室内移动机器人导航中信息获取方法研究综述

1、38 机器人技术与应用双月刊 2 期0 引言机器人导航即指引导机器人安全、准确地沿着选定的路线，准时到达目的地的一种手段。导航主要解决的问题包括：1）精确获取机器人在空间的位置、方向、环境信息；2）对获取信息进行分析和环境建模；3）机器人安全移动的路径规划。为了实现移动机器人的地图构建、定位、路径规划等功能，导航需要利用各种传感器（如里程计、超声波、激光测距仪、视觉传感器等）检测、分析处理环境信息以实现移动机器人自主行走。应用传感器感知的信息来实现可靠的导航是自主移动机器人最基本、最重要的功能之一，也是移动机器人实现自主移动的核心技术，是机器人研究领域的重点和难点问题。研究人员跟据所应用的传感

2、器技术，对了机器人的导航方法进了长期、深入的研究，取得了许多理论性和应用性的成果。1 导航采取的信息获取方法机器人导航首先要完成移动机器人的地图构建和定位。为了获得机器人的位姿和环境地图，机器人必须具备能够感知外部世界的相关传感器。根据自主移动机器人在导航采用的传感器信息获取方法分为两类：一类是采用内部传感器来实现信息获取，它可以感知机器人本身运动。这种传感器有：罗盘、里程计等，这种传感器通常与机器人本身的运动模型一起对机器人的位置进行预测估计，基于航位推算方法，用于跟踪机器人的运动轨迹。另一类是采用外部传感器来实现信息获取，它主要用于对外部环境进行观测，是完成室内机器人地图构建、避障、定位的

3、主要工具。这种传感器有：激光、声纳测距仪、超声波、红外技术和摄像机等。以下对于基于传感器导航技术所用传感器进行介绍。分类解释内部传感器和外部传感器如何应用于室内机器人导航的信息获取。1. 1 里程计该方法是在移动机器人的车轮上装有光电编码器，通过编码器对车轮转动圈数的记录来计算机器人的位置和姿态。它对于短期定位是一种很好的定位方法。优点是定位方法简单、易实现且价格便宜。 缺点是存在累积误差且随着机器人移动距离和航向角的增加，其累积误差越来越大，因此精度不高。Watanabe和Yuta 对轮式机器人采用DR法的定位公式作了推导，用极大似然法(MLE校正位置偏差，最终实现机器人的定位1。1.2 激

4、光传感器激光测距仪(Laser ranger finder，运用激光二极管发射和接收的光脉冲来测距。激光测距方法主要基于TOF(time of flight技术，即发射系统发送一个信号，经目标反射后被接收系统收集，通过测量反射光的运行时间而确定目标的距离。利用激光测距仪进行移动机器人自主导航的有很多。Levente Tamas等人在机器人上安装激光测距仪来实现导航，实验证明其扫描线重叠超过50%，能实现精确定位2。Jensfelt用激光传感室内移动机器人导航中信息获取方法研究综述王 琨1，2，3， 骆敏舟1， 3，赵江海1，31.中科院合肥智能机械研究所，安徽 合肥 230031 2.中国科学

5、技术大学自动化系，安徽 合肥 2300273.常州机械电子工程研究所，江苏 常州 213164）摘 要：应用传感器感知环境信息实现室内移动机器人导航是自主移动机器人最基本、也是最关键的方法。本文对室内移动机器人导航所采取的信息获取方法进行了综述，分析比较了各国研究人员为实现室内自主移动机器人导航所采用的各种不同的信息获取方法及多传感器融合算法。并总结了各种方法的优缺点。探讨了现有的信息获取方法的存在的难点问题，并提出了该研究的发展方向。关键词：信息获取；导航；多传感器；信息融合作者简介：王琨（1986.8），女，硕士研究生。研究领域：机器人。 技术应用 T echnique and A ppl

6、ication * 本文由中国科学院知识创新工程重要方向项目（KGCX2-YW-154）和国家自然科学基金（50905176）资助双月刊 2 期 机器人技术与应用 39器作为主要传感器检测室内环境里的墙及大的物体3。激光测距仪的优点是扫描速度快、数据点密集、测量有效距离长、测量精度高。它相对于声纳传感器，它的距离与角度分辩率高，采样周期短。而相对于图像传感器，它不受光线影响，处理方法简单。激光测距仪的缺点是价格昂贵、容易出现镜面反射和漫反射现象，受障碍物及其表面光滑的影响较大。1.3 声纳传感器声纳在室内机器人系统应用中主要采用脉冲测距法测距。脉冲测距法基于TOF技术，即发射一个脉冲信号再接收

7、其回波，根据时间差来计算至目标对象的距离信息。在应用中可将多个传感器布置在不同方向上即可获得平面内的距离信息。基于声纳导航的机器人系统有很多。Teddy N.Yap 4等人用声纳传感器运用粒子滤波器算法构建室内环境地图，机器人测试结果表明该方法可以在大的室内环境下产生较好的地图。澳大利亚的Monash University (莫纳什大学智能机器人研究中心的Andrew Heale等人将声纳传感器安装在移动机器人上，通过传感器扫描连续动作的机器人从而构建地图5。伊莱克斯推出的 “三叶虫”机器人吸尘器使用超声波传感器探测障碍物，并进行路径规划。声纳传感器的优点是体积小、价格便宜、计算简单、测量迅速

8、、并且可以应用到任何光照条件。声纳传感器主要缺点是回波信息弱，波束角较大，角度分辨率差，测量精度不高，而且容易发生镜面反射，有测量盲区。1.4 红外传感器红外测距也是红外传感器发射红外线并由光检测器接收反射回的信号，通过返回信号的强度并依据环境物体的反射系数估计传感器本身到目标物体的距离。中科院自动化所研制研发的CASIA-I机器人分别安装16个红外传感器置于机器人底层和机器人中间两层，以实现机器人自主移动和避障6。它的优点是结构简单、成本低、测量时间短、角度分辨率高、灵敏度高，且适于夜间测量。它的缺点是距离分辨率低，且受环境的影响较大，物体的颜色、方向、周围的光线都能引起测量误差。 1.5

9、视觉传感器视觉传感器是将景物的光信号转换成电信号的器件。跟据采用的视觉传感器个数可将视觉系统分为单目视觉、双目视觉、三目视觉和混合视觉等视觉系统。目前在室内自主移动机器人应用的较多的是单目视觉和双目视觉系统。各国的研究人员们应用视觉系统在各自的移动机器人平台上做了很多研究工作。（1）单目视觉单目视觉系统为二维视觉系统。日本UEC大学的Takayuki 7基于单目主动视觉，在走廊中同时探测到三个以上位置己知的消防灯或顶灯，结合三角定位法，完成定位。它的优点是不需要对不同像机对应场景图像的进行视觉匹配，图像处理算法比较简单，实时性相对双目视觉系统较好且价格相对便宜。缺点是缺少景深信息，难以测量机器

10、人与目标物体之间的距离，因此难以确定目标物体的位置。而且视角较窄，不利于目标的探测。（2） 立体视觉立体视觉测距是利用两个相互位置已知的摄像头组成的视觉系统，根据同一景物在两个摄像头上成像的视察计算出景物的深度，从而获得其距离信息。得到的距离图象的质量依赖于相机定标、光照条件、以及基线情况。Camillo J.Taylor和David J.Kriegman 使用移动机器人的视觉识别设备在陌生环境中探测一个或多个多识别目标8。University of British Columbia（英国哥伦比亚大学）的Don Murray 和Cullen Jennings 研制的视觉引导机器人采用三目立体视

11、觉系统能在2赫兹产生高度精确的深度图像使它以0.5米/秒的速度安全地在环境中穿行9。美国CMU大学的S.Thrun等人10研制的第二代博物馆导游机器人Minerva，基于双目主动视觉通过搜索并识别室内天花板上的吊顶来完成室内导航。视觉传感器的优点是能得到的关于周围环境更多、更精确的信息。而且视觉传感器是被动传感器，不需要发射声波或光波，因此多个机器人相互之间的干扰可以减少到最小。另外摄像机的采样周期比较短。 视觉传感器的缺点是计算量大且视觉图像受光照条件影响大，难以同时达到实时性和鲁棒性的要求。2 多传感器信息融合研究现状使用多传感器融合信息是移动机器人导航研究的一个发展方向。因为单个传感器采

12、集的信息存在不确定性和偶然不正确的可能性。而且，单个传感器无法提供所需的不同类型的全面的信息。再者由于单个传感器系统缺乏鲁棒性，整个系统受单个传感器故障影响较大。因此，采用单传感器很难达到令人满意的观测效果。而采用两种或多种传感器相互补偿可以在一定程度上可以实现信息互补，提高检测精度，并能克服单个传感器的缺点。采用多传感器的优点有：第一、多个传感器有冗余性对同一环境特征可获取更多的观测信息。第二、可提供环境有关特征的互补信息。第三、多传感器并行处理可以提高系统的实时性和鲁棒性。第四、应用多传感器则所有传感器同时不能工作的概率低，增加了系统的可靠性。采用多传感器的缺点是多传感器成本高、信息量大、

13、数据处理复杂。技术应用 T echnique and A pplication40 机器人技术与应用双月刊 2 期多传感器融合技术就是利用多个传感器对多个参数进行监测，并采用一定的信息处理方法来对各测量物理量进行分析处理以获取相关物理量信息，达到提高每一个参量测量精度的目的。多传感器信息融合中多传感器是硬件基础，通过传感器收集到的信息是数据融合的处理对象。在每个具体的系统中，算法是信息融合的关键，它决定系统的性能。多传感器信息融合过程需首先对各传感器观测得到的信息进行采集，然后通过A/D转换把模拟量转换成数字信息，再进行信息处理，之后将数据采用跟据任务目标选择的融合方法进行数据融合，最终得到环

14、境信息描述。多传感器信息融合过程如图1所示。多传感器融合过程中，通常是先通过激光雷达，声纳传感器、里程计、视觉传感器等机器人导航中常用的传感器采集信息，再运用融合方法得到机器人位姿，状态，轨迹等信息以及障碍物的位置信息，为导航中的路径规划、地图构建、定位、避障提供依据。图2所示为室内机器人导航多传感器融合的一般模式。综合多年来数据融合技术的发展，现阶段比较成熟的多传感器融合方法有：加权平均、卡尔曼滤波、贝叶斯估计、统计决策理论、证据推理、产生式规则。用于多传感器信息融合的计算智能方法有：模糊逻辑与神经网络等。现将多传感器信息融合技术分类如下表所示11:加权平均方法是最简单、最直接的融合方法。该

15、方法将冗余信息以不同的权重进行加权平均，其结果是加权平均值。它的缺点是融合时间较长，而且很难达到最优的加权平均值。Hyun-Jeong Lee 12等人运用基于高斯函数的加权平均方法融合编码器和超声波传感器的信息来减少定位错误。实验证明该方法可提高位置和方向观测信息的准确性。并且可以对一些由于系统处理时间过长引起的错误位置信息进行补偿。卡尔曼滤波 (kalman filter被广泛应用于实时融合动态的低层次冗余多传感器数据中。该方法在地标较少的情况下计算速度快，具有较好的实时性。但缺点是随着地标增多计算量显著增长。Ching-Chih Tsai等人研制了一个室内导游机器人，并为该机器设计了一个

16、导航系统。他们采用激光测距仪和RFID模块通过卡尔曼滤波融合完成定位。实验证明该系统能成功完成机器人导航13。Hakan Temeltas等人分别用扩展卡尔曼滤波器（EKF）和压缩扩展卡尔曼滤波器（CEKF）实现移动机器的导航中的SLAM功能。并比较两种算法的计算复杂度和协方差矩阵误差。实验表明EKF的缺陷是随着环境地标数量增加，EKF的计算量巨增，实时性较差。而CEKF则有计算量小，CPU运行时间短，实时性较好，协方差矩阵误差低等优点。但CEKF缺陷是数据关联能力差14。Liu等人15用KF算法融合声纳测距仪和CCD摄像机观测的信息实现移动机器人SLAM。实验证明该算法可提高SLAM精度，能

17、削弱动态物体在SLAM过程中造成的干扰，减小低层多传感器计算复杂度，提高定位的成功率。贝叶斯估计是适用于静态环境的低层次信息融合 图1 多传感器信息融合过程图技术应用 T echnique and A pplication 双月刊 2 期 机器人技术与应用 41方法。其信息描述为概率分布，适用于具有可加高斯噪声的不确定性。缺点是指定未知前提的先验概率，从而难以保证前提概率的稳定性。东京大学的PKamol16等人提出了一种家庭环境中的物体定位方法。该方法以Roomba作为机器人本体，使用RFID估计每个物体的粗略位置，然后采用全局摄像机通过粒子滤波器算法实现物体的精确定位。粒子滤波器算法简单，易

18、于实施，且在室内环境物体定位具有较高的准确性和鲁棒性。实验证明其定位误差控制在室内直径的0.96%。Wang17等人提出了improved Rao- Blackwellised particle filter (IRBPF,算法用于室内机器人的同时定位和地图构建。该算法通过采用自适应重采样技术，减少了地标样本采样频率，维护了样本的合理性和有效性，提高算法的性能。实验验证了该方法的可行性，它可有效提高移动机器人SLAM的精度。证据理论是由Dempster和Shafer提出的一种不确定的推理方法。它是贝叶斯方法的扩展。它的优点是：它满足比概率更弱的公理，且它使用了一个不确定性区间，将不知道与不确定

19、区分开，直觉上更符合自然。Bayes判定中的基本函数为概率函数，而Dempster-Shafer技术的基本函数则为Bel函数。Kyung-Hoon Kim 18等人采用D-S证据推理方法融合超声传感器和激光传感器的信息以补偿信息之间的缺陷，消除噪声，更新地图，完成移动机器人LCAR的环境识别。并用实验结果验证了该方法的有效性。模糊逻辑在多传感器信息融合中通过指定01之间的实数表示真实度。模糊逻辑不依赖于数学模型，因此它可用于处理不确定的对象，并且有强大的推理能力。神经网络采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。该方法在学习、分类、优化上有巨大优势，具有大规模并行处理信息能力

20、，计算速度快。由于模糊逻辑技术和神经网络技术分别有独特的特性，可将他们有机结合，形成模糊神经网络控制系统。山东交通大学在室内移动机器人的避障模块分别配备8个超声波传感器和8个红外线传感器来检测三个不同的方向的障碍距离，采用模糊神经网络信息融合中T-S模糊网络方法对两种传感器的信息进行融合，以实现机器人避障19。该方法大幅度减少模糊神经网骆输入和数据计算，运算速度快，另外实验证明该系统具有较好的定位功能和学习能力以及较高实时性，可靠性。Thomas Hellstrom 20也应用模糊逻辑和神经网络方法完成ANFM自主机人导航。3 发展和展望3.1 提高传感器数据可靠性传感信息中会存在一些误差，或

21、是一些错误的信息，为了提高传感器的精度和可靠性，如何有效减少传感器信息的误差，剔除错误信息有待深入研究。3.2 多传感器信息融合技术多传感器信息融合的算法有很多，但现在使用较多的算法都是基于线性、正态分布的平稳随机过程前提下，解决非线性和非平稳非正态分布的现实信息还有待深入地研究。研究在未知的、动态环境中适应的多传感器融合算法将是机器人发展的重要课题。而且由于各种不同的融合方法都有自己的适用范围，为了达到理想的效果，研究人员使用多信息融合算法来抵消单个算法的局限性。如何根据需求选择合适的融合方法以及如何组织这些方法也有待深入地研究。3.3 传感器低成本技术传感器是机器人系统不可或缺的组成部分。

22、而现有的精度较高的传感器成本较高，如SICK的激光测距仪价格高达数万甚至数十万人民币，传感器的高成本在一定程度上限制了机器人的研发和产业化发展，因此如何降低传感器成本是一项重要的课题。3.4 微传感器技术的发展 为了精确获取环境信息，机器人需要配备数十个表1 常用的多传感器信息融合算法技术应用 T echnique and A pplication42 机器人技术与应用 双月刊 2 期Survey on Information Acquisition for Indoor MobileRobots NavigationWANG Kun1，2，3，LUO Min-zhou1，3，ZHAO Jia

23、ng-hai1，3(1.Institute of Intelligent Machines,Chinese Academy of Sciences,Hefei 230031, China2.University of Science and Technology of China,HeFei 230027 ,China3.Changzhou Institute of Mechatronics Engineering,Changzhou 213164, ChinaAbstract: Navigation based on sensors is one of the key and the mos

24、t fundamental tasks for indoor mobile robots. This paper introduces the various information acquisition methods for the navigation of indoor mobile robots .The principles,advantages and shortcomings of some common information acquisition methods and multi-sensor information algorithms are proposed.T

25、he difficult issues of information acquisition is discussed and future research of this field is also proposed.Keywords: information acquisition；navigation；Multi-sensor；information fusion甚至数百个传感器。这样会造成机器人负荷过大。随着MEMS技术和精密制造技术的发展，微传感器的研发和应用可以解决这一矛盾。微传感器具有集成度高、功耗低、体积小、质量轻等优点。应用微传感器不仅可以降低生产成本、减小了尺寸与重量，也

26、能提高了运作速度和准确度，因此在竞争激烈的传感器产品中具有独特的优势。发展微传感器技术是未来机器人信息获取方法的一个研究热点。参考文献1Watanabe Y ,Yuta S.Position Estimation of Mobile Robots with Internal2Tamas, L.;Lazea, G.;Popa, M; Szoke, I.;Majdik, A.;Laser Based Localization Techniques for Indoor Mobile Robots，Advanced Technologies for Enhanced Quality of Life，

27、22-26 July 2009 Page(s:169 - 1703 Patric Jensfelt ,Approaches to Mobile Robot Localization in Indoor Environments.PhD thesis,Royal Institute of Technology,Stockholm,Sweden.2001.4Yap,T.N.,Shelton, C.R.;SLAM in large indoor environments with low-cost, noisy, and sparse sonars，IEEE International Confer

28、ence on Robotics and Automation，12-17 May 2009 Page(s:1395 - 14015Heale,A.and Kleeman, L.,A real time dsp sonar echo processor. In Proc IEEE/RSJInternational Conference on Intelligent Robots and Systems,Takamatsu,Japan,2000.7Takayuki Tanaka,Yasunori Yamazaki et al.Self Position Detection System Usin

29、g a Visual-Sensor for Mobile Robots. Journal of Robotics and Mechatronics Vol.ll,No.1,1999:17-238Taylor,C.and Kriegman, D.,Vision-based motion planning and exploration algorithms for mobile robots.IEEE Transactions on robotics and automation,1999.-1699,1997.12Hyun-Jeong Lee; Moon Sik Kim; Min Cheol

30、Lee;Technique to correct the localization error of the mobile robot positioning system using an RFID, SICE, Annual Conference,17-20 Sept. 2007 Page(s:1506 - 151113Ching-Chih Tsai; Shu-Min Shish; Hsu-Chih Huang; Min-Yu Wang; Chih Chung Lee;Autonomous navigation of an indoor tour guide robot, IEEE Wor

31、kshop on Advanced robotics and Its Social Impacts , 23-25 Aug. 2008 Page(s:1 - 614Temeltas,H.and Kayak,D.;SlAM for Robot Navigation, , IEEE Aerospace and Electronic Systems Magazine Volume 23, Issue 12,Dec.2008 Page(s:16 - 1915H u i -y i n g L i u ; L u -f a n g G a o ; Y u -x i a n G a i ; S h e n g Fu;Simultaneous Localization and Mapping for Mobile Robots Using Sonar Range Finder and Monocular Vision，IEEE International Conference on Automation and Logis