室内移动机器人定位迷失问题分析

李瑞雪，陆静平，邓朝阳

(广西大学机械工程学院，南宁530004)

0 引言

近年来，室内移动机器人进入快速发展时期。然而，移动机器人并未实现真正的“自主”，尚未达到企业对其预期设想。以定位为例，移动机器人一旦陷入定位迷失状态，便丧失了工作能力且无法自我修正，此时一旦接收到下一步指令，机器人将一直原地打转，直至人为终止运行或人为给定正确位置。移动机器人朝着智慧化发展，也就是其不断提升自主性的过程。因此，学者们从预防和修正两方面出发，意图更好的解决定位迷失问题，提升移动机器人自主性能。

1 定位迷失问题

在定位过程中，移动机器人根据内外传感器分别传入的运动信息和环境信息，求解自身相对于已知地图最合理的位姿［1］。本文所研究的定位迷失问题，则属于异常情况下的定位问题。该问题主要包括两种情况：一是绑架机器人问题［2］，该问题就像是AGV 被人为绑架，短时间内从A 点被腾空挪到了距离较远的B 点，落地瞬间机器人定位结论仍停留在A 点而非实际的B 点；二是由于轮子打滑、传感器存在误差等因素导致机器人小范围偏移迷失。

定位迷失问题的传统解决方法为概率定位，但概率定位依赖运动数据进行位姿预测，机器人被绑架过程中运动模型失效，概率定位算法被迫中断，机器人陷入定位迷失状态。传统概率定位不足以完全解决定位迷失问题，于是越来越多的学者就如何更好更快地解决定位迷失问题展开了研究。

2 定位迷失问题研究现状

当前针对定位迷失问题的研究大体分为两大类，一是着手于问题发生前的预防，二是着手于问题发生后的识别与修正。

2.1 预防定位迷失

机器人定位过程，即机器人降低位姿不确定性的过程，因此运用概率表示不确定性的概率定位一直是机器人主流定位方式。相关研究中占比最高的便是如何改进概率定位算法，占比稍低的则是研究多传感器组合技术以提升机器人信息获取能力。

传统的概率定位包括马尔可夫定位、 卡尔曼滤波定位以及蒙特卡罗定位。文献［3］针对马尔可夫定位算法的数据建模过程，提出运用主成分分析法提取出最可能表征环境模型的参数集，然后通过支持向量回归算法得到与观测模型相关的概率密度函数。文献［4］将贝叶斯假设检验与卡尔曼滤波算法结合，通过贝叶斯假设检验融合内外传感器输入的不同类型数据进行位姿估计，实现移动机器人定位问题中的多假设跟踪。文献［5］在蒙特卡罗算法建模过程中将动态物体误差、 测量失败误差添加进观测模型中，使得模型更符合实际情况。文献［6］将蒙特卡罗算法的样本取样约束在细化边缘的邻域内，代替传统的周围整个空间，提高了算法效率。

关于多传感器组合技术的相关研究，往往会根据需求选择两种(或三种)传感器，然后借助滤波器实现不同传感器之间的数据融合。再者，在传感器的选择上通常偏向于加入携带更多图像信息的视觉传感器。文献［7］将图像传感器采集的深度信息转换为伪激光信息，再与激光传感器获取的数据进行融合。文献［8］用模糊段表示不同来源的不确定位置信息，再利用模糊推理的方式融合模糊段，实现基于模糊理论的多传感器融合。

2.2 修正定位迷失

处于迷失状态的移动机器人要想尽快恢复正常状态，需及时判断自己陷入迷失状态，并快速从中逃离出来。帮助移动机器人实现自身状态判断，往往需事先选定参考数据，在机器人运动过程中，一旦该数据变化至相应阈值，则视为迷失状态发生。文献［9］比较现有地图和机器人感知数据的相似度，相似度越低信息熵越高，则机器人处于绑架状态的可能性越大。文献［10］结合粒子集标准差、粒子集权重和最大粒子集权重综合判断是否发生了机器人绑架问题。

在识别自身陷入迷失状态的基础上如何修正迷失状态，相关研究大致可以分为三类。首先，定位迷失问题主要选用蒙特卡罗定位解决，但在实际运用(尤其机器人绑架问题)中，蒙特卡罗定位会出现定位失败或定位时间过长的情况。文献［11］通过比较传感器测量概率和平均概率衡量定位准确度，准确度过低时增加一定数目随机粒子，以降低蒙特卡罗定位失败率。文献 ［12］ 基于KD 树调节地图的栅格大小，使得栅格大小与粒子分布相适应，缓解了蒙特卡罗定位算法精度与时间之间的矛盾。

再者，基于视觉技术近年来迅猛发展的现状，也有学者将图像处理中常见的匹配技术引入定位修正，试图通过数据关联确定所在位置。而其中所选用关联要素多是在图像中提取出的直线、 轮廓等局部特征。文献［13］将视觉传感器传入的特征信息与预存地标信息比较，一旦匹配则用RANSAC 计算出机器人所在的准确位置。文献［14］以广角摄像头提取环境特征，再将这些特征与预存特征进行大致到精细的多次匹配，以脱离迷失状态。

最后，基于多学科融合的思想，也有部分研究将其他学科的经典技术引入修正定位迷失问题，如遗传算法之类的人工智能算法、 深度学习之类的机器学习方法等。文献［15］将遗传算法引入移动机器人定位，通过发散算子对被绑架机器人的可能位姿做适度发散，改善了算法粒子匮乏问题。文献［16］通过深度学习算法从大量环境信息中提取卷积神经网络特征，陷入定位迷失的机器人根据这些特征进行特征匹配确认自身位姿。

3 问题与展望

目前，室内移动机器人定位迷失问题的相关研究虽取得了一定的成果，但这些解决方法都存在不同程度的不足。为更好地解决定位迷失问题，提高机器人定位性能，现如今还可以从以下几方面继续进行研究：

(1)地图构建。无论借助哪种传感器，一旦场景较大或较为复杂，地图构建时往往会出现漂移等现象，导致地图不够精确，影响机器人定位。

(2)模型建立。概率定位算法基于运动模型和传感器模型，尽可能地参照实际情况完善模型，能够从算法层面解决定位迷失问题。

(3)数据关联。当前数据关联往往是点对点、线对线，这些关联要素相较细微，易受外界影响。因此，可进一步探究如何提升关联精度和抗干扰能力。

(4)多机器人协同定位。建立多机器人通讯机制，借助其他机器人准确的定位信息以修正自身位姿，可考虑用于解决机器人定位迷失问题。

4 结论

定位迷失是异常情况下的定位问题，其相关研究分为预防和修正两方面。前者通过改进传统概率化定位方式、 多传感器组合技术以避免发生定位迷失；后者关注迷失问题发生后机器人如何识别状态改变，又如何进一步通过蒙特卡罗、图像匹配、人工智能算法等修正迷失状态。同时，基于当下研究现状，为更好地解决定位迷失问题，可考虑从地图构建、模型建立、数据关联和多机器人协同定位四方面进一步深入研究。