国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

摘要：移動機器人在軍事、工業、農業、商業、交通、物流等領域有著廣泛的應用前景。目前，制約移動機器人廣泛使用的一個核心問題是移動機器人的自主導航能力。本文首先闡述了移動機器人自主導航相關的核心技術，分析了目前的技術現狀以及未來發展趨勢；之后，本文討論了移動機器人幾個典型領域的應用情況；最后對未來移動機器人自主導航技術的挑戰進行了分析，指出了未來的一些發展方向。

關鍵詞：移動機器人；自主導航；環境感知；自主定位；運動規劃

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

隨著機器人技術的發展，越來越多的機器人被用來代替人類完成簡單重復、危險的工作。由于機器人自身具有高效率、無間隙工作的特點，從而能夠極大地促進生產力，在人類社會中正發揮著越來越重要的作用。傳統的工業機器人大多被固定在生產線上，利用機械手臂來完成裝配等簡單任務。而現實中仍有大量的任務需要機器人能夠具備空間移動能力，比如服務業、自動駕駛等領域，因此移動機器人由于具有更大的使用靈活性 使其逐漸成為機器人領域的研究焦點。

理想的移動機器人應具有以下能力：當處于一個未知的、復雜的、動態的非結構化環境中時，能夠在沒有人干預下的情況下，通過自身所帶的傳感器來感知環境，到達期望的目的地，同時保證時間最少或能量消耗最低等^[1]。因此，移動機器人只有具備自主導航能力，才能夠進一步完成所設定的任務。自主導航技術無疑是移動機器人技術中最為基礎和核心的技術。近年來，自主導航技術也在實際應用需求的推動下不斷地取得突破和進展。本文將聚焦自主導航技術的發展及移動機器人應用領域，并對其未來發展方向進行展望。

2　自主導航關鍵技術

為了實現移動機器人在未知動態環境中的自主導航，移動機器人需要解決三個基本問題^[2]，即“我在哪里？”、“我的周圍都什么樣？”、“我下一步該怎么做？”。為了解決這三個核心基本問題，就涉及到環境感知、地圖創建、自主定位、運動規劃等一系列核心技術。

2.1　環境感知

移動機器人的環境感知技術，即通過移動機器人自身攜帶的傳感器感知周圍環境，并對獲得的環境數據進行處理以得到周圍環境的具體信息（包括特征信息與位置信息）的過程。在未知環境地圖和未知初始位置的前提下，移動機器人必須首先依靠自身攜帶的傳感器感知外部環境的信息，才可以進一步完成位置確定、地圖構建與路徑規劃等任務。因此環境感知是移動機器人自主導航技術的基礎與關鍵。

根據所用傳感器的不同，移動機器人感知環境的方法可分為基于聲吶、基于激光雷達、基于視覺與融合多傳感器的環境感知等。聲吶通過聲波的傳播時間來判斷物體的距離信息，在水下傳播的速度較快且不會如相機和激光雷達傳感器那樣受到水介質本身的干擾，因此基于聲吶的環境感知方法被廣泛地應用于水下機器人領域。與聲納傳感器相比，激光傳感器使用的光信號傳播速度更快，抗干擾性更好，因此測得的環境信息更加準確。與聲納、激光傳感器相比，相機重量輕、價格低廉、可以獲得更加豐富的環境信息且無需主動發出信號，因此被廣泛應用于無人機、無人車等領域。隨著深度學習技術的快速發展，部分研究者通過深度學習方法提取圖像的語義信息來完成對環境的感知。近年來，基于多傳感器融合的環境感知方法也受到了許多研究者的關注和重視。如Qi等^[3]從融合激光雷達點云數據與圖像數據中提取語義信息來實現三維空間下環境感知任務。隨著深度學習的迅速發展，基于深度學習的圖像和點云特征提取方法引起科學界的廣泛關注。通過深度學習方法提取到的深層次語義特征具有準確度高、提取速度快、穩定性好的特點。因此越來越多的移動機器人通過基于深度學習的方法來從圖像與點云中提取深層次的語義特征以感知周圍環境。而在傳感器類型的選擇上，由于機器人往往工作在復雜多變的環境中而單一傳感器的應用范圍有限，因此基于多傳感器融合的環境感知與自主導航方法成為了當前研究的熱門問題。

2.2　地圖創建

要想使機器人可以自由安全的進行移動，地圖信息必不可少的。建圖實質是運動過程對環境的描述，所構建地圖形式分為度量地圖和拓撲地圖等。度量地圖又可以分為稀疏地圖和稠密地圖。

其中，稀疏地圖對環境進行了一定的抽象表達，不能表達周圍環境所有信息，通常用于快速定位與導航，具有較快的計算能力。拓撲地圖由節點和邊兩種元素組成，主要表達地圖元素之間的連通性。傳統的構建地圖的方法大致可分為濾波方法^[4]和優化方法^[5]兩類。近幾年基于多傳感器融合，如激光雷達，相機，IMU融合的建圖方法逐漸成為發展的一個重心，通過多種傳感器的信息來增加機器人建圖的魯棒性，獲得更加精準，信息更加豐富的地圖。未來基于更多新型傳感器的建圖技術也將應運而生，例如紅外相機、毫米波雷達等新型傳感器等。

2.3　自主定位

定位問題是實現移動機器人自主移動能力的基本問題^[6]。依據完成任務要求的不同，可以將移動機器人定位問題分為位姿跟蹤、全局定位、綁架問題^[7]。所謂自主定位就是機器人利用先驗環境地圖信息、機器人位姿的當前估計以及傳感器的觀測值等輸入信息，經過一定的運算產生更加準確的對機器人當前位姿的估計^[8]。

定位方法根據所采用傳感器不同可以分為：激光定位、視覺定位、紅外定位、組合慣導定位、超聲波定位、Wi-Fi定位、藍牙定位、UWB定位等。一般情況下，基于單一傳感器的定位在復雜環境中，其精度與魯棒性難以保證，而多傳感器融合則克服了單一傳感器的缺陷，能夠在具有挑戰性的環境中實現高精度定位和強魯棒性。在移動機器人的自主定位中，最為廣泛使用的傳感器就是激光雷達。傳統的激光雷達定位方法主要基于幾何信息，依賴幾何約束來估計車輛的運動。最直接的方法是應用點云配準算法來解決運動問題。常見配準算法有迭代最近點（ICP）^[9]，G-ICP和正態分布變換（NDT）^[10]。但是，這些配準方法對初始猜測非常敏感，且它們在沒有豐富幾何信息的場景中容易定位失敗，例如高速公路或其他開放空間。近年來，也有人提出了一種基于學習的新型雷達定位系統^[11]，可實現厘米級的定位精度。傳統的定位方法與學習的定位方法在場景較為簡單的城市街道、園區環境，精度和魯棒性都取得了良好的效果，但在環境多變的野外下，定位問題還存在諸多挑戰。此外，在多變的室外場景下，需要不斷地維護更新地圖才能達到良好的定位效果。

2.4　運動規劃

路徑規劃即在現實環境中，機器人根據先驗的地圖環境信息以及自身傳感器實時感知的周圍動態環境信息，綜合一定的評價指標搜索出一條能夠連接起始點與目標點，且在一定指標下具有最優性的軌跡曲線，并且保證機器人在沿著這條曲線運動的過程中能夠實時避開環境中的動態障礙物，順利到達目標點。

由于近幾年來大量學者與研究機構參與到機器人技術的研究中來，路徑規劃技術同樣也得到了飛速的發展。現階段，路徑規劃技術已不僅僅應用于工業自動化生產和移動機器人領域，其在計算機輔助設計、卡通設計、醫療手術、分子生物學、貨物倉儲、農林監測、災害現場救援等領域也有了極其廣泛的應用^[12~14]。到目前為止，路徑規劃技術已經有了近60多年的發展歷程。在此期間，種類繁多的路徑規劃算法被相繼提出。近年來，基于傳統的搜索和采樣的算法依然層出不窮，除此之外基于學習的規劃方法也吸引了多數研究者研究，包括傳統與學習混合的方法。其中傳統搜索方法包括基于可視圖搜索算法^[15]和基于柵格地圖的搜索算法；基于采樣的算法包括基于概率路線圖和基于隨機搜索樹的方法；基于學習的方法包括基于強化學習的社會意識運動規劃^[16]等；傳統與學習混合的方法包括基于采樣的非完整運動規劃中自我車輛姿態預測的學習方法^[17]。在未來，路徑規劃方法可能會更多的將機器學習和傳統優化、搜索方法相結合來實現性能更優的路徑尋優。

3　移動機器人的應用領域

移動機器人是一個集環境感知、動態決策與規劃、行為控制與執行等多功能于一體的綜合系統。隨著機器人性能不斷地完善，移動機器人的應用范圍也不斷擴展，不僅在工業、農業、醫療、服務等行業中得到廣泛的應用，而且在城市安全、國防和空間探測領域等有害與危險場合也得到了很好的應用。

3.1　航空領域

無人機是一種非常典型的空中移動機器人^[19~20]。在航空領域，無人機技術的應用正在日趨成熟。無人機航拍具有高清晰、小面積、大尺度等優勢，往往能完成許多其他工具無法完成的拍攝；在一些極其復雜的環境之下，引入無人機將大大降低高空作業的難度和風險；無人機巡檢在快速處理簡易交通事故、疏解城市交通、監控視頻盲區、管理鄉村主次干道等工作中能夠發揮重要作用；無人機充當中繼站，能夠從地面上的同頻道收集用戶消息，并將它們轉發給其他地面用戶或遠程基站。隨著無人機技術的不斷發展，特別是隨著自主無人機技術的不斷發展與成熟，無人機應用領域也在逐漸擴大。未來無人機領域將朝著規范化、專業化、系統化的方向發展，不僅將在民用領域給予人們更多的選擇，而且將在交通、通信、軍事等其他領域扮演更重要的角色。

3.2　農業領域

農業正在迅速成為令人振奮的高科技產業，吸引更多專業人士、公司和投資者。農業機器人技術的迅速發展不僅能夠提高農民的生產能力，而且能夠提高機器人技術及其自動化技術。從無人車到自動拖拉機再到機器人手臂，農業機器人技術在機器人技術的發展下不斷取得突破。自動駕駛車輛作為精準農業的應用平臺^[20]，能夠完成農場環境下的感知、建圖、定位導航；移動機器人還可以用來進行紅樹梅枝干檢測定位、修剪和捆綁^[21]等。此外，還有一些農作物識別與自主跟隨機器人也成功的應用于農業領域^[22~23]。但是，農業機器人技術也面臨著許多獨特的挑戰，它是機器人技術、視覺技術、自動化操作技術和農作物科學的交叉融合研究領域，仍然有很多挑戰性問題需要進一步解決。

3.3　服務領域

機器人技術是多種技術的集成，它的進步取決于其他領域的發展，特別是計算機、信息處理、傳感器和驅動器、通信和網絡等^[24~26]。服務機器人的發展與所處的機器人行業密切相關。從其應用場景進行劃分，智能服務機器人可以分為面向家庭的消費類服務機器人以及面向公共商用環境的商用服務機器人兩大類。在商用領域，機器人被應用在商場、酒店、辦公樓等場合，充當著迎賓、送餐、安保安防、醫療輔助等角色，輔助傳統產業智能升級。但是，目前消費類的服務機器人應用還比較少，現階段最為成功的消費級服務機器人就是家庭用的掃地機器人。未來，隨著服務機器人需求的不斷擴大和服務機器人技術的發展，服務機器人將會遍及社會各個角落，每個人都能感受到服務機器人應用帶來的便捷。

3.4　深空和深海探測

探索太空對人類具有重大的科學價值和商業價值。各國都爭先恐后地制定探索太空的戰略部署，力爭在太空競爭中占據優勢。其中行星探測機器人是著陸探測和取回樣品到實驗室分析的有力工具，有利于提高一個國家的國防實力和國際地位^[27~28]。目前各國都在積極研制新型行星探測機器人，具備高級移動和越障能力，良好操作能力的更智能自主化的機器人將成為研究的熱點。深海自主水下機器人在幫助人類探測深海極端環境中正發揮著越來越大的作用。深海自主水下機器人通常具有良好的流體外形，如魚雷形、立扁形等，減少其航行時阻力，提高其續航力，同時可搭載聲學、光學和海洋環境測量載荷，執行多種探測任務^[29]。自20世紀50年代美國華盛頓大學研制世界上首臺自主水下機器人以來, 自主水下機器人的發展經歷了60多年的歷程。

20世紀90年代后期, 隨著計算機技術發展和電子技術的日益成熟，自主水下機器人進入快速發展階段，一批有影響的自主水下機器人相繼研制成功并得到成功應用^[30]。隨著海洋經濟的發展和軍事需求的增加以及水下機器人技術的日漸成熟，水下機器人將向遠程化、智能化發展，建立機器人相互間及機器人與人之間的通信與磋商機理，完成群體行為控制、監測與管理及故障診斷，實現群體作業。

3.5　無人駕駛

隨著人類文明程度的不斷進步和科學技術水平的不斷發展，人們對物質生活的要求逐漸提升，無人駕駛車輛正越來越多地受到人們的關注與重視。無人駕駛車輛是一種具有自主駕駛行為的車輛^[31-32]。它在傳統車輛的基礎上加入了精確定位、環境感知、高精度地圖、運動規劃和行為控制等一系列人工智能模塊，通過這些模塊來完成與周圍環境的交互并作出相應決策和動作。由于無人駕駛可預見的對傳統汽車行業的重大沖擊和變革，各國和各大公司不惜代價的研制相關技術，力爭占據戰略先機，也必將有力推動無人駕駛技術的不斷發展。

4　總結與展望

移動機器人在人類社會各個領域中正日益發揮著越來越大的作用，也必將在未來發揮更大的作用。作為移動機器人技術中的基礎和核心，移動機器人自主導航技術也不斷取得發展和突破，但仍有巨大的發展空間。以下是一些對未來移動機器人自主導航技術發展的展望。

（1）在挑戰性環境，如高動態，濃霧等環境下，目前的移動機器人自主導航技術尚不能很好的解決定位等關鍵技術問題。未來，移動機器人自主導航技術將會朝著能夠適用于各種環境，尤其是復雜多變的挑戰環境的方向發展。

（2）目前的自主導航方法大多仍基于傳統方法，未來移動機器人自主導航技術將能夠利用人工智能領域，比如強化學習，進化學習等方法來提高其導航性能和對環境的適應性。

（3）目前的移動機器人技術大多針對單一機器人，未來基于群機器人的自主導航方法將更注重決策和多機器人協調技術，從而能夠更好地完成任務。

（4）未來機器人與人類之間的交互將變得越來越重要，人機共融也將成為移動機器人領域的研究重

參考文獻：

[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. 室內自主移動機器人定位方法研究綜述[J]. 機器人, 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,趙濤,龔建偉, 等.服務機器人發展綜述及若干問題探討[J].機床與液壓,2007,35 ( 3 ) : 212 - 215.

[26] 徐國保,尹怡欣,周美娟.智能移動機器人技術現狀及展望[J].機器人技術與應用,2007 ( 2 ) : 29 - 34.

[27] 胡中為,王爾康.行星科學導論[M].南京: 南京大學出版社,1998.

[28] 劉進長,王全福.發展機器人技術,占領21世紀的經濟技術制高點[J].中南工業大學學報, 2000 : 10 - 14.

[29] 李碩,劉健,徐會希,等.我國深海自主水下機器人的研究現狀[J].中國科學:信息科學,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.

作者簡介：

方正（1981-），男，安徽壽縣人，副教授，博士生導師，工學博士，現任職于東北大學機器人科學與工程學院，研究方向是自主移動機器人、環境感知、自主導航等。

吳成東（1960-），男，遼寧大連人，教授，博士生導師，工學博士，現任職于東北大學機器人科學與工程學院，研究方向是計算機視覺、模式識別等。

摘自《自動化博覽》2019年8月刊