云机器人与视觉SLAM技术研究现状

(北京物资学院 北京 101149)

一、引言

目前，机器人在提高工业制造、物流运输行业的应用愈加广泛，成为在科技发展上的重要研究对象。我国正在加大力度实施创新驱动发展战略，随着我国人口老龄化增长，对自主服务型机器人有着巨大的市场需求。热门的无人机、无人驾驶、AR、智能家居等都需要解决自主定位和地图构建的问题，移动机器人完成自主定位和建图的目标需要SLAM(Simultaneous Location And Mapping)技术[1]的支持；随着大数据与云计算的广泛应用，云平台和机器人的结合也是大势所趋，云机器人应运而生。

二、SLAM技术和云机器人介绍

SLAM技术是移动机器人在未知的环境中，根据自身的传感器获得环境信息，根据信息进行移动机器人定位和地图构建。SLAM技术需要占用较大计算资源，普通移动机器人依靠机器人自身的计算资源计算，存在准确度低、执行效率差、计算消耗大等缺点，增加了移动机器人负担和成本，不利于移动机器人的推广。随着云计算的发展，将机器人本地计算转移到云平台上，降低自主移动机器人的造价成本。

云机器人将云计算(Cloud Computing)和机器人学的理念相结合起来，移动机器人就不需要存储能力和计算能力，在需要获得计算信息时连接相关云服务器，把自身传感器收集到得数据发送至云平台，经过云平台的计算处理，返回移动机器人的定位和所处环境地图信息。云平台对实现机器人之间信息共享提供了新的方式，云机器人为移动机器人在SLAM技术发展提供了新的动力[2]。

三、视觉SLAM技术研究现状

SLAM技术在被提出后就是移动机器人领域的热门研究问题。传统AGV的导引方式有电磁式、色带式、磁带式等，优势是简易可靠、成本低，同时也伴随着如抗干扰差、灵活性差、造价高、条件受限等方面的弊端。目前，自主移动机器人的主要利用视觉传感器和激光雷达传感器。目前激光雷达传感器的研究较为成熟，但激光传感器的价格昂贵，视觉SLAM技术是利用单目、双目或深度相机获取周围的环境信息，通过数学运算中几何、三角法进行位姿估计完成定位及点云拼接完成地图构建。视觉SLAM技术相较于激光SLAM技术，在传感器的价格上更加低廉，但会加大计算移动机器人的定位及地图信息的难度。

在国内，宋宇、李庆玲等人[3]通过平方根容积Blackwillised粒子滤波的研究提出一种SLAM算法，降低了SLAM过程中非线性模型线性化的误差，提髙定位精度和整体计算效率。张文玲、朱明清等人[4]将无损卡尔曼滤波(Unscented Kalman Filter，UKF)与强跟踪滤波器(STF)相结合的SLAM算法，在鲁棒性和自适应性有较大进步。陈白帆、蔡自兴等人[5]利用粒子群优化方法对Fast SLAM中预估粒子进行筛选，基于粒子群优化的SLAM方法，得到更加准确的粒子，使得预测采样粒子集中于机器人的真实位姿附近，提高了对移动机器人位姿估计的精度，减少了计算粒子数目及运行整体效率。

国外对于SLAM技术提出了大量的基于扩展卡尔曼滤波(Extended Kalman Filter，EKF)的SLAM算法，由于EKF算法本身的复杂性较高，对大规模地图构建有局限性，难以满足实时性的要求，限制其应用范围。Murphy等人[7]采用自适应Rao-Blackwellised粒子滤波器估计了移动机器人的运动路径和环境地图，成为应用广泛的粒子滤波器之一。Chatterjee[8]讨论了基于EKF的SLAM算法是在传感器统计信息不完全正确的情况下，利用模糊或神经模糊监督改善这种情况下的估计性能，利用进化优化策略通过自主学习神经模糊监督自由参数。

四、云机器人现状

云机器人是将移动机器人的信息存储和获取方式转移到云平台的服务。云机器人服务与其它网络服务类似，移动机器人自身不再存储全部信息，只存储自身使用到的关键信息，同时也不必具备强大的计算能力，移动机器人在运行时连接相关服务器上传传感器获取的信息、接收服务器返回的定位及地图信息。云机器人的实现，会让计算资源充分利用，降低计算成本，同时移动机器人可以在云平台上互连、互通、信息共享。

云机器人系统由云平台和移动机器人组成。其中云平台主要包括：云存储、云网络和云引擎。云机器人在运行过程中，将移动机器人的信息如运动状态、传感器获取的环境信息发送至云平台，利用云存储功能存储信息，云平台通过计算存储中的算法对这些信息进行运算、融合和分析，将控制信息和决策返回给移动机器人，将关键信息进行存储整个过程需要云网络和云引擎的支持。

在国内，谭杰夫等人[9]提出了基于云平台下的SLAM框架，该框架以黑盒形式给机器人提供同步定位于地图构建功能，有效降低的机器人在SLAM过程中的计算资源占用。马虹等人[10]也提出了一种基于Wi-Fi为通信基础的云机器人系统，该系统目标是减少移动机器人成本，提升移动机器人的运行效率，有利于构建大规模机器人群组时的控制及任务分配。赵连翔、王全玉等人[11]将云计算的原理应用到机器人远程操作中，设计一款机器人的云操作平台，将机器人的资源和服务存储在云平台上，用户连接网络通过云平台来操作移动机器人，对用户之间信息共享、机器人协同工作、使用安全等方面提供帮助。

在国外，Google工程师们开发出一款Android软件，用户可以利用Android手机远程操控Lego Mindstorms、iRobot Create和VexPro等机器人平台[12]。Ben、Kehoe等人[13]基于谷歌目标识别引擎利用云平台控制PR2机器人，成功根据目标物品的三维图形进行抓取的目标。意大利有一款Nao机器人[14]，利用云计算技术来实现远程环境下人脸识别、语音识别等任务，加强了用户与机器人的信息交互。

目前对云机器人的应用的较少，主要是在信息传输效率的影响，随着5G时代的到来，云平台和机器人的联系会愈加紧密，同时云机器人面临着保障信息安全，云机器人的自主学习能力的实现等，都面临着巨大的挑战。

五、结束语

视觉机器人在SLAM过程仍需要进一步的研究，一方面，光线在变化时会导致许多路标不稳定，完成视觉SLAM非常困难，加强对移动机器人在光线变化情况下完成定位及建图的研究，让视觉SLAM技术的应用条件不受限制。另一方面，提高视觉移动机器人在运行时的特征信息提取的速度和计算效率，保障机器人在高速运行时的稳定性，需要通过提高机器人利用云平台的计算能力、改进算法等手段进行提升。

实现云机器人的SLAM服务，主要解决两个问题：

(1)云机器人SLAM服务的整体架构问题，需要合理的对整体架构、接口和基础设施进行设计，移动机器人通过云平台上的SLAM能力实时的完成定位及建图的目标，云机器人甚至可以进行定制服务，完成更多的任务。

(2)云机器人SLAM过程的效率问题。云机器人与普通机器人在完成SLAM时加入了信息传递的环节，会对实时性产生影响，其中的主要问题是保障移动机器人和云平台之间数据传输高效性和稳定性。