近30年來，無論是在學術(shù)界還是工業(yè)界，機器人領(lǐng)域都得到了快速發(fā)展。雖然已經(jīng)取得了大量的研究進展，但機器人的實際應用還相當有限。大多數(shù)部署的機器人要么是工作在特殊的、或?qū)�控制要求很高的環(huán)境中（如工廠裝配線上的機械臂，或大型倉庫中的自動導引車），要么是功能單一的微型機器人（如機器人吸塵器，或智能無人機）。其他類型的機器人系統(tǒng)要么還在學術(shù)研究中，要么只在少數(shù)試驗性的地方運行，包括自動駕駛車、服務機器人（用于酒店、購物中心等）、包裹運送機器人、緊急救援機器人等。阻礙機器人廣泛應用的因素主要有兩個：制造成本和技術(shù)成熟度。

IROS2019發(fā)表的論文“Perception System Design for Low-Cost Commercial Ground Robots: Sensor Configurations, Calibration, Localization and Mapping”提出一個product—ready機器人感知系統(tǒng)，設(shè)計穩(wěn)定并具有長遠性的自動化設(shè)備來解決這個問題，包括傳感器的選擇和配置，以及算法和實現(xiàn)。特別地，此低成本系統(tǒng)利用了一個單目相機，一個短程二維激光測距儀，車輪編碼器和慣性測量單元。相對于“最簡單”的設(shè)計角度（用最少的傳感器數(shù)量實現(xiàn)自動化機器人[1][2][3]），此系統(tǒng)傳感設(shè)置相對復雜，但理論上的困難不大。但是，從冗余傳感和實際應用的角度來看，設(shè)置的4個傳感器具有互補性的特點，能夠?qū)崿F(xiàn)機器人的穩(wěn)健運行，理論問題極少，故障率也很低。成本方面，完整的傳感器設(shè)備只需300美元左右(量產(chǎn)時甚至低至100美元)，而且我們提出的在線算法只需要一個現(xiàn)代ARM處理器的一個內(nèi)核就可以完成。本文的另一個關(guān)鍵貢獻是詳細的算法設(shè)計和有效的實現(xiàn)，使移動機器人能夠自主移動以進行“在任何地方的應用”。特別是我們提出了一個單步廠內(nèi)批量校準算法，能夠有效、準確地校準傳感器的內(nèi)部和外部參數(shù)；通過緊密耦合的傳感器融合實現(xiàn)的定位算法，用于執(zhí)行區(qū)域探索、重新定位和傳感器在線校準；映射算法，生成精確的混合地圖，用于商用機器人的長期部署。該文在算法設(shè)計上，并沒有把重點放在“數(shù)學新穎”，而是從“系統(tǒng)設(shè)計”上下功夫，推動低成本商用機器人走向現(xiàn)實。

1、相關(guān)工作

根據(jù)機器人傳感器系統(tǒng)和算法的設(shè)計，相關(guān)工作可以分為兩類：一類是依靠數(shù)量最少的傳感器（一個或兩個）[1][2][3][4][5]，另一類是使用多個傳感器的，類似于我們的傳感器，但有其自身的局限性[6][7][8][9]。

A. 具有最少(1-2個)傳感器的系統(tǒng)

在機器人系統(tǒng)中使用的各種傳感器中，攝像頭（RGB相機或深度相機）和激光測距儀（單光束或多光束）是最受歡迎的傳感器，通過這些傳感器設(shè)計出了各種自主的算法。這些傳感器可以支持機器人在適當?shù)沫h(huán)境下完全自主。例如，攝像頭在3-30Hz下可以提供對周圍環(huán)境的密集感知，其感知信息可用于進行3D SLAM[2][10]。攝像機在體積、成本和功率方面的優(yōu)勢使其易于集成到不同類型的機器人，甚至是微型機器人中[2]。深度攝像機也可以作為機器人的主要傳感器，提供定位、繪圖、避障等功能[5][11]。與深度相機相比，LRF通常具有更大的視野（FOV）和更長的感應距離，因此也被廣泛應用于商業(yè)機器人[1][4]。此外，由于近年來MEMS技術(shù)的發(fā)展，相機往往與IMU集成在一起。這使得機器人在劇烈運動或挑戰(zhàn)性的環(huán)境下，具有更好的比例估計能力，同時也有更好的系統(tǒng)穩(wěn)定性[3][12][13]。類似地，LRF傳感器也可以借助于IMU，實現(xiàn)性能的提升[14]。研究人員還致力于將IMU與車輪編碼器集成在一起，在缺乏外在感受器的傳感器長期使用，而產(chǎn)生不可避免的漂移時，產(chǎn)生準確的死角估計[15]。

B. 帶有冗余多傳感器系統(tǒng)的系統(tǒng)

目前，自動駕駛是最具挑戰(zhàn)性的機器人研究項目之一，通常情況下，自主駕駛汽車會配備精確但昂貴的GNSS-INS系統(tǒng)、數(shù)十臺雷達傳感器、多個RGB攝像頭和多個多光束LRF [6]。為了使類似級別的自動駕駛汽車更具有經(jīng)濟性和可行性，開發(fā)出了依靠相機和3D感應LRF的系統(tǒng)，以代替昂貴的GNSS-INS系統(tǒng)[7][16]。在這些系統(tǒng)中，3D感應LRF要么采用成本較高的多光束LRF，要么采用旋轉(zhuǎn)2D LRF，但其應用在商業(yè)機器人時也有其自身的局限性（如旋轉(zhuǎn)轉(zhuǎn)子的價格和生命周期、機器人工業(yè)和結(jié)構(gòu)設(shè)計的挑戰(zhàn)等）。要開發(fā)地面機器人，車輪編碼器是低成本但高效的傳感器。然而，大多數(shù)利用車輪編碼器的系統(tǒng)只關(guān)注于具有平坦表面的環(huán)境[9][8]。紅外和超聲波傳感器在機器人系統(tǒng)中也得到了廣泛的應用。雖然它們可以用于定位和測繪，但由于精度和分辨率較低，主要用于避障[17]。本文提出了我們的機器人感知系統(tǒng)設(shè)計，由攝像頭、單光束LRF、IMU和車輪編碼器組成。這樣的系統(tǒng)成本較低，可以保證在大多數(shù)常見的環(huán)境下（“任何位置”）的穩(wěn)健性能。這些都是上述任何一種系統(tǒng)無法同時實現(xiàn)的目標。

 

2、傳感器的配置分析

傳感器配置和討論 機器人傳感器可分為兩種類型：本體感覺傳感器（測量機器人自身的運動）和外部感覺傳感器（感知周圍環(huán)境）。為了發(fā)揮其互補的感知能力，機器人通常配備本體感受和外感傳感器。

1）本體感覺傳感器。

由于IMU和車輪編碼器具有互補性，因此本設(shè)計集成了IMU和車輪編碼器。IM/U可以測量高幀率（≥100Hz）下移動框架的角速度和比力（重力影響的局部線性加速度），其測量結(jié)果可用于描述機器人在3D空間中的運動。雖然IMU在機器人應用中得到了廣泛的應用，但由于其性質(zhì)，即使與其他傳感器融合，也有一定的局限性。有幾種情況會導致運動估計失敗。例如，機器人靜止、以恒定的圓周速度或直線速度運動等[3][18]。此外，由于IMU不能直接獲得線性速度估計，當機器人在具有挑戰(zhàn)性的環(huán)境中導航時，迭代估計器的本地化估算值可能會始終落入局部最小值，從而導致估計性能低下，甚至出現(xiàn)發(fā)散[19]。然而，這些挑戰(zhàn)都可以通過集成車輪編碼器來克服，因為車輪編碼器直接提供速度估計。另一方面，車輪編碼器只能對機器人在二維平面上的運動進行表征。這些互補的特性使IMU和車輪編碼器成為一對完美的本體感知傳感器，而且它們的成本都很低。

表I顯示，當IMU和車輪編碼器融合在一起時，運動估計效果顯著提高。

2）外窺式傳感器

一種短距離低成本的2D LRF和一個單目攝像頭通過設(shè)計集成�；�于視覺的機器人系統(tǒng)可以在其捕獲的圖像包含足夠多的靜態(tài)的、可區(qū)分的信息（例如，稀疏的特征點[12]、半密集點云[10]、CNN特征等[20]）時成功地工作。雖然大多數(shù)情況下如此，但仍然有很多環(huán)境不符合這個假設(shè)，尤其是建筑物內(nèi)部和跨建筑物的環(huán)境（黑暗的環(huán)境、場景少、移動物體多、光照條件變化等）。另一方面，LRF具有較大的FOV（200-360度），并且在光照條件下具有很強的魯棒性，并具有豐富的環(huán)境特征。低成本的LRF的弱點是檢測范圍短（不能用于室外導航）、無法捕捉3D信息、噪聲大。前兩個問題可以通過相機很好地彌補，而第三個問題可以通過基于概率估計的傳感器融合來改善。

3）完整的設(shè)計 

眾所周知，本體感知傳感器和外部感知傳感器提供的信息是互補的，因此兩者的集成可以提高機器人感知系統(tǒng)的性能。因此，我們在設(shè)計機器人時，將上述傳感器一起設(shè)計，即攝像頭、LRF、IMU、車輪編碼器。構(gòu)建機器人感知系統(tǒng)需要考慮好的另一個關(guān)鍵因素是傳感器與傳感器的剛性連接和精確的時間同步。雖然可以設(shè)計算法來在線估計時空校準參數(shù)[12]，但可能會影響系統(tǒng)性能，引入使用風險，因此我們把這一點作為對制造商的強烈要求。

3、實驗與結(jié)果

結(jié)果表明，在室內(nèi)和室外場景中，部署的“IMU和車輪編碼器融合”比其他替代方案有很大的優(yōu)勢。在室內(nèi)，平均定位誤差為5cm左右，室外為35cm左右。此外，還進行了全自動機器人系統(tǒng)的實驗。搭載感知系統(tǒng)的機器人可以通過帶有規(guī)劃和控制模塊的預定路徑，進行自主導航。2019年2月14日-24日期間，在阿里巴巴西溪園區(qū)內(nèi)進行了共計84次測試，室外總行程16.7公里（見圖2）。在測試過程中，僅有一次失去本地化時進行了人為干預（這是由于我們的軟件不成熟造成的）。通過以上對比，可以看出所提出的方法的有效性。另一方面，當執(zhí)行同樣的任務時，甚至在一天內(nèi)多次需要人工干預[8]。此外，當運行在Nvidia Jetson TX2上時，所提出的定位算法只占用一個ARM內(nèi)核（相當于A73），并且達到優(yōu)化操作平均35毫秒，而平均關(guān)鍵幀頻率低于5Hz。這表明所提出的方法可以很容易地在低成本的處理器上實時運行。

查看更多相似文章