没有合适的资源?快使用搜索试试~ 我知道了~
移动机器人长期自主环境适应研究进展和展望.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 136 浏览量
2023-02-23
20:13:55
上传
评论
收藏 302KB DOCX 举报
温馨提示
试读
23页
移动机器人长期自主环境适应研究进展和展望.docx
资源推荐
资源详情
资源评论
近年来, 随着机器人产业的快速发展, 多种类的移动机器人正逐步从实验室走进人类
的生活
[1]
.这意味着移动机器人的工作环境发生了由单一的实验测试场景到复杂的真实人类
世界的巨大转变, 同时其工作时间也由有限的周期性测试转变为连续的长期运行.相比相对
稳定的测试场景, 真实世界会存在动态干扰、光照条件变化、天气季节转变、环境改造等
诸多不确定性因素.真实世界中这些渐进或剧烈的环境变化给机器人环境感知与行为决策带
来巨大的挑战.如何使移动机器人适应真实世界中复杂多样的变化, 保证其长期自主环境适
应能力是长久以来国内外学者密切关注的挑战性研究问题
[2-3]
.
在移动机器人领域, 对一个机器人系统进行长期自主环境适应性的测试与验证, 其必
要条件是测试周期必须要完整覆盖其工作环境的周期性变化
[4-7]
.对于工作在室内环境的移动
机器人系统, 其工作周期通常以天为单位, 因此通常通过连续多周期的测试来验证系统的稳
定性.而对于工作在室外开放环境下的移动机器人系统, 因为光照、季节以及人为干扰等环
境条件的改变, 环境的表象、场景结构乃至于景物的分布均会发生不同程度的变化, 因此与
之对应的测试周期要以年为单位, 也就是要历经不同天气、季节等诸多环境条件的检验.
真实世界中复杂的环境条件变化对地图构建与维护、重定位及场景理解等移动机器人
基础的自主行为能力带来巨大的挑战.例如, 环境的表象及结构变化导致移动机器人对环境
当前的观测与先前构建的地图发生矛盾, 致使先验地图失效; 移动机器人在不同时间重复访
问同一场景时, 光照、季节等环境条件的变化或城市设施改建等人为因素会导致其两次对
场景的观测不一致, 进而导致其重定位的失败; 真实世界环境中存在大量的行人及车辆, 且
其行为存在偶然性与不确定性, 这给移动机器人尤其是高速移动机器人的自主导航造成巨
大的挑战; 移动机器人的场景理解主要是对其所处环境进行目标检测、语义分割及语义关
联等任务, 光照、季节等环境条件及对环境观测视角等的改变都会降低场景理解相关任务
的准确性.
要保证移动机器人在长期运行中具有良好的环境适应能力, 则主要需要其在地图构建
与动态维护
[8]
、重定位
[9]
和自主场景理解
[10]
这三方面行为任务均能够长期有效应对环境条件
变化.因此本文主要从这三方面分析论述移动机器人长期自主环境适应的研究进展与前沿动
态.
1. 移动机器人地图构建与动态维护
移动机器人在人工设计的实验室测试场景中的地图构建方法
[11-16]
已被广泛研究, 也已
趋于成熟.但这些传统方法大都默认环境的外观和结构是基本不变的, 因此移动机器人基于
先验地图来完成定位及导航等相关任务.此外, 早期针对动态环境的地图构建方法
[17-20]
将移
动物体看作环境中离群数据, 进而从观测数据中过滤或跟踪移动的物体.但它们还是基于机
器人所处环境的外观与结构是静态不变的假设, 这种假设使得这类方法在环境表象或结构
会发生巨大变化的真实世界中不再适用.
由于目前尚无统一的地图构建框架可以在多种类场景中均具有通用性, 基于近年来相
关文献查阅结果
[21-22]
, 我们将移动机器人的工作场景大致分为功能单一的封闭环境、高度动
态的室内环境和大范围室外开放环境.
1.1 功能单一的封闭环境
诸如仓库、停车场等小范围功能性场所是现阶段移动机器人有较多成功应用案例的环
境.这类场景最大的特点就是环境模型发生着频繁的变化, 如货物装卸及车辆流动所导致的
环境改变. 图 1 摘自文献[23], 其显示了不同时刻车辆流动给停车环境带来的明显变化.研究
学者将该环境中的物体定义为三类:静态物体、半静态物体和动态物体, 其中半静态物体
(Semi-static)是指货物、车等可能被移动的静态物体.功能单一的封闭环境中半静态物体位置
的改变可能导致机器人先前构建的地图过时失效, 进而致使机器人定位的失败甚至造成严
重的后果.如何应对半静态物体位置变化对构建环境模型的冲击及动态障碍的干扰, 是实现
移动机器人在该类环境下长期稳定自主运行的关键.
图 1 不同时间下的停车场
[23]
Fig. 1 The same parking lot at different time
[23]
下载: 全尺寸图片 幻灯片
Meyer-Delius 等
[24]
利用临时的局部地图(Temporary local maps)表述来跟踪因半静态物
体位置改变而造成的异常观测.虽然该方法仍是基于环境静态不变性假设的, 但其当环境改
变时便建立临时的局部地图对环境变化进行表述并对原始先验地图进行临时扩展, 然后依
赖扩展后的地图利用粒子滤波算法估计机器人位姿.实验显示通过检测由半静态物体引起的
异常观测, 可有效提高机器人定位的鲁棒性.
针对此类功能相对单一的结构化封闭场景, 基于概率估计模型的构图和定位方法体现
出良好的优越性. Saarinen 等
[25]
提出一种基于栅格模型的动态环境构图方法.该方法将每个栅
格定义为拥有两个状态的独立马尔科夫链, 并利用基于近因权重(Recency weighting)的策略
在线学习状态转换模型参数.这种基于概率的栅格地图不仅可以表述栅格是否被占用, 同时
还可以对栅格动态进行建模.同样基于概率估计模型, Tipaldi 等
[23]
利用二维栅格的隐式马尔
科夫模型来表述被占有栅格的动态属性.通过利用观测数据对表述模型参数的训练学习, 该
方法可有效辨别动态、半静态和静态等不同物体的动态属性.作者利用该方法有效对停车场
环境进行地图构建和动态维护.
Biswas 等
[26]
提出基于插曲(Episodic)的非马尔科夫过程定位方法, 该方法在整个机器人
的运动轨迹中估计观测数据的置信度以及观测数据置信度与地图中未存储的静态物体、动
态物体和存储的静态物体之间的关联.机器人在长期运行过程中从观测数据中提取长期特征
来匹配静态地图, 提取短期特征用于匹配历史观测中的短期特征.与文献[15]和[16]两种方法
相比, 该方法在停车场等数据集上取得了更好的表现效果.
Saarinen 等
[7]
提出了一种新颖的在线地图构建方法.作者结合了 NDT (Normal
distributions transform)和占用栅格(Occupancy grid)两种常用的地图表述模型的优势: NDT 地
图模型表述简洁高效, 能实现在线的地图构建, 但是不具备占用栅格地图可被递归更新的特
性; 占用栅格可被递归更新, 并根据重复的观测释放或占用栅格空间, 这种特性可有效表述
环境的变化.该方法在某牛奶生产车间持续 17 个小时的测试中显示出其良好的表现.
1.2 高度动态的室内环境
近年来, 家庭服务、银行导引、餐厅送餐等多种类服务机器人产品陆续推向市场.与仓
库、停车场等功能单一的场所相比, 家庭、办公室及餐饮场所等生活场景的组成元素更加
多样化, 同时还存在诸如门窗开闭、家具移动及行人无规则运动等复杂因素.为了应对室内
环境的复杂变化, 许多地图构建与动态维护方法被提出以提升机器人的自主环境适应能力.
Biber 等
[27]
提出一种基于采样的环境表述方法对环境变化进行建模.基本的思想是用不
同时间段对同一场景的环境建模组合描述当前场景, 随着机器人的运行会不断加入最新的
观测模型, 剔除时间最久远的环境表述.这种思想被称为"记忆消退" (Memory decay).当机器
人自主定位时, 将当前传感器数据与地图中不同时间段的环境模型比对, 选出与当前传感器
数据最匹配的环境表述.这使得定位更加鲁棒, 地图不断更新永不过时.为了验证方法的有效
性, 在包含若干实验室、办公室、走廊和大厅的整个楼层中, 作者每天进行三次(早上、午
后、傍晚)测试, 并坚持了长达 5 周共计 75 次测试的周期.
受人类记忆的多重存储模型启发, Dayoub 等
[28]
利用移动机器人对环境的"短时记忆"
(Short-term memory)和"长期记忆" (Long-term memory)来构建地图.作者利用注意力机制将感
知信息中感兴趣的特征转移到短时记忆地图中, 同时利用训练机制去选择稳定的特征更新
到长期记忆地图表述中.为了更好地适应变化环境及节省存储空间, 他们提出罢免机制从拓
扑节点中移除过时无效的信息.类似地, Morris 等
[29]
同时构建短时记忆和长期记忆两个三维
八叉树地图(OctoMap)来表述移动机器人周围环境.短时记忆地图存储移动机器人当前状态
下的观测信息, 长期记忆地图是对短时记忆地图的累积更新, 但只有短时记忆地图中永久的
环境信息才被更新转移到长期记忆地图中.实验证实, 利用多种地图表述能更好地实现移动
机器人在复杂多变的环境中自主定位及导航.
Krajnik 等
[30]
认为人类的许多日常活动都是周期性明显, 有规律可循的.因此作者将未知
的环境变化过程定义为周期性函数, 进而以栅格地图为基础, 利用频谱对环境的时空变化进
行建模表述.将环境变化过程定义为周期性函数, 可利用傅里叶变换有效识别.同时将时域转
换为频域, 可高效地辨认分析并保存规律性的环境变化过程.对环境变化过程的周期性假设,
能减轻机器人地图构建及维护的复杂度, 同时可使长航时机器人具有对环境变化的预测能
力, 有助于更好地长时间自主运行.在实验过程中, 作者利用移动机器人在室内环境中以巡
逻的模式采集一周的数据验证方法的准确性和效率.结果显示, 该方法在任意时间长度数据
中测试, 只需要恒定且少量的存储空间, 这一特性正是长航时机器人长期运行所需要的.
1.3 大范围室外开放环境
随着室外移动机器人技术的不断发展, 如何对室外准结构化或完全非结构化开放环境
进行建模及动态维护成为当前研究的热点.室外开放环境中移动机器人地图构建所面临的主
要挑战是如何有效地检测行人、车辆等高危动态目标, 以及如何有效地应对光照、季节等
环境条件的转变.激光雷达传感器因为利用主动光源感知环境, 不受光照条件影响, 可很好
地解决光照条件变化造成的环境外貌变化, 且测距精度高, 有利于构建长期有效的高精度地
图模型.谷歌、百度等无人车均采用三维激光雷达感知环境, 取得了非常显著的研究成果.值
得一提的是, Zhang 等
[31]
提出的基于三维激光的实时定位与构图方法, 取得了非常有竞争力
的构图效果.
在室外开放环境中, 在地图中精确定位、预测和跟踪人车等高动态障碍是室外移动机
器人安全的基础和必要保障.传统的动态障碍物检测方法大都是基于人为设计特征的分类方
法.但机器人长期的运行过程中, 因为观测视角的变化, 环境中互相遮挡等问题, 使得利用基
于人为设计特征分类的方法稳定性降低. Wang 等
[32]
提出一种端到端的三维激光点云分割方
法:输入是原始三维点云, 输出是可直接被分类的点云簇.作者利用欧氏最小生成树
(Euclidean minimum spanning tree)实现基于图的点云聚类算法对点云进行分割, 并设计了基
于 RANSAC 的边界选择规则.他们指出并证实, 针对车辆、行人等文中提及的特定物体类
别, 解决二分类问题要比直接解决多分类问题高效的多.这主要是因为鲁棒的多目标物体分
类需要足够的形状信息, 而通过预分割获得的目标点云簇中, 部分点云簇缺乏足够的满足多
分类要求的形状信息.正因为如此, 在观测视角受限或其他限制条件下, 局部被观测的动态
物体也能被很好地检测与定位.
Tanzmeister 等
[33]
提出一种新颖的基于栅格的环境描述模型, 可有效检测动静态物体,
同时评估其速度及不确定性.该方法利用粒子滤波算法直接对观测数据的速度概率分布进行
评估, 并不依赖现有的目标跟踪算法来过滤与创建和更新地图无关的数据点, 也不依赖动静
态物体分类算法对观测数据预分类.由于没有特定的特征提取和形状假设, 任意的移动物体
都能被有效定位及跟踪.
剩余22页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3675
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功