移动机器人的导航定位和地图构建技术综述|儿童智能机器人哪个好

　　摘要：在非结构环境或动态环境下，移动机器人必须学会如何导航。目前相关的研究主要集中于机器人定位和地图构建两个方面。本文介绍了移动机器人的主要特征和发展概况，分析了移动机器人定位技术的研究动态，总结了移动机器人地图构建的主流技术和发展趋势，为进一步的研究工作建立了基础平台。
　　关键词：移动机器人；定位；地图构建
　　中图分类号：TP391 文献标识码：A
　　20世纪60年代，工业大发展将工业机器人带入工厂，从而将人类从危险繁杂的体力劳动中解放出来。随后，工业机器人与其他生产过程结合起来，继而产生了更多灵活性与智能性的要求。近年来，传统制造机器人市场之外又产生了新的市场需求（例如清洁、排爆、建筑、造船、农业等），人口老龄化更增进了满足人类社会需求的服务机器人的开发，而各类移动机器人的快速发展正满足了这样的市场需求。
　　1 移动机器人概述
　　移动机器人与传统工业机器人（机器人操作臂）相比，具有移动功能，在代替人从事危险、恶劣（如辐射、有毒等）环境下作业和人所不及的（如宇宙空间、水下等）环境作业方面，比一般机器人有更大的机动性、灵活性。
　　移动机器人随其应用环境和移动方式的不同，研究内容也有很大差别。其共同的基本技术有传感器技术、移动技术、操作器、控制技术、人工智能等方面。它有相当于人的眼、耳、皮肤的视觉传感器、听觉传感器和触觉传感器。移动机构有轮式（如四轮式、两轮式、全方向式、履带式）、足式（如六足、四足、两足）、混合式(用轮子和足)、特殊式(如吸附式、轨道式、蛇式)等类型。轮子适于平坦的路面，足式移动机构适于山岳地带和凹凸不平的环境。移动机器人的控制方式从遥控、监控向自治控制发展，目前多综合应用机器视觉、问题求解、专家系统等人工智能技术研制自治型移动机器人。
　　2 移动机器人的定位技术
　　定位技术使得移动机器人了解其任意时刻相对环境的所处位置。为实现这个目标，人们采用传感器来测量机器人状态及其环境的相关变量。由于传感器存在累积误差及含噪量测值问题，目前有大量研究集中于利用卡尔曼滤波技术，集成多个传感器量测值以改善位置估计的问题。定位技术可分为局部定位与全局定位。最简单的方式是逐步修正起始位置相对值的局部定位。相对的，全局定位则不需要机器人的初始位置。全局定位的定位过程可基于环境中已知其定位的路标传感识别，或者是基于环境地图、环境模型，并识别已建模环境中的特征元素。后一种情况中，概率方法常被用来解决传感信息中的不确定性问题。
　　现有文献中的定位算法全都来源于贝叶斯滤波器。其主要思想在于，利用迭代方程，根据量测模型和运动模型估计机器人的位置。问题在于贝叶斯滤波器的计算效率不高，于是不同简化策略就催生了不同的定位算法。依据机器人的位置信度，算法主要分为两大类。当机器人的位置信度由多元高斯密度函数来建模时，一般采用基于卡尔曼滤波器的方法；当机器人的位置信度由多模密度函数来建模时，一般采用马尔可夫定位算法。由单模密度函数建模的机器人位置信度只对局部定位有效，基于卡尔曼滤波器的技术可有效跟踪此类机器人的位置。
　　马尔可夫定位算法的具体操作策略依状态空间所用的离散化方法不同而不同。由于低分辨率的原因，这类方法只对基于路标的机器人定位有效。为了在高分辨率情况下处理多模概率密度函数，状态空间中有意义的部分将被离散化，并用以逼近机器人的位置信度。例如，可采用分段常函数展开的方式进行离散化。这类方法中，常用的是基于栅格的马尔可夫定位算法。虽然这种算法对全局定位十分有效，但其计算量非常大。最后，机器人的位置信度可由一系列带有权值的机器人位置随机样本（或粒子），以及基于观测变量的约束条件来表达。快速采样及其表示任意概率密度函数的能力使得高效的全局定位成为可能，这就引出了蒙特卡洛方法等粒子滤波技术。粒子滤波技术是移动机器人的定位领域比较热点的方法之一。
　　3 移动机器人的地图构建
　　基于地图的机器人定位技术和机器人的地图构建技术二者相互依赖。自1990年以来，很多研究者致力于同时解决这两个问题。机器人的地图构建技术被分为几何方法和拓扑方法两类。几何地图捕捉环境的几何特性，而拓扑地图用节点图描述不同空间位置的联系性。几何地图（特征地图）利用有关的几何特征(如点、直线、面)表示环境。基于空间位置的概率特性，几何地图可被离散化。由此产生的地图构建方法就是栅格地图构建法。实际应用中，几何地图比拓扑地图更加细致，但其高分辨率的优势是用高计算量的代价换取的。
　　机器人地图构建技术通常被称为SLAM（同步定位和地图构建）。常用的两类方法包括增量方法、基于卡尔曼滤波器的扩展算法和基于期望最大化算法。增量方法利用卡尔曼滤波器来估计地图和机器人位置，并产生用以描述地标、指向标、或判别物位置的地图，可完成实时操作。基于卡尔曼滤波器的扩展算法包括FastSLAM，Lu/Milios算法，以及近年来出现的以反向扩展卡尔曼滤波器为基础的稀疏扩展信息滤波器。另一类方法是基于期望最大化算法，它试图采用迭代算法来找到最可信的地图，它较好地解决了传感器测量和真实世界之间的一致性问题。
　　近来，有研究者对动态环境的地图构建问题展开讨论。因为许多机器人的现实应用都在非静态的环境中进行，故此问题极具研究价值。采用随时间变化缓慢移动路标的假设，卡尔曼滤波器方法可被用来构建动态环境的地图；相似的，用随时间变化逐渐减少栅格的方法，也是动态环境中地图构建问题的一种探索。目前已有多种算法考虑了环境的动态性，然而仍有许多问题有待解决，例如，如何区分环境的动态部分和静态部分，如何在地图上表示这些信息等。
　　目前，移动机器人正在由实验样机逐步走向实际应用。移动机器人最直接的服务应用领域包括清洁、家居服务等。例如，自动真空吸尘器和割草机利用移动导航领域的所有研究来从事家务劳动，展现了可观的市场前景。移动机器人同样显示了作为博物馆导游，以及作为办公室、医院和其它公共场馆工作助手的潜能。这一类的移动机器人注重动态环境中的智能导航、固定环境中的智能导航、短期人机交互、远端临场等智能功能。监控是移动机器人技术的另一个潜在应用领域，个人安保公司也对守卫机器人产生了浓厚的兴趣。
　　4 小结
　　导航是人工智能应用于机器人技术的重要方面，在非结构环境或动态环境下，机器人必须学会如何导航，它将包含学习、推理的问题决策等各个环节，其主要研究集中于机器人定位和地图构建两个方面，因此全面总结和着力发展移动机器人的定位和地图构建技术将推动服务机器人产业化发展的进程，具有重要意义。
　　参考文献
　　[1]J. Leonard and H. Durrant-White, Directed Sonar Sensing for Mobile Robot Navigation. Norwell, MA: Kluwer, 1992.
　　[2]R. Simmons and S. Koenig, “Probabilistic robot navigation in partially observable environments,” in Proc. Int. Joint Conf. Artificial Intelligence, pp.1080-1087, 1995.