自主式移动机器人导航研究现状及其相关技术‡‡



自主式移动机器人导航研究现状及其相关技术‡‡

卢韶芳1，刘大维2

（1. 吉林大学汽车工程学院，长春130025；2. 青岛大学车辆与交通工程研究中心，青岛266071）

摘编自《农业机械学报》2002年第2期：112~116页，图、表、参考文献已省略。

自主式移动机器人是一种具有高度自规划、自组织、自适应能力，适合于在复杂的非结构化环境中工作的机器人。自主式移动机器人的目标是在没有人的干预、无需对环境做任何规定和改变的条件下，有目的地移动和完成相应任务。在自主式移动机器人相关技术的研究中，导航技术是其研究核心，也是移动机器人实现智能化及完全自主的关键技术。

移动机器人有多种导航方式，这些导航方式各有其特点，适合不同的应用环境。移动机器人的研究是多种学科的集成和应用。随着移动机器人的应用领域日益广泛，对移动机器人导航研究不断提出新的课题，这将使移动机器人的导航研究不断深入和发展，移动机器人也将拥有更加广泛的应用前景。

1　移动机器人的导航方式

移动机器人常见的导航方式有磁导航、惯性导航、激光导航、视觉导航等。

地下埋线的导航方式是20世纪50年代美国开发的，到20世纪70年代这种导航方式迅速发展并应用于柔性生产。目前，国内制造行业使用的移动机器人大多还是基于这种导航方式。该导航方式的技术已十分成熟，但其成本高，改造和维护困难。

就国内研究现状来看，以上几种导航方式均在研究之中，而磁导航方式的技术已相当成熟。中国科学院沈阳自动化研究所已生产出基于磁导航的多代机器人产品。其他导航方式的机器人也在研究之中，如：清华大学已研制的三代THMR移动机器人，上海大学的“导购机器人”、哈尔滨工业大学研制的“导游机器人”和正在开发的各种服务机器人。

诸多研究表明：视觉导航方式具有信号探测范围宽、获取信息完整等优点，将成为未来机器人导航的一个主要发展方向。在视觉导航方式中，目前国内外应用最多的还是采用在机器人上安装车载摄像机的基于局部视觉的导航方式，如：Boley[1]等研制的移动机器人利用车载摄像机和较少的传感器通过识别路标进行导航，比直接采用卡尔曼滤波器获得了更好的实时性，并有效抑制了噪声；Ohy a[2]等利用车载摄像机和超声波传感器研究了基于视觉导航系统中的避碰问题；Fermuller[3]等的研究表明：利用车载摄像机将机器人的三维运动描述和景物的形状描述用于解决机器人的导航问题具有较高的可靠性；Corke[4]等对由车载摄像机构成的移动机器人视觉闭环系统的研究表明，这种控制方法对提高路径跟踪精度有较好效果。

采用局部视觉这种导航方式，所有的计算设备和传感器都装载在机器人车体上，图像识别、路径规划等高层决策都由车载计算机完成，所以车载计算机的工作量较大，延迟问题较为明显。为提高导航系统的实时性和导航精度，仍需研究更加合理的组合导航方式。此外，最新出现的网络机器人可对机器人进行遥控操纵，如：文献[5]介绍了名为Xavier的机器人，在机器人上装有多种传感器，如激光探测器、声纳、车轮编码器和彩色摄像机，并装有扬声器和语言测试系统，机器人能够完成现场任务和网络任务；文献[6]介绍了用于博物馆的导游机器人，这种机器人既可以在现场控制又可以通过网络遥控。

2　移动机器人导航研究中的相关技术

移动机器人导航系统是一个多功能、多任务的智能系统，是涉及机械、电子、计算机、传感器技术、控制技术等多学科的课题。目前，引入到移动机器人视觉导航研究中的相关技术主要有以下几个方面。

2.1 体系结构

自主式移动机器人的导航系统是一个自主式智能系统，其主要任务是如何把感知、规划、决策和行动等各种模块有机地结合起来。自主式系统能够模拟人的智能行为和功能，它的作用包括：①把各个子系统连接成一个整体，包括各个部件的接口规范、通讯协议和数据流程。②统一管理、调度各个子系统，控制它们功能的发挥，按总体工作模型进行协调工作，使各子系统步调一致地完成总体任务。可见，自主式系统的体系结构起到了总体集成及总体调度的作用，其设计的优劣直接关系到系统整体性能的发挥和智能水平的高低。目前，自主式智能系统可分为以下3类：分层递阶式结构、包容式体系结构和分布式人工智能（DAI）的体系结构[7]。?

分层递阶式结构是把各种模块分成若干层，位于高层的模块负责复杂的推理、判决，如：世界模型、决策规划等；较低的层次用于与外界的交互，如：感知、控制、伺服等。这种体系结构遵循“感知—思维—行动”的基本规律，层次向上智能增加，精度降低，层次向下，智能降低，精度增加，较好地解决了智能和控制精度的问题。其缺点是反应性差，虽然低层有一定的实时处理能力，但仅限于局部的非智能反应，失去了高度智能性的实时反应能力。

包容式体系结构是麻省理工学院的R. Brooks提出的，它模拟了动物反应式行为的特点，采用“感知—动作”结构。包容式体系结构具有以下特点：①按“任务—行为”分类，可把系统分解为若干子系统，每个子系统不是某个技术功能模块，而是能独立产生动作行为的系统。②每个行为子系统都能直接接收传感信号，也可直接产生行为动作。③各个子系统平等工作，由一个协调机制负责集成，进而产生总体的行为。包容式体系结构强调了单元的独立、并行工作，缺少全局的指导和协调，对于长远的全局性的目标跟踪缺少主动性，目的性较差。

分布式人工智能体系结构由多个智能体组成，每个智能体都是一个自治或半自治系统，智能体之间以及智能体与环境之间并行工作，需要进行交互。自主式系统中的分布式人工智能结构主要采用多智能体系统（MAS）的形式，由于MAS每个智能体有一定的独立功能，而且智能体之间的结构关系是可动态调整的，因此当它们组成一个紧耦合的单个机器人体系结构时，即可产生一般分层递阶式或包容式结构难以达到的灵活性和智能性，这种结构具有自适应、自组织和良好的协调性能，可以通过协调方式完成繁杂的整体操作。

文献[8]对比了传统的基于认知的人工智能模型的体系结构和R. Brooks的包容式体系结构，提出了一种综合二者优点的体系结构，并在其中融入了进化控制的思想，提出了基于功能/行为集成的进化体系结构，将其应用于移动机器人的控制取得较好效果。机器人足球与足球机器人是近几年在国际上迅速开展起来的极富挑战性的高科技密集型的对抗活动，是人工智能的全面体现，其中MAS在这一领域得到了越来越广泛的关注，并已在实践中有所应用。文献[9]详细论述了国际上几个较强代表队的对比，以及MAS在足球机器人领域中的应用。

2.2 图像技术与图像工程

视觉导航技术的发展得益于近年来图像技术的长足发展。图像技术在广义上是各种与图像有关的技术的总称，目前人们主要研究的是数字图像，主要应用的是计算机图像技术。“图像工程”这一概念的提出为图像技术研究中出现的新理论、新方法、新算法提供了一个整体框架。根据抽象程度的不同可将图像工程分为3个层次：图像处理、图像分析和图像理解。图像处理着重强调在图像之间进行变换，泛指各种图像技术，如：图像变换、图像增强、图像压缩编码等。图像分析主要是对图像中感兴趣的目标进行检测和测量，建立对图像的描述，如：图像分割，边缘检测，目标表达、描述、测量等。图像理解的重点是在图像分析的基础上得出对图像内容含义的理解以及对原来客观场景的解释，从而指示和规划行动，如：图像解释、推理等[10]。

在移动机器人视觉导航中利用图像处理技术对图像进行加工，改善了图像的视觉效果并为自动识别打下基础；对图像进行压缩编码，节省了存储空间和传输时间，提高了导航系统的实时性。利用图像分析中的图像分割和边缘检测，可将机器人所处的环境分成自由活动区和障碍区。经过对图像的分割和特征提取形成了对机器人工作环境的描述，再对从该描述中抽象出来的符号进行运算，在机器人所处环境中的自由活动区找出连通域，为机器人的高层决策——路径规划打下基础。

在实际应用中，可从图像中提取直线形式的道路边界，并通过将探测到的道路信息与机器人内部存储的地图相对照，修正偏差，实现室外导航；在室内环境中从图像中提取墙壁等直线信息，通过对墙的跟踪实现跟踪行走，也可通过到多个墙壁的距离的计算来实现自身的定位。由于仅通过单幅图像信息来判断障碍物的距离和速度不够准确，在实际应用中可使用多个摄像机，或利用一个摄像机的多幅连续图像序列来计算目标的距离和速度。

2.3 神经网络与模糊控制

神经网络具有很强的适应复杂环境和多目标控制要求的自学习能力，并具有以任意精度逼近任意非线性函数的特点。神经网络可与其他控制方法（专家系统、模糊控制等）相结合，为其提供非参数化的对象模型、推理模型等。神经网络又能构成智能控制系统，使系统能识别环境，并对各种信息进行融合，能对所获得的信息和所要达到的目标分析处理，并作出决策。神经网络还可用于对系统的故障诊断和容错控制[11]。

由于人工神经网络具备以上这些特点，而移动机器人导航系统是一个实时性要求很高的非线性系统，因此，近年来神经网络与模糊控制在移动机器人导航领域得到越来越广泛的应用。这些应用主要体现在：在视觉系统中对图像信息的处理，移动机器人的避障和路径规划，移动机器人定位和路径跟踪。

在图像信息的处理方面，神经网络不仅具有很高的处理速度，还可以充分利用其非线性处理能力来达到环境及路标辨识的目的。采用模糊逻辑能够分离图像中的边界像素，获取物体的轮廓。采用多维分布式计算机进行并行运算可以进一步提高处理速度。神经网络还可以完成机器人内部坐标和全局坐标的快速转换。

在避障和路径规划方面，由于避障和路径规划难以用明确的规则进行评价，可以让神经网络通过大量的实例学习来掌握。用模糊规则指导学习的网络，当环境改变之后可以重新启动模糊规则进行教学，可以减少实例学习的工作量。

在移动机器人的定位和路径跟踪方面，Kurd等对用神经网络控制器向主控制器提供最优参数用于机器人的定位进行了研究[12]。单一模糊规则集对直线跟踪能取得良好的效果，但对于曲线路径的跟踪就会产生较大的误差，Fung利用双重模糊逻辑控制器对曲线路径进行跟踪并取得了较好效果[13]。

2.4 多传感器信息融合

信息融合是针对一个系统中使用多传感器（多个和/或多类）这一特定问题而展开的一种信息处理的新的研究方向，它充分利用多源数据的互补性和计算机的高速运算与智能来提高结果信息的质量。这一技术首先广泛应用于军事领域，近几年来在移动机器人导航研究中得到越来越广泛的应用。多传感器信息融合的基本原理是充分利用多个传感器资源，通过对这些传感器及其观测信息的合理支配和利用，把多个传感器在空间或时间上的冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描述[14]。

目前，有多种方法可用于多传感器信息融合，其中较为重要的是D-S证据理论。证据理论的概念是由Dempster在1967年最先提出，后来由他的学生Shafer进一步发展完善。D-S证据理论开始在专家系统中得到成功的应用，由于其研究问题的方式和内容特别适合处理多传感器集成系统的信息融合问题，因此该理论已成为信息融合的一个重要理论基础[15]。Murphy等已将D-S证据理论应用于移动机器人的信息融合问题[16]。

此外还有加权平均法、贝叶斯估计法、统计决策法、扩展卡尔曼滤波法、产生式规则法、模糊规则法和人工智能方法等。

2.5 虚拟现实技术

虚拟现实技术的研究开始于军事领域，在军事和航天领域的模拟和训练中起到了非常重要的作用。

虚拟现实技术就是把计算机从善于处理数字的单维信息转变为善于处理人所能感受到的、数字化以外的其他各种表现形式的多维信息。虚拟现实技术汇集了计算机图形、多媒体技术、人工智能、人机接口技术、传感器技术、高度并行的实时计算机技术和人的行为学研究等多项关键技术。其主要特点是通过计算机图形构成三维空间，或是把其他现实环境编制到计算机中，产生逼真的“虚拟环境”。通过相应的硬件手段的帮助，如：数据手套、立体眼镜和头盔等设备，产生“身临其境”的感觉，能够操纵虚拟环境中的物体的运动，并且使用者本身也能够在其中漫步、环顾[17，18]。

虚拟现实技术在机器人领域中的应用主要集中在以下几个方面：一是作为遥操作界面，可以应用于半自主式操作；二是作为机器人视觉中自动目标识别和三维场景表示的直观表达；三是建立具有真实感的多传感器融合系统的仿真平台[18]。

美国是虚拟现实技术的发源地，NASA的AMES实验室现在正致力于一个叫“虚拟行星探索”（VPE）的试验计划，使“虚拟探索者”（virtual explorer）利用虚拟环境来考察遥远的行星。麻省理工学院（MIT）成立的媒体实验室建立了一个名叫BOLIO的测试环境，利用这一环境MIT建立了一个虚拟环境下的对象运动动态跟踪系统。英国Granfield的高级机器人研究有限公司（ARRL）也在从事虚拟现实技术的研究。在虚拟现实技术研究与开发方面，日本属于世界领先国家之一，其中东京大学的高级科学研究中心最近的研究项目是主从系统，该系统可以使用户控制远程摄像系统和一个模拟人手的随动机械臂[17]。

我国一些重点院校也开展了大量的虚拟现实技术的研究工作，如：北京航空航天大学、浙江大学CAD & CG国家重点实验室、哈尔滨工业大学、清华大学等。但对于虚拟现实技术在机器人领域内的应用研究还处于起步阶段。

3　移动机器人导航研究展望

随着传感技术、控制技术、机械加工和新材料的发展，特别是近年来计算机、网络和图像处理技术发展的突飞猛进，自主式移动机器人智能导航研究已取得了很大进展。目前，移动机器人的应用领域不断扩大，移动机器人室内、室外活动环境的复杂程度也日益增加，而且对移动机器人的要求又有所提高，要求机器人既具有体积小、自重轻、负载能力强等特点，又能够完成复杂的任务，并能与其他机器人协作共同完成任务，或通过与其他机器人分工来提高工作效率，同时对机器人的导航精度的要求也越来越高。这些对移动机器人智能导航的研究提出了新的课题：

1）开展导航系统的分布式智能结构的研究。分布式智能结构把决策级的操作分解到机器人本身的计算机和远端的主计算机，这样不仅可以提高系统的实时性和鲁棒性，还可以减小移动机器人的体积和自重，使机器人更加轻便、灵活。2）基于视觉导航的优势，针对局部视觉导航方式的不足，在分布式智能结构下进行基于全局视觉和局部视觉相结合的导航方式的研究，并与多传感器相结合，进一步研究新的信息融合策略。3）目前机器人技术正朝着网络机器人、多机器人的方向发展，网络机器人遥控操作及基于网络的多机器人协作也是智能导航研究的一个发展方向。4）在发挥视觉导航的优势的同时，系统的实时性是一个不容忽视的问题，对于静态、动态图像处理技术及利用高度并行处理机的模式识别的研究将有助于解决这一问题。5）开展虚拟现实技术在移动机器人智能导航中的应用研究，可为基于多传感器信息融合的导航系统提供理想的仿真平台。