智能机器人原理与应用 课件 第11章 家庭智能空间服务机器人系统

智能机器人原理与应用“智能检测技术与模式识别”研究所11家庭智能空间服务机器人系统智能空间是一种新的人机交互协作的复杂系统，它通过普适传感器网络，把大量的多模态传感器和带有嵌入式处理器的计算、信息设备相互连接起来，从而将计算智能分布和嵌入到环境与日常工具中，以满足各种特定需要[7]。与服务机器人研究的最终目的一致，智能空间研究也是为了提高人的生活质量；从技术层面上看，将智能空间技术与服务机器人技术结合起来，可以实现两者优势的互补[8]：一方面，服务机器人只需与智能空间建立通信即可随时随地感知整个家庭环境，摆脱了必须集各种传感器于一身的束缚；另一方面，服务机器人的引入大大提高了智能空间感知与执行的主动性。可见，智能空间服务机器人的研究，是服务机器人技术与智能空间技术的完美结合，是不同于两者的各自独立发展，却可以同时进行的另一条道路，其研究也必将丰富机器人和智能空间领域的相关理论。11.1家庭智能空间服务机器人系统介绍11.1.1家庭服务机器人1.家庭服务机器人研究尚不成熟当前的家庭服务机器人研究和应用远远没有达到我们的期望，这其中一部分原因是当前对服务机器人本身，包括智能、自主等方面的研究还不成熟：首先，机器人的智能程度较为低下，目前机器人的服务功能往往是通过使用者预先对机器人设置定时启动，或通过遥控等设备发出指令为绝对前提，机器人缺乏主动智能；其次，机器人感知和自主运动能力尚待提高，为机器人本体配备更多的感知设备，难以从根本上解决机器人全局范围内有效信息的感知问题，反而导致了成本和计算开销的增加。因此，机器人进入家庭作业仍受到很大的限制，其基本功能如定位、导航和物体识别等仍是最具有挑战性的课题。11.1家庭智能空间服务机器人系统介绍11.1.1家庭服务机器人2.家庭服务任务的难度众所周知，家庭服务机器人面对的是整个家庭环境及其中的各种目标，不同于工业现场固定和可编程的环境，其复杂性具体表现为以下几个方面。(1)机器人工作环境为较为拥挤、混杂的家庭环境，且动态性较高；(2)家庭目标种类繁多特征各异，部分目标具有较强的移动性并在家庭环境进出；(3)家庭环境和目标相辅相承，融为一体，并无明确界限可分。由于上述因素的影响，造成了家庭环境及其中目标的多而混杂、异质性和动态性，在此情况下，传统的只适合在特定条件、特定场合下完成简单任务的工作模式和处理方法将不能满足家庭服务机器人任务的需要。11.1家庭智能空间服务机器人系统介绍11.1.2智能空间1.智能空间的特点近年来，伴随计算机、信息和网络技术的飞速发展，出现了基于普适计算理论的智能空间技术，它是一种新的复杂系统，通过普适传感器网络，把大量的多模态传感器安装在室内的多个位置，并将其与带有嵌入式处理器的计算设备进行互连，从而将计算智能分布和嵌入到附有唯一识别标签的环境与日常目标中，以实现对环境及其中目标的随时、随地感知，满足各种特定任务的需要。可见，智能空间既可以提供对其所在环境的精确观测信息，同时又具备高效快速的信息处理能力。11.1家庭智能空间服务机器人系统介绍11.1.2智能空间2.智能空间的应用前景智能空间技术旨在建立一个以人为中心的充满计算和通信能力的空间，让计算机参与到日常活动中，使用户能像与其他人一样与计算机系统发生交互，从而随时随地、透明地获得人性化的服务。从普适计算的角度来看，智能空间是普适计算理论研究的理想实验平台，同时作为一种集成化系统，智能空间也具有十分重要的应用价值，在智能交通、应急反应、机器人等领域显示出广泛的应用前景。11.1家庭智能空间服务机器人系统介绍11.1.3家庭智能空间服务机器人系统构建背景1.家庭智能空间服务机器人系统的理念家庭智能空间服务机器人系统的建立主要是通过在室内环境布撒各种信息检测传感器、用于数据处理和信息服务的计算主机、人-机交互的触摸显示器界面、网络系统以及数据库等软硬件设施，从而将室内家庭环境改造为遍布观测和处理能力的信息空间，为服务机器人提供海量信息的环境信息，并通过无线传输方式与机器人交互，辅助机器人实现准确导航、精确定位等工作，进而完成抓取、运送、整理家具和物品等各种家庭服务任务。11.1家庭智能空间服务机器人系统介绍11.1.3家庭智能空间服务机器人系统构建背景2.家庭智能空间服务机器人系统的系统构成图11.1给出了一种以摄像机为节点构建智能空间传感器网络的家庭智能空间服务机器人系统示意图。本章的研究同样是基于摄像机节点来构建智能空间传感器网络。摄像机1摄像机N智能空间摄像机网络智能空间主机ZigBeeZigBee操作目标服务对象摄像头图11.1家庭智能空间服务机器人系统构成11.2机器人同步定位、传感器网络标定与环境建图众所周知，机器人定位、传感器网络标定与环境建图是物联网机器人系统中三个相互耦合的基本问题，其有效解决是物联网机器人系统提供高效智能服务的前提。本节提出了物联网机器人系统同时机器人定位、传感器网络标定与环境建图的概念，通过分析三者之间的耦合关系，给出同时定位、标定与建图问题的联合条件概率表示，基于贝叶斯公式和马尔科夫特性将其分解为若干可解项，并借鉴Rao-Blackwellized粒子滤波的思想分别求解。首先，联合传感器网络对机器人的观测、机器人对已定位环境特征的观测以及机器人自身控制量设计了位姿粒子的采样提议分布和权值更新公式；其次，联合传感器网络对机器人运动轨迹及已定位环境特征的观测设计了传感器网络标定的递推公式；然后，联合传感器网络和机器人对(已定位或新发现)环境特征的观测设计环境建图的递推公式。给出了完整的同时定位、标定与建图算法，并通过仿真实验验证了该算法的有效性。11.2机器人同步定位、传感器网络标定与环境建图11.2.1问题简化作为人们日常生活和工作的重要场所，家庭或办公室环境的布局结构往往较为复杂，且其中目标种类繁多、特征各异并具有不同程度的动态特性。为方便分析，不妨将物联网机器人系统进行合理简化。首先建立机器人坐标系：以标识色块的中心为坐标系原点，z轴方向垂直标识色块向上，x轴方向为机器人前进方向，y轴方向由右手法则确定。假定机械手基座坐标系、PTZ云台坐标系在机器人坐标系下的位姿均已离线标定。以初始建图时刻的机器人坐标系作为世界坐标系，由于机器人运行在平行于地面的二维平面，不妨假设任意时刻机器人在世界坐标系z轴的投影始终为零。此外，环境目标往往分布在三维空间中，故本文将整个环境描述为世界坐标系下包含环境布局及其中目标的三维特征地图，并通过机器人和传感器网络的实时交互来联合构建并共同维护该地图。11.2机器人同步定位、传感器网络标定与环境建图11.2.2模型求解从概率的观点看，物联网机器人系统同时定位、标定与建图问题可以用概率密度来表示，即在已知机器人控制输入序列、机器人对N个环境目标的观测序列、传感器网络M个节点对机器人的观测序列，以及传感器网络M个节点对N个环境特征的观测序列的条件下，求解传感器网络M个节点的参数、机器人位姿、以及N个目标所构成地图的联合后验概率估计问题。基于Rao-Blackwellized粒子滤波的思想，机器人运动轨迹的递归估计由粒子滤波器完成，各粒子对应传感器网络参数估计和特征地图估计均由扩展Kalman滤波器完成。11.2机器人同步定位、传感器网络标定与环境建图11.2.3算法描述通过前面的分解，并采用Rao-Blackwellized粒子滤波思想，在t时刻，物联网机器人系统同时定位、标定与建图问题的求解算法如下：Step1.基于粒子滤波的机器人定位(1)机器人位姿估计：采样机器人位姿粒子；(2)位姿粒子权值计算：计算各位姿粒子的权值，归一化；(3)计算有效粒子数，进行粒子重采样；Step2.传感器节点标定环节：基于EKF估计传感器节点的位姿参数(1)预测更新；(2)根据传感器节点对机器人观测的观测更新；(3)根据传感器节点对已定位环境特征观测的观测更新；Step3.环境特征建图环节：基于EKF估计环境特征的位置：(1)预测更新：(2)根据机器人对环境特征观测的观测更新；(3)根据传感器节点对环境特征观测的观测更新。11.2机器人同步定位、传感器网络标定与环境建图11.2.3算法复杂度分析同时定位、标定与建图问题的本质是多传感器信息融合意义下的状态估计问题。本文方法采用序贯方式融合两类观测信息进行状态的观测更新，针对每一类观测，当同时存在多个该类观测时，仍然采用序贯方式加以融合，如对于步骤Step2.(2)的观测更新，当存在多个传感器节点对机器人的观测时，采用序贯方式融合多传感器节点的观测信息，同样策略应用于步骤Step2.(3)、Step3.(2)和Step3.(3)中存在多个同类观测的情形。假定物联网机器人系统中包含一个移动机器人和一个由M个节点构成的传感器网络，且环境中包含N个特征点，本文算法中粒子个数选为K，在极端情形下，即各传感器节点始终可以观测到机器人和所有环境特征点，且机器人在任意时刻也都可以观测到所有环境特征点时，本文算法所要融合的数据量最大，通过算法分析可知此情况下算法循环次数为K(M(N+1)+N(M+1))，或者说，本算法在最坏情况下的时间复杂度为O(KMN)。11.2机器人同步定位、传感器网络标定与环境建图11.2.4实验测试TimBailey提供了SLAM的matlab仿真程序和一个200m×200m的数据集，在此基础上作如下改动：在地图中随机添加landmark和waypoint数据，其位置如图11.2所示；机器人初始位置在原点处、方向朝左；控制周期为0.025s；机器人能够得到距离和方位的观测信息，观测范围为其前方半径为30m的半球区域，观测采样周期0.2s，观测噪声的协方差矩阵为diag{0.01.0.01}，运动速率3m/s，运动噪声的协方差diag{0.09,(3o)2}，实验中所用到粒子滤波的采样粒子数均取为100。图11.2环境特征、传感器节点和机器人运行路径示意图11.2机器人同步定位、传感器网络标定与环境建图11.2.4实验结果分析第一组仿真实验进行机器人定位精度对比，分别采用EKF-SLAM、FastSLAM2.0与本文的物联网机器人系统U-SLAM(ubiquitousrobotsystemSLAM,U-SLAM)方法进行对比，三类方法各运行50次，得到的机器人位置误差的数学期望和方差如图11.3所示，角度误差的数学期望和方差如图11.4所示。可以看出，传统的SLAM方法中，EKF-SLAM算法仅利用机器人运动模型进行位姿估计而没有考虑对环境的观测信息，得到的定位误差较大；FastSLAM2.0算法由于充分考虑机器人观测信息，定位精度较高，但由于传感器随机器人运动，导致这两种传统SLAM方法都存在定位误差随运动时间明显增大的缺陷。而对于本文U-SLAM，由于传感器网络各节点独立于机器人，解除了观测与机器人运动之间的数据耦合，在明显提高机器人位姿估计精度的同时，估计的稳定性也有大幅改善。图11.4机器人角度误差对比图11.3机器人位置误差对比11.2机器人同步定位、传感器网络标定与环境建图11.2.4实验结果分析第二组仿真实验进行传感器网络标定精度对比，分别对仅依据运动方程的机器人位姿、依据FastSLAM2.0的机器人位姿，以及本文的物联网机器人系统U-SLAM中联合机器人位姿与环境特征这三类传感器网络标定方法进行对比，三类方法各运行50次，得到的传感器网络标定误差的数学期望和方差如图11.5所示。可以看出，仅依据运动方程的方法，机器人位姿估计误差随运动距离增加迅速，得到的标定结果误差很大，难以满足要求；依据FastSLAM2.0算法能够有效减少机器人位姿估计误差，从而提高了节点标定的精度，但由于仅考虑了节点对机器人的观测，产生的标定误差仍然较高。而对于本文U-SLAM，传感器网络各节点标定、机器人位姿估计相对独立，解除了观测与机器人运动之间的数据耦合，在明显提高机器人位姿估计精度的同时，传感器节点标定的精度和稳定性也得到了大幅改善。图11.5传感器网络标定误差对比11.2机器人同步定位、传感器网络标定与环境建图11.2.4实验结果分析第三组仿真实验进行环境建图精度对比，分别对仅依据运动方程的机器人位姿、FastSLAM2.0的机器人位姿，以及本文的物联网机器人系统U-SLAM中联合机器人位姿与环境特征这三类环境建图方法进行对比，三类方法各运行50次，得到的传感器网络标定误差的数学期望和方差如图11.6所示。可以看出，仅依据运动方程的方法，机器人位姿估计误差随运动距离增加迅速，导致建图误差很大，难以满足要求；依据FastSLAM2.0算法能够有效减少机器人位姿估计误差，从而提高了建图的精度，但由于仅考虑了节点对机器人的观测，产生的标定误差仍然较高。而对于本文U