替人类完成简单重复、危险的工作。由于机器人自身具有高效率、无间隙工作的特点,从而能够极大地促进生产力,在人类社会中正发挥着越来越重要的作用。传统的工业机器人大多被固定在生产线上,利用机械手臂来完成装配等简单任务。而现实中仍有大量的任务需要机器人能够具备空间移动能力,比如服务业、自动驾驶等领域,因此移动机器人由于具有更大的使用灵活性 使其逐渐成为机器人领域的研究焦点。

理想的移动机器人应具有以下能力:当处于一个未知的、复杂的、动态的非结构化环境中时,能够在没有人干预下的情况下,通过自身所带的传感器来感知环境,到达期望的目的地,同时保证时间最少或能量消耗最低等[1]。因此,移动机器人只有具备自主导航能力,才能够进一步完成所设定的任务。自主导航技术无疑是移动机器人技术中最为基础和核心的技术。近年来,自主导航技术也在实际应用需求的推动下不断地取得突破和进展。本文将聚焦自主导航技术的发展及移动机器人应用领域,并对其未来发展方向进行展望。

2 自主导航关键技术

为了实现移动机器人在未知动态环境中的自主导航,移动机器人需要解决三个基本问题[2],即“我在哪里?”、“我的周围都什么样?”、“我下一步该怎么做?”。为了解决这三个核心基本问题,就涉及到环境感知、地图创建、自主定位、运动规划等一系列核心技术。

2.1 环境感知

移动机器人的环境感知技术,即通过移动机器人自身携带的传感器感知周围环境,并对获得的环境数据进行处理以得到周围环境的具体信息(包括特征信息与位置信息)的过程。在未知环境地图和未知初始位置的前提下,移动机器人必须首先依靠自身携带的传感器感知外部环境的信息,才可以进一步完成位置确定、地图构建与路径规划等任务。因此环境感知是移动机器人自主导航技术的基础与关键。

根据所用传感器的不同,移动机器人感知环境的方法可分为基于声呐、基于激光雷达、基于视觉与融合多传感器的环境感知等。声呐通过声波的传播时间来判断物体的距离信息,在水下传播的速度较快且不会如相机和激光雷达传感器那样受到水介质本身的干扰,因此基于声呐的环境感知方法被广泛地应用于水下机器人领域。与声纳传感器相比,激光传感器使用的光信号传播速度更快,抗干扰性更好,因此测得的环境信息更加准确。与声纳、激光传感器相比,相机重量轻、价格低廉、可以获得更加丰富的环境信息且无需主动发出信号,因此被广泛应用于无人机、无人车等领域。随着深度学习技术的快速发展,部分研究者通过深度学习方法提取图像的语义信息来完成对环境的感知。近年来,基于多传感器融合的环境感知方法也受到了许多研究者的关注和重视。如Qi等[3]从融合激光雷达点云数据与图像数据中提取语义信息来实现三维空间下环境感知任务。随着深度学习的迅速发展,基于深度学习的图像和点云特征提取方法引起科学界的广泛关注。通过深度学习方法提取到的深层次语义特征具有准确度高、提取速度快、稳定性好的特点。因此越来越多的移动机器人通过基于深度学习的方法来从图像与点云中提取深层次的语义特征以感知周围环境。而在传感器类型的选择上,由于机器人往往工作在复杂多变的环境中而单一传感器的应用范围有限,因此基于多传感器融合的环境感知与自主导航方法成为了当前研究的热门问题。

2.2 地图创建

要想使机器人可以自由安全的进行移动,地图信息必不可少的。建图实质是运动过程对环境的描述,所构建地图形式分为度量地图和拓扑地图等。度量地图又可以分为稀疏地图和稠密地图。

其中,稀疏地图对环境进行了一定的抽象表达,不能表达周围环境所有信息,通常用于快速定位与导航,具有较快的计算能力。拓扑地图由节点和边两种元素组成,主要表达地图元素之间的连通性。传统的构建地图的方法大致可分为滤波方法[4]和优化方法[5]两类。近几年基于多传感器融合,如激光雷达,相机,IMU融合的建图方法逐渐成为发展的一个重心,通过多种传感器的信息来增加机器人建图的鲁棒性,获得更加精准,信息更加丰富的地图。未来基于更多新型传感器的建图技术也将应运而生,例如红外相机、毫米波雷达等新型传感器等。

2.3 自主定位

定位问题是实现移动机器人自主移动能力的基本问题[6]。依据完成任务要求的不同,可以将移动机器人定位问题分为位姿跟踪、全局定位、绑架问题[7]。所谓自主定位就是机器人利用先验环境地图信息、机器人位姿的当前估计以及传感器的观测值等输入信息,经过一定的运算产生更加准确的对机器人当前位姿的估计[8]

定位方法根据所采用传感器不同可以分为:激光定位、视觉定位、红外定位、组合惯导定位、超声波定位、Wi-Fi定位、蓝牙定位、UWB定位等。一般情况下,基于单一传感器的定位在复杂环境中,其精度与鲁棒性难以保证,而多传感器融合则克服了单一传感器的缺陷,能够在具有挑战性的环境中实现高精度定位和强鲁棒性。在移动机器人的自主定位中,最为广泛使用的传感器就是激光雷达。传统的激光雷达定位方法主要基于几何信息,依赖几何约束来估计车辆的运动。最直接的方法是应用点云配准算法来解决运动问题。常见配准算法有迭代最近点(ICP)[9],G-ICP和正态分布变换(NDT)[10]。但是,这些配准方法对初始猜测非常敏感,且它们在没有丰富几何信息的场景中容易定位失败,例如高速公路或其他开放空间。近年来,也有人提出了一种基于学习的新型雷达定位系统[11],可实现厘米级的定位精度。传统的定位方法与学习的定位方法在场景较为简单的城市街道、园区环境,精度和鲁棒性都取得了良好的效果,但在环境多变的野外下,定位问题还存在诸多挑战。此外,在多变的室外场景下,需要不断地维护更新地图才能达到良好的定位效果。

2.4 运动规划

路径规划即在现实环境中,机器人根据先验的地图环境信息以及自身传感器实时感知的周围动态环境信息,综合一定的评价指标搜索出一条能够连接起始点与目标点,且在一定指标下具有最优性的轨迹曲线,并且保证机器人在沿着这条曲线运动的过程中能够实时避开环境中的动态障碍物,顺利到达目标点。

由于近几年来大量学者与研究机构参与到机器人技术的研究中来,路径规划技术同样也得到了飞速的发展。现阶段,路径规划技术已不仅仅应用于工业自动化生产和移动机器人领域,其在计算机辅助设计、卡通设计、医疗手术、分子生物学、货物仓储、农林监测、灾害现场救援等领域也有了极其广泛的应用[12~14]。到目前为止,路径规划技术已经有了近60多年的发展历程。在此期间,种类繁多的路径规划算法被相继提出。近年来,基于传统的搜索和采样的算法依然层出不穷,除此之外基于学习的规划方法也吸引了多数研究者研究,包括传统与学习混合的方法。其中传统搜索方法包括基于可视图搜索算法[15]和基于栅格地图的搜索算法;基于采样的算法包括基于概率路线图和基于随机搜索树的方法;基于学习的方法包括基于强化学习的社会意识运动规划[16]等;传统与学习混合的方法包括基于采样的非完整运动规划中自我车辆姿态预测的学习方法[17]。在未来,路径规划方法可能会更多的将机器学习和传统优化、搜索方法相结合来实现性能更优的路径寻优。

3 移动机器人的应用领域

移动机器人是一个集环境感知、动态决策与规划、行为控制与执行等多功能于一体的综合系统。随着机器人性能不断地完善,移动机器人的应用范围也不断扩展,不仅在工业、农业、医疗、服务等行业中得到广泛的应用,而且在城市安全、国防和空间探测领域等有害与危险场合也得到了很好的应用。

3.1 航空领域

无人机是一种非常典型的空中移动机器人[19~20]。在航空领域,无人机技术的应用正在日趋成熟。无人机航拍具有高清晰、小面积、大尺度等优势,往往能完成许多其他工具无法完成的拍摄;在一些极其复杂的环境之下,引入无人机将大大降低高空作业的难度和风险;无人机巡检在快速处理简易交通事故、疏解城市交通、监控视频盲区、管理乡村主次干道等工作中能够发挥重要作用;无人机充当中继站,能够从地面上的同频道收集用户消息,并将它们转发给其他地面用户或远程基站。随着无人机技术的不断发展,特别是随着自主无人机技术的不断发展与成熟,无人机应用领域也在逐渐扩大。未来无人机领域将朝着规范化、专业化、系统化的方向发展,不仅将在民用领域给予人们更多的选择,而且将在交通、通信、军事等其他领域扮演更重要的角色。

3.2 农业领域

农业正在迅速成为令人振奋的高科技产业,吸引更多专业人士、公司和投资者。农业机器人技术的迅速发展不仅能够提高农民的生产能力,而且能够提高机器人技术及其自动化技术。从无人车到自动拖拉机再到机器人手臂,农业机器人技术在机器人技术的发展下不断取得突破。自动驾驶车辆作为精准农业的应用平台[20],能够完成农场环境下的感知、建图、定位导航;移动机器人还可以用来进行红树梅枝干检测定位、修剪和捆绑[21]等。此外,还有一些农作物识别与自主跟随机器人也成功的应用于农业领域[22~23]。但是,农业机器人技术也面临着许多独特的挑战,它是机器人技术、视觉技术、自动化操作技术和农作物科学的交叉融合研究领域,仍然有很多挑战性问题需要进一步解决。

3.3 服务领域

机器人技术是多种技术的集成,它的进步取决于其他领域的发展,特别是计算机、信息处理、传感器和驱动器、通信和网络等[24~26]。服务机器人的发展与所处的机器人行业密切相关。从其应用场景进行划分,智能服务机器人可以分为面向家庭的消费类服务机器人以及面向公共商用环境的商用服务机器人两大类。在商用领域,机器人被应用在商场、酒店、办公楼等场合,充当着迎宾、送餐、安保安防、医疗辅助等角色,辅助传统产业智能升级。但是,目前消费类的服务机器人应用还比较少,现阶段最为成功的消费级服务机器人就是家庭用的扫地机器人。未来,随着服务机器人需求的不断扩大和服务机器人技术的发展,服务机器人将会遍及社会各个角落,每个人都能感受到服务机器人应用带来的便捷。

3.4 深空和深海探测

探索太空对人类具有重大的科学价值和商业价值。各国都争先恐后地制定探索太空的战略部署,力争在太空竞争中占据优势。其中行星探测机器人是着陆探测和取回样品到实验室分析的有力工具,有利于提高一个国家的国防实力和国际地位[27~28]。目前各国都在积极研制新型行星探测机器人,具备高级移动和越障能力,良好操作能力的更智能自主化的机器人将成为研究的热点。深海自主水下机器人在帮助人类探测深海极端环境中正发挥着越来越大的作用。深海自主水下机器人通常具有良好的流体外形,如鱼雷形、立扁形等,减少其航行时阻力,提高其续航力,同时可搭载声学、光学和海洋环境测量载荷,执行多种探测任务[29]。自20世纪50年代美国华盛顿大学研制世界上首台自主水下机器人以来, 自主水下机器人的发展经历了60多年的历程。

20世纪90年代后期, 随着计算机技术发展和电子技术的日益成熟,自主水下机器人进入快速发展阶段,一批有影响的自主水下机器人相继研制成功并得到成功应用[30]。随着海洋经济的发展和军事需求的增加以及水下机器人技术的日渐成熟,水下机器人将向远程化、智能化发展,建立机器人相互间及机器人与人之间的通信与磋商机理,完成群体行为控制、监测与管理及故障诊断,实现群体作业。

3.5 无人驾驶

随着人类文明程度的不断进步和科学技术水平的不断发展,人们对物质生活的要求逐渐提升,无人驾驶车辆正越来越多地受到人们的关注与重视。无人驾驶车辆是一种具有自主驾驶行为的车辆[31-32]。它在传统车辆的基础上加入了精确定位、环境感知、高精度地图、运动规划和行为控制等一系列人工智能模块,通过这些模块来完成与周围环境的交互并作出相应决策和动作。由于无人驾驶可预见的对传统汽车行业的重大冲击和变革,各国和各大公司不惜代价的研制相关技术,力争占据战略先机,也必将有力推动无人驾驶技术的不断发展。

4 总结与展望

移动机器人在人类社会各个领域中正日益发挥着越来越大的作用,也必将在未来发挥更大的作用。作为移动机器人技术中的基础和核心,移动机器人自主导航技术也不断取得发展和突破,但仍有巨大的发展空间。以下是一些对未来移动机器人自主导航技术发展的展望。

(1)在挑战性环境,如高动态,浓雾等环境下,目前的移动机器人自主导航技术尚不能很好的解决定位等关键技术问题。未来,移动机器人自主导航技术将会朝着能够适用于各种环境,尤其是复杂多变的挑战环境的方向发展。

(2)目前的自主导航方法大多仍基于传统方法,未来移动机器人自主导航技术将能够利用人工智能领域,比如强化学习,进化学习等方法来提高其导航性能和对环境的适应性。

(3)目前的移动机器人技术大多针对单一机器人,未来基于群机器人的自主导航方法将更注重决策和多机器人协调技术,从而能够更好地完成任务。

(4)未来机器人与人类之间的交互将变得越来越重要,人机共融也将成为移动机器人领域的研究重

参考文献:

[1] Salichs M A, Moreno L. Navigation of mobile robots: open questions[J]. Robotica, 2000, 18 : 227 - 234.

[2] Leonard J, Durrant W H. Mobile robot localization by tracking geometric beacons[J]. IEEE Transcations on Robotics and Automation, 1991 : 376 - 382.

[3] Qi C R, Liu W, Wu C, et al. Frustum point nets for 3d object detection from rgb-d data[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 918 - 927.

[4] W. HessM. Montemerlo, S. Thrun, D. Koller, B. Wegbreit, "FastSLAM: A Factored Solution to the Simultaneous Localization and Mapping Problem"[C]. In the Proceedings of the AAAI National Conference of Artificial Intelligence, Canada, 2002.

[5] D. Kohler, H. Rapp, D. Andor, Real-Time Loop Closure in 2D LIDAR SLAM, in Robotics and Automation (ICRA)[C]. 2016 IEEE International Conference on. IEEE, 2016. pp. 1271 - 1278.

[6] COX I J. Blanche: an experiment in guidance and navigation of an autonomous robot vehicle[C]. IEEE Transactions on Robotics and Automat ion, 1991, 7 ( 2 ): 193 - 204

[7] FOXD, BURGARDW , THRUN S. Markov localization for mobile robot in dynamic environments[C]. Journal of Artificial Intelligence Research, 1999, 11( 1 ) : 391 - 427.

[8] 李群明, 熊蓉, 褚健. 室内自主移动机器人定位方法研究综述[J]. 机器人, 2003, 25 ( 6 ).

[9] P. J. Besl and N. D. McKay. A method for registration of 3-D shapes[C]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 14(2):239 - 256, Feb 1992. 1.

[10] P. Biber and W. Stra.er. The normal distributions trans- form: A new approach to laser scan matching[C]. In Proceed- ings 2003 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), volume 3, pages 2743 -2748, 2003.

[11] Weixin Lu, Yao Zhou, Guowei Wan, Shenhua Hou, Shiyu Song. L3-Net: Towards Learning based LiDAR Localization for Autonomous Driving[J]. In CVPR, 2019.

[12] Cortés J, Jaillet L, Siméon T. Molecular Disassembly With RRT-Like Algorithms. Robotics and Automation[C]. 2007 IEEE International Conference on. IEEE, 2007: 3301 - 3306.

[13] Chong-Hao W U, Ban X J. Research on path-planning of virtual characters in computer animation[J]. Journal of Computer Applications, 2008, 28 ( 2 ) : 315 - 310.

[14] Ma Y, Wang H, Xie Y, et al. Path planning for multiple mobile robots under double-warehouse[J]. Information Sciences, 2014, 278 : 357 - 379.

[15] D. Wooden, M. Egerstedt. Oriented visibility graphs: low-complexity planning in real-time environments[C]. Proceedings 2006 IEEE International Conference on Robotics and Automation, 2006. ICRA 2006., Orlando, FL, 2006, pp. 2354 - 2359.

[16] Y. F. Chen, M. Everett, M. Liu and J. P. How. Socially aware motion planning with deep reinforcement learning, [C]. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Vancouver, BC, 2017, pp. 1343 - 1350.

[17] Banzhaf, Holger & Sanzenbacher, etc. (2019). Learning to Predict Ego-Vehicle Poses for Sampling-Based Nonholonomic Motion Planning[C]. IEEE Robotics and Automation Letters. PP. 1-1. 10.1109/LRA.2019.2893975.

[18] Zheng Fang, Shichao Yang, etc. Robust Autonomous Flight in Constrained and Visually Degraded Shipboard Environment[J]. Journal of Field Robotics, 34 ( 1 ) : 25 -52, 2017.

[19] Bry, A., Richter, C., Bachrach, A., and Roy, N. Aggressive flight of fixed-wing and quadrotor aircraft in dense indoor environments[J]. The International Journal of Robotics Research, 34 ( 7 ) : 969 - 10, 2015.

[20] F. A. Auat Cheein and R. Carelli. Agricultural Robotics: Unmanned Robotic Service Units in Agricultural Tasks[C]. in IEEE Industrial Electronics Magazine, vol. 7, no. 3, pp. 48 - 58, Sept. 2013.

[21] Bhusal, Santosh & Khanal, Kapil & Karkee, Manoj & Zhang, Qin. Cane Detection and Localization for Automated Cane Management in Red Raspberry Plant[C]. IEEE ICRA, 2018.

[22] C. McCool, T. Perez and B. Upcroft. Mixtures of Lightweight Deep Convolutional Neural Networks: Applied to Agricultural Robotics[C]. in IEEE Robotics and Automation Letters, vol. 2, no. 3, pp. 1344 - 1351, July 2017.

[23] Le, Tuan D, Ponnambalam, Vignesh R, Gjevestad, Jon G. O, From, P.l J,“A low-cost and efficient autonomous row-following robot for food production in poly tunnels”[J]. Field Robotics,1556 - 4959,May 2019.

[24] George A. Bekey. Autonomous Robots: From Biological Inspiration to Implementation and Control[M]. MIT Press, February 2017.

[25] 熊光明,赵涛,龚建伟, 等.服务机器人发展综述及若干问题探讨[J].机床与液压,2007,35 ( 3 ) : 212 - 215.

[26] 徐国保,尹怡欣,周美娟.智能移动机器人技术现状及展望[J].机器人技术与应用,2007 ( 2 ) : 29 - 34.

[27] 胡中为,王尔康.行星科学导论[M].南京: 南京大学出版社,1998.

[28] 刘进长,王全福.发展机器人技术,占领21世纪的经济技术制高点[J].中南工业大学学报, 2000 : 10 - 14.

[29] 李硕,刘健,徐会希,等.我国深海自主水下机器人的研究现状[J].中国科学:信息科学,2018,48(09) :36 - 48.

[30] Zhang H W, Hao L, Wang Y H, et al. The general design of a seafloor surveying AUV system[J]. In: Proceedings of OCEANS, 2014.

[31] Jesse Levinson, Jake Askeland, Jan Becker, etc. Towards fully autonomous driving: Systems and algorithms[C]. 2011 IEEE Intelligent Vehicles Symposium (IV), 2011

[32] Sebastian Thrun and Michael Montemerlo, etc. Stanley: The Robot that Won the DARPA Grand Challenge[J].Journal of Field Robotics, 23 ( 9 ) : 661 - 692.

作者简介:

方正(1981-),男,安徽寿县人,副教授,博士生导师,工学博士,现任职于东北大学机器人科学与工程学院,研究方向是自主移动机器人、环境感知、自主导航等。

吴成东(1960-),男,辽宁大连人,教授,博士生导师,工学博士,现任职于东北大学机器人科学与工程学院,研究方向是计算机视觉、模式识别等。

摘自《自动化博览》2019年8月刊

热点新闻

推荐产品

x
  • 在线反馈
1.我有以下需求:



2.详细的需求:
姓名:
单位:
电话:
邮件: