（控制理论与控制工程专业论文）基于视觉激光的移动机器人自定位研究.pdf

大连理工大学博士学位论文 摘要 智能移动机器人研究属于多学科交叉领域，它的研究越来越受到国内外学者的重 视。移动机器人自主定位是智能导航和环境探索研究的基础，是机器人实现真正智能化 和完全自主的关键技术。作为一个复杂的系统性问题，机器人的自定位需要综合考虑传 感器特性、作业环境特征和定位算法采用的具体形式等。本文系统地研究了智能移动机 器人的自定位。首先概述了移动机器人自定位研究的国内外现状，阐述了定位研究的主 要方法、关键问题以及技术发展趋势。从两个方面概述本文解决自定位的思想：一方面 是将该问题总体建立在传感器数据融合基础上，通过先验地图并结合传感器模型提出相 应的环境特征提取，然后给出相应的计算方法估计机器人的位姿状态；另一方面，本文 又从模式分类角度解释机器人认识客观世界的过程。本文通过大量真实环境下的实验分 析、比较了所提方法的性能。 面向r o b c u p 中型移动机器人足球比赛以及s m a r t r o b 2 嵌入式移动机器人平台，本 文首先实现了基于单向视觉的移动机器人自定位任务。开发了基于m a p 位姿估计的自 定位系统，提出针对比赛环境的三维矢量表述形式，充分研究了单向视觉的成像特点并 利用u n s c e n t e dt r a n s f o m 有效传播系统内部的不确定性，实验表明基于m a p 的迭代优 化算法能够提高位姿估计的精度。 面向大型室内结构化环境的移动机器人视觉定位任务，要以有效的方式理解，解释 以及表达工作环境的相关信息，才利于机器人对场景的有效分析。本文阐述了基于全向 视觉的室内走廊环境的自定位，开发了基于p i o n e e r 3 d 的人机交互式可视化自定位系统， 提出几何一拓扑混合三维地图的环境地图，给出了全向传感器成像模型以及基于反馈分 层估计融合的自定位算法。实验分析了不同初始位姿和观测信息下定位系统的精度和位 姿估计的收敛情况，在考虑动态障碍物的遮挡情况下完成了机器人的在线环境感知和运 动自定位任务。 考虑采用两种不同方式实现机器人在复杂室内环境中的自定位任务，一种是面向结 构化走廊环境，借助单向摄象机实现基于地图的机器人自定位；另一方面，在处理办公 室准结构化环境时，本文采用基于激光测距仪的扫描匹配方法，分析比较了i c p 、m b i c p 以及融合多次扫描匹配的自定位方法。 面向基于图像外观表象的移动机器人自定位任务，本文研究了描述机器人作业空间 的特殊模型一基于外观的环境建模方法。分别研究了基于批处理p c a 以及递增p c a 的图 像外观数据空间的构建方法，然后进一步给出了基于广义回归神经网络( g e n e r a l i z e d r e g r e s s i o nn e u r a ln e t w o r k s ) 的数据映射方法。 王珂：基于视觉一激光的移动机器人自定位研究 关键词：自主移动机器人自定位；传感器建模；扫描匹配；多传感器数据融合；神 经网络 大连理工大学博士学位论文 m o b i l er o b o ts e l f - l o c a l i z a t i o nb y u s i n g v i s i o na n dl a s e r a b s t r a c t a u t o n o m o u sm o b i l er o b o ti st h er e s e a r c hf o c u si nt h ef i e l do fr o b o t i c sa n da u t o m a t i o n s e l f - l o c a l i z a t i o ni so n eo ft h ef o r e m o s tp r o b l e m sf o ri n t e l l i g e n tn a v i g a t i o na n de n v o r i m e n t e x p l o r a t i o n a sac o m p l i c a t e di s s u e ，s e l f - l o a l i z a t i o nt a s ks h o u l dc o n s i d e rs e n s o rc h a r a c t e r s ， e n v o r i m e n t a lf e a t u r e sa n di m p l e m e n t a t i o no fl o c a l i z a t i o na l g o r i t h m s e ta 1 珊sd i s s e r t a t i o n p r o v i d e sas y s t e m a t i cr e s e a r c ht o w a r d ss e l f - l o c a l i z a t i o no fm o b i l er o b o t w ef i r s t l ye x p o u n d s t a t eo ft h ea r ti nl o c a l i z a t i o nr e s e a r c h , a n dp r e s e n tt h el e a d i n gm e t h o d s ，k e yt e c h n i c a li s s u e s a n df u t u r ed e v e l o p m e n tt r e n d s t os u m m a r i z et h ec e n t r a lc o n t r i b u t i o no ft h i sd i s s e r t a t i o nf r o m t w oa s p e c t s ，t h ef k r s ti st od e v e l o pt h el o c a l i z a t i o nm e t h o d sb a s e do nm u l t i s e n s o rf u s i o n s t r a t e g y ；o nt h eo t h e rh a n d ，t h i sd i s s e r t a t i o ni n t e r p e r a t et h ec o g n i t i v ep r o c e d u r eo fr o b o tf r o m as t a t i s c a lp a t t e r nr e c o g n i t i o nv i e w p o i n t m o r e v e r , t h i sd i s s e r t a t i o np r o v i d e sam a s so f p r a c t i c a le x p e r i m e n t sb a s e do nr e a lr o b o tp l a t f o r mt ov e r i f yt h ep r o p o s e dm e t h o d s t o w a r d sr o b o c u pm i d d l e s i z e ds o c c e r al o c a l i z a t i o ns y s t e mi sd e v e l o p e df o rm o b i l e r o b o t t h er o b o te s t i m a t e si t sp o s er e c u r s i v e l yt h r o u g ham 已心e s t i m a t o rt h a ti n c o r p o r a t e st h e i n f o r m a t i o nc o l l e c t e df r o mo d o m e t r ya n du n i d i r e c t i o n a lc a m e r a w - eb u i l da3 de n v o r i m e n t a l m a pf 0 rs o c c e rf i e l d ，t h en o n l i n e a rs e n s o rm o d e l sa n d ，m a i n t a i nt h a tt h eu n c e r t a i n t y m a n i p u l a t i o no fr o b o tm o t i o na n di n a c c u r a t es e n s o rm e a s u r e m e n t ss h o u l db ee m b e d d e da n d t r a c k e dt h r o u g h o u to u rs y s t e m w ed e s c r i b et h eu n c e r t a i n t yf r a m e w o r ki na p r o b a b i l i s t i c g e o m e t r yv i e w p o i n ta n d ，u s eu n s c e n t e dt r a n s f o r mt op r o p a g a t et h eu n c e r t a i n t yw h i c h u n d e r g o e st h eg i v e nn o n l i n e a rf u n c t i o n s c o n s i d e r i n gt h ep r o c e s s i n gp o w e ro fo u rr o b o t ， i m a g ef e a t u r e sa r ee x t r a c t e di nt h ev i c i n i t yo fc o r r e s p o n d i n gp r o j e c t e df e a t u r e s i na d d i t i o n , d a t aa s s o c i a t i o n sa r ee v a l u a t e db ys t a t i s t i c a ld i s t a n c e w 色c o n d u c tas e r i e so fs y s t e m a t i c c o m p a r i s o n st op r o v et h er e l i a b l ea n da c c u r a t ep e r f o r m a n c eo ft h i ss e l f - l o c a l i z a t i o ns y s t e m t o w a r d sl a r g es c a l ec o r r i d o re n v i r o n m e n t ，an o v e lm e t r i c t o p o l o g i c a l3 dm a pi sp r o p o s e d f o rr o b o ts e l f - l o c a l i z a t i o nb a s e do no m a f i d i r e c t i o n a lv i s i o n 1 1 1 el o c a lm e t r i cm a p i na h i e r a r c h i e a lm a n n e r , d e f i n e sg e o m m e a le l e m e n ta c c o r d i n gt oi t se n v i r o n m e n t a lf e a t u r el e v e l t h e n ，t h et o p o l o g i c a lp a r t si ng l o b a lm a pa r eu s e dt oc o n n e c tt h ea d j a c e n tl o c a lm a p s w e d e s i g nan o n l i n e a ro m n i d i r e c t i o n a lc a m e r am o d e lt op r o j e c tt h ep r o b a b i l i s t i cm a pe l e m e n t s w i t hu n c e r t a i n t ym a n i p u l a t i o n f o rs e l f - l o c a l i z a t i o nt a s k ah u m a n m a c h i n ei n t e r a c t i o ns y s t e m i sd e v e l o p e du s i n gh i e r a r c h i c a ll o g i c i tp r o v i d e saf u s i o nc e n t e rw h i c ha p p l i e sf e e d b a c k h i e r a r c h i c a lf u s i o nm e t h o dt of u s el o c a le s t i m a t e sg e n e r a t e df r o mm u l t i o b s e r v a t i o n s w i t h o u tl o s so fg e n e r a l i t y a n yi n d o o re n v o r i m e n tc o n s i s t so fa tl e a s tt w ok i n d so f d e s c r i p t i o n s 。n a m e l y 。s t r u c t u r a la n ds e m i s t r u c t u r a ld e s c r i p t i o n s t h ef o r m e ri sc o n s i s t e n t i i i 王珂：基于视觉一激光的移动机器人自定位研究 晰mt h ep r o p o s e dm e t r i c t o p o l o g i c a l3 dm a p ，w h i l et h el a t t e rr e p r e s e n t i n gt h eo f f i c e e n v o r i m e n tc a l ln o tb es i m p l ym o d e l e da sam a p t h e r e f o r e ，w ep r o p o s eah y b r i dl o c a l i z a t i o n s y s t e mb a s e do nas e n s o rs w i t c h i n gs t r a t e g yb e t w e e nu n i d i r e c t i o n a lc a m e r aa n dl a s e rr a n g e f i n d e r i nt h i ss y s t e m ，as e n c ea n a l y z e ri su s e dt oi d e n t i f yt h ee n v o r i m e n t a lf e a t u r e sa n d ，m a k e d e s i c i s i o n so nw h e nt ou s ec a m e r ao rl a s e r i nt h i sw a y t h ec o r r e s p o n d i n gm a p b a s e da n d s c a n - m a t c h i n gm e t h o d sa r ei n v o k e dw h e ns y s t e mi so p e r a t i n gi nc a m e r aa n dl a s e rm o d e ， r e s p e c t i v e l y e x p e r i m e n t a lr e s u l t sa r es h o w na c c o r d i n g l y r e g r e s s i o na n a l y s i s b e t w e e nf e a t u r e so fh i g h - d i m e n s i o ni s r e c e i v i n ga t t e n t i o n i n e n v i r o n m e n t a ll e a r n i n go fm o b i l er o b o t i nt h i sd i s s e r t a t i o n ，w ep r o p o s ean o v e lf r a m e w o r k ， n a m e l yg e n e r a lr e g r e s s i o nn e u r a ln e t w o r k ( g r n n ) ，f o ra p p r o x i m a t i n g t h ef u n c t i o n a l r e l a t i o n s h i pb e t w e e nh i g l l d i m e n s i o n a lm a pf e a t u r e sa n dr o b o t ss t a t e s w r cf i r s t l ya d o p t b a t c h p c aa n di n c r e m e n t p c at op r e p r o c e s si m a g e st a k e nf r o mo m n i d i r e n c t i o n a lv i s i o n t h e m e t h o de x t r a c t sm a pf e a t u r e so p t i m a l l ya n dr e d u c e st h ec o r r e l a t e df e a t u r e sw h i l ek e e p i n gt h e m i n i m u mr e c o n s t r u c t i o ne r r o r 砀既t h er o b o ts t a t e sa n dc o r r e s p o n d i n gf e a t u r e so ft h e t r a i n i n gp a n o r a m i cs n a p s h o t sa r eu s e dt ot r a i nt h eg i v e nn e u r a ln e t w o r k k e yw o r d s ：m a p b a s e ds e l f l o c a liz a ti o n ：s e n s o rm o d e li n g ：s c a nm a t c h i n g ： m u l t i s e n s o rf u s i o n ：n e u r a ln e t w o r k s i v 独创性说明 作者郑重声明：本博士学位论文是我个人在导师指导下进行的研究工 作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方外， 论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得大连理 工大学或者其他单位的学位或证书所使用过的材料。与我一同工作的同志 对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。 作者签名：垒迂1 日期：邋鲤弓务 大连理工大学博士学位论文 大连理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“大连理工大学硕士、博士学位论文版权使用 规定 ，同意大连理工大学保留并向国家有关部门或机构送交学位论文的复印件和电子 版，允许论文被查阅和借阅。本人授权大连理工大学可以将本学位论文的全部或部分内 容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论 文。 作者签名 建通 导师签名： 大连理工大学博士学位论文 1 绪论 1 1 选题的背景和意义 自主移动机器人是能够被赋予自感知、自规划、自组织和自适应能力的复杂智能系 统。作为“当代最高意义上的自动化的机器人学的重要分支之一，移动机器人的研究 因为始终处于学术前沿的地位而备受重视i l j 。研究人员在近十几年相继研制了高性能的 环境信息传感器、开发了信息处理及融合系统，提出了许多用于实际系统的控制技术及 复杂真实环境下的导航规划策略；在技术细节上开展了诸如移动机器人的导航路径规 划，状态估计及信息融合，地图构建与自定位以及人机交互等高层次的理论、工程方面 的研究【2 】。从根本上说，移动机器人研究的最终目的是为了服务人类，是希望通过机器 人这个具有自主计算和感知能力的载体进一步揭示人类认知的本质。借此使本文能够重 新认识和再现认知层次的形成过程，并将其在生产、生活实践当中充分运用【3 1 。 移动机器人研究的相关技术中，自主导航是机器人实现真正智能化和完全自主的关 键 4 1 。d u r r a n t w h y t eh 等人把机器人导航研究归结为“我在哪”、“我要去哪 以及“如 何到达一三个问题【5 】。其中，解决“我在哪 问题的自主定位是基本环节和必须首先解 决的问题。可以看出，自主定位是移动机器人研究的热点，其在整个自主移动机器人研 究体系中处于核心地位【6 j 。 本文研究、设计及实现了室内环境下非完整轮式移动机器人的自定位。从两个方面 概述本文解决自定位的思想，一方面是将该问题总体建立在传感器数据融合的基础上， 构建先验室内环境地图并结合传感器模型，提出相应的环境特征提取与信息融合方法来 递推估计机器人的位姿状态；另一方面，本文从模式分类角度诠释机器人认识客观世界 的过程，用神经网络的逼近能力回归分析基于“外观表象”的环境表述与机器人位姿之 间的映射联系。 本文的主要贡献在于能够较为系统地提出室内移动机器人自定位的解决方案。深入 细致地研究了激光测距仪，单向、全向视觉系统等传感器系统；提出具体客观世界的有 效表述方法；给出相应的信息处理技术以及核心自定位算法。本文从构建复杂系统的角 度出发，分别开发了面向嵌入式移动机器人s m a r t r o b 2 平台的视觉自定位系统，以及面 向p i o n e e r 3 d x 的人机交互式可视化自定位系统。通过大量真实环境下的实验分析，本 文验证及比较诸多自定位方法的性能，因此本文的工作对提高移动机器人的自主定位研 究具有重要的理论意义和实用参考价值。 本章首先对自主移动机器人的国、内外发展现状进行概述，然后对自主移动机器人 王珂：基于视觉一激光的移动机器人自定位研究 定位领域中的研究重点和关键技术进行讨论，最后相应讨论了技术发展方向。 1 2 国内外移动机器人自定位研究概述 移动机器人的自定位，如图1 1 所示，概括起来是对传感器捕获的环境特征进行提 取和分析，并按特定准则所确立的观测特征和环境数据库间的对应关系确定相对于全局 坐标机器人自身位姿状态的过程 7 1 。该过程从根本上揭示了要想实现自定位，必须相应 地完成传感器数据获取，环境建模，信息处理，特征匹配及相应的自定位算法，因此可 以看出机器人的自定位是一个复杂的系统性工程，不是单元技术的简单连接，需要综合 考虑和调和传感器特性、环境特征，所采用的位姿估计形式等因素才能完成。系统的总 体功能因此需要各分系统多层次的协调和分工完成的。 机器人的视觉传感器包括单向、全向及双目等c c d 摄像机，同时还存在声纳或激 光测距仪等距离传感器。定位的一个重要任务是从这些传感器捕捉的数据中提取出期望 的特征并与环境特征建立某种一致性的联系。特征往往以色块，曲线、点集等形式表述， 这种特征的表述形式取决于由静态形式的路标或描述的环境特征，即尽管机器人所处的 环境可能是动态的，但机器人必须依据静止参考系实现自定位。因此环境特征必须易被 感知且能给机器人提供必要的空间信息。本章将首先介绍自定位方法的宏观分类情况， 然后再具体阐述如何确定机器人的位姿。 传感器捕探测和分确定观测特征确定机 获外部环割原始数和期望特征的 器人位 境信息据的特征一致性 姿 图1 1 移动机器人自定位的基本流程 f i g 1 1 s e l f - l o c a l i z a t i o np r o c e s so f m o b i l er o b o t 注意到由于移动机器人可能配备的传感器种类和数量存在差异，同时对工作环境特 征的解释方式也可能不同，具体采用的位姿更新技术也会多种多样。因此为了便于理清 自定位发展的思路，首先在宏观上对机器人自主定位进行相应分类，而关于具体的技术 性质的分类，将会在相应章节中作进一步讨论。基本上，可以根据机器人对环境的解释 方式将定位方法分为基于地图的自定位和不依赖于地图的定位，在这一层面下，大体上 还可以再细化出全局定位以及相对自定位方法。 ( 1 ) 基于地图和不依赖地图的自定位 如果机器人作业环境是一种结构化环境，即如果可以用较直观的空间几何特征在一 大连理工大学博士学位论文 致性原则下解释环境的有效信息，这就会使整体环境描述的复杂性大大降低，因此也为 机器人提供了有效参考信息。此时的环境可用能够反映出空间位置信息的显著性信标特 征、栅格或者几何地图等加以表述。如果把这种信标、栅格等带有几何性质的表达形式 近似归到几何地图中，那么这样的自定位方法可以看作是有先验地图支持的。非结构环 境通常是在无法抽取有效几何特征时才采用的，即环境构成上十分复杂，即便有部分几 何特征，也无法在几何上给与整体一致性的解释。有的研究人员提出了环境的拓扑表意 方法，拓扑地图用有向图表示，定义有向图节点为机器人构型空间的位姿集合，有向图 的边为机器人基本运动类型。从一定意义上讲，基于拓扑地图的自定位实质上是一种拓 扑分类过程。它有利于机器人的路径规划，但自定位精度和鲁棒性要逊于基于前者自定 位方法，所以路标和几何地图模型更利于机器人实现自定位。值得注意的是，近期基于 视觉的自定位研究集中于描述视觉环境信息的全局或局部性的“外观 表达，这种外观 表述虽不能说明环境的结构信息，也不试图建立拓扑地图，但却构建一个基本数据库供 机器人参考实用。因此是一种更高级的非结构化地图表达形式。本论文将在第5 章作进 一步阐述。同样，一些基于激光的自定位方法有时不需要构建先验的几何、拓扑形式的 地图，而是将一帧激光原始数据直接作为下一帧数据的参考。由于这些方法没有抽取高 级环境特征，所以也是一种无结构的环境描述。 ( 2 ) 全局自定位及相对自定位 根据是否借助先验位姿，可以将机器人的自定位方法细分为全局方法和局部方法。 全局自定位是机器人在先验位姿未知情况下，用观测信息和已知环境描述的对应关系确 定其位姿的方法，一般侧重于直接根据环境特征来分析机器人与环境特征的位置关系。 由于存在诸多因素的不确定性，研究人员又进一步采用以鲁棒跟踪器为基础的全局定位 方法。局部定位方法总体来讲是依据递推式位姿估计实现机器人的自定位，期间可以利 用外部传感器的观测特征修正每一次迭代所得的位姿估计值，其假设前提是估计位姿与 实际位姿偏差不能过大。局部方法实际是利用传感器探测的环境特征对先验位姿重新修 正的过程，体现了融合多传感器数据以产生更精确位姿估计的思路，同时又说明了机器 人必须是一个开放、具有内外世界的信息交互能力的个体。 1 2 1 国外移动机器人自定位研究概述 1 9 7 9 年，g i r a l t 等研制出具有先驱意义的车辆机器人【羽，1 9 8 0 及1 9 8 3 年m o r a v e c 9 】 的相继工作都表明，隐式或显式集成先验环境信息对机器人能够成功定位是必须的，这 种信息能够指示机器人将会看到何种场景。一些早期的视觉系统严重依赖环境的几何表 述，通常是在机器人存储器中保存复杂多变的c a d 环境模型。此时，机器人想成功在 乇珂：基于视觉一激光的移动机器人自定位研究 图12 中混乱的走廊环境中实现导航足一个小可能的任务，像图12 中复杂的图像特征 在过去都是不允许出现的，因为大量杂乱的特征能够被任意特征检测算子捕获并且无法 相互区分。1 9 9 2 年，f i n a l e 在基于模型的定位框架下使得这种任务不再具有挑战性0 ， 机器人此时h 需检测模型的投影特征区域附近的图像特征，该区域是由机器人位姿的不 确定性计算得到的。可以看出，机器人此时采用的主要环境表述方式为空间几何表述。 鬣 幽12f i n a l e 的定位算法： ( 吣模型的投影( b ) 无约束特征提取( c ) 不确定性传播( d ) 有约束的特征提取 f i g1 2 r e s u l t so f f i n a l e s l o c a l i z a t i o n a l g o r i t h m ：( a ) m o d e l p r o j e c t i o n ( b ) d e t e c t i o n w i t h o u tc o n s t r a i n s ( c ) u n c e m t a i n t yp r o p a g a t i o n ( d ) d e t e c t i o n w i t hc o n s i x a i n s ( 1 1 基于地图定位的研究概述 利用占用栅格，t h r u n ，f o x 和b u g a r d 相继在r h i n o ”“及m i n e r v a 机器人平台 上成功的应用m a r k o v 等定位算法但由于其中贝叫斯积分的复杂性，这些方法的实时 执行需要采用如数据滤波或栅格选择机制等旧发式方法【1 ，些方法的比较分别在 r a s c h k c 和b o r e n 5 t c i n l l ”，s c h i e l e 和c r o w l e y l 2 ，g u t i l l 卸n 等文献中分别给出。其他的 如模糊占用栅格在o r i o l o 的研究工作中提州“j 。 当需要描述大规模环境时，与栅格地图相比，以线段、面片等元素构成的几何地图 能大大降低机器人的内存需求，这基本l 是丰流的地图表达模式。在初始化时，当没有 关于机器人位姿的先验信息时，需要牟局地图匹配和多模滤波_ ；| j ，此时定位过程是耗 戳圈 蕊孵良。 驶 嗡黔黔。 闱删蘸 慑懋戮 蕊酽k 啪 _。r1日i塑 大连理工大学博士学位论文 时的。在初始化完成以后，就可以采用实时的位姿跟踪技术，此时内部传感器用于位姿 的预测，外部传感器用于位姿校正，并且多采用数据融合策略最小化里程计的累积误差。 通常情况下，机器人需要构建局部地图并且与全局地图匹配，使得估计的位姿能够令两 组地图最优地拟合。g u m a n n 2 5 以及w e i b 2 6 】等的研究直接用原始数据和环境地图匹配。 还可以应用k a l m a n 滤波技术忙7 1 ，由于这些研究工作多是近似的滤波处理，因此需要调 整协方差等参数。为了解决这种模型逼近和位姿预测上的偏差，局部迭代1 2 8 】，自适应模 型【2 9 j 以及协方差交叉滤波器【3 0 j 被相应提出。基于地图的自定位难点还在于被估计变量的 分布情况，研究表明机器人状态存在多假设或多模分布的可能，所以a n t o n i a l i 和o r i o l o 提出了多假设滤波器【3 。此外，m o n t ec a r l o 或p a r t i c l ef i l t e r i n g 被用于复杂环境中的位 姿跟踪和“绑架”问题【= ，2 j 。 基于拓扑地图的自定位实质上是一种拓扑分类过程。拓扑地图用有向图表示，定义 有向图节点为机器人构型空间的位姿集合，有向图的边为机器人基本运动类型。 n e u r o - n a v 系统应用了环境的拓扑地图进行导航与定位1 3 3 】，该环境如图1 3 所示，走 廊环境的拓扑表示采用了三种不同的节点来表示图结构，其中方块，圆和菱形分别代表 走廊，交汇区和走廊尽头。节点间的连接都被付与相应属性，包含节点间物理距离等相 应特征。文献1 3 4 1 首先解决拓扑地图的构建问题，预先用k l 展开式【3 5 】压缩机器人拍摄 的图像并通过迭代算法得到这些图像的降维特征空间，然后把该空间的图像映射到有向 图的对应节点上。定位时应用k 近邻法将当前的图像映射与前期地图构建时的所有图像 映射进行比较，在比较结果中搜索出其对应的类别，图像归类后完成自定位。 d 1 7 3 1 ” d 1 7 4 l d 1 7 5 i d 1 7 6 i d 3 c 5 ， j 3 ，c 3 ，一n ：一c 4 ，d 2 皂 一。i a l 8 d 1c lj l ， d 1 7 7 图1 3 环境的拓扑地图表示 f i g 1 3t o p o l o g i c a lr e p r e s e n t a t i o nf o re n v o r i m e n t 1 9 8 8 年，s u g i h a r a 提出了基于单摄像机定位的研究工作，该研究首次指出定位问题 可以被归结为几何约束的求解问题。1 9 8 9 年k r o t k o v 扩展了这种思想，提出了一个能够 分析观测不确定性影响的模型【3 7 】。1 9 9 3 年，a t i y a 和h a g e r 在同样的假设下开发了基于 b 嚣 罂 。 桃 露三二矿m 王珂：基于视觉一激光的移动机器人自定位研究 视觉的实时自定位算法【3 8 】，他们提出“容忍度 来表述传感器误差，这就能通过集合方 法解决匹配问题和利用三角学计算全局位姿。将这种方式理解为全局或绝对定位，该方 法不需要机器人的初始位置，定位系统必须构建全局数据库产生的期望观测和实际观测 之间的匹配关系，考虑到观测不确定性，同样的观测集合有可能与多个期望值发生匹配 关系，因此可以利用m a r k o v ，部分可观测m a r k o v 过程p 川，m o n t ec a r l o 自定位 4 0 i 以及 基于混合高斯模型的多假设k a l m a n 滤波1 4 。 h a s h i m a 提出当图像中路标已知并且能被跟踪时，就可以通过路标跟踪方法完成自 定位。路标可以为圆和条状码表示的人工路标【4 2 】，包括门、窗在内的自然路标，也可用 贴在机器人路径的反射磁带【4 3 】。h a s h i m a 的研究报告指出定位系统是采用关联技术跟踪 连续的路标变化m 】，通过专门的硬件计算2 5 0 对图像区域的局部关联情况，并与预先存 储的模板进行匹配来确定目标信标位置。 在过去十几年间，许多研究人员都提出这样一个问题：三维环境模型对机器人的成 功定位是否是必不可少的? 心理学家的发现表明视觉认知过程可以看作是一个识别和 关联二维图像的任务，从而推动了一系列成功算法的产生，他们应用物体2 维图像来构 建一个仅依赖于物体自身表象的表述【4 5 1 1 4 6 1 。意味着，可以采用植根于统计模式分析的算 法完成基于视图的识别任务，而无需显示地表达环境三维信息。当把自定位归结为识别 环境的瞬间视图问题后，识别任务就和机器人的物理空间相关联起来了。这种基于外观 表象的模型曾被认为是大大优于三维模型，因为构建复杂环境信息的三维模型是非常困 难的。证据表明基于外观表象的模型提供了一种合理的框架，优点是不需要预处理视觉 输入信息，也没有必要探测、搜索数据信息的局部特征，因为基本形式下的数据信息就 可以被解释。 应用基于表象的定位方法，m a t s u m o t 0 【4 7 】扩展了h o r s w i l l 4 8 】关于p o l l y 机器入平台上 的区域辨识思想，通过应用一系列的图像及模板匹配方法来实现定位和导航任务，系统 通过向下采样获得一系列的图像子窗体，并组成所有图像的记忆。每一个这一序列的图 像与机器人的位姿相关联，这里被认为是v s r r ( v i e w - s e q u e n c e dr o u t er e p r e s e n t a t i o n ) 。 当参考图像保存下来以后，机器人重复原来的轨迹，系统应用关联处理方法比较当前观 测的图像以及图像数据库。新图像被作为对应位置的观测数据，系统计算观测图像和模 板图像的像素距离，并且以此距离描述现实世界的距离和角度上的度量关系。此外，在 v s s r 的系统上，文献 4 9 1 被给定机器人一系列图像序列及位姿运动指令，结合标准互 相关方法，机器人从图像数据库中检索和当前的观测图像匹配最好的视图数据。o h n o 等提出一种简单、快速执行的序列图像算法 5 0 1 ，其他基于表象的方法如b a l k e n i u s l 5 ， m a r t i n e z l 5 2 】等可以在相应的文献当中找到。 大连理工大学博士学位论文 近几年，许多基于表象的自定位方法陆续被提出，他们大多需要离线地构建训练集， 并且多采用全向视觉传感器，原因在于全景图像有其自身的成像特性，并且图像的变化 并不像单向视觉传感器那样剧烈。文献 5 3 1 提出了旋转图像序列的特征空间的构建方法。 文献【5 4 】基于全景图像，利用傅立叶变换的低频成分降低了原始数据，这种方式能够提 供旋转不变性，但是不能鲁棒的处理遮挡情况。之后，基于局部算子的自相关方法被提 出以解决旋转不变性，该方法利用极坐标高阶局部自相关方法( p h l a c ) 获得全景图像的 旋转不变性【55 。最近的研究如文献 5 6 1 为了处理遮挡和光照变化干扰，提出迭代提取图 像的尺度不变特征作为图像特征集合。这些方法基本上都采用序列m o n t ec a r l o 定位算 法实现机器人的自定位。 ( 2 ) 不依赖于地图的机器人定位 不依赖地图的机器人自定位方法较少，其中包括基于视觉的光流法【5 刀，以及基于激 光的扫描匹配方法等。如果采用激光原始数据点作为定位的主要依据，那么就需要定义 合适的距离规则确定当前扫描与参考扫描数据的对应关系。最近点规贝u ( c l o s e s tp o i n t ) 选择参考扫描上的最邻近点作为当前扫描数据点的对应点，b e s l n m c k a y t 5 8 】根据该规则 提出了通用迭代最近点算法i c p ( i t e r a t i v ec l o s e s tp o i n t ) ，并证明该算法在最小方差意义下 能够单调收敛到局部最小点。文献 5 9 改进了i p c 算法，提出i d c 算法( i t e r a t i v ed u a l c o r r e s p o n d e n c e ) 。如图1 4 所示，该算法不仅使用最近点规则选择对应点，还使用距离匹 配规则选择对应点。这两个规则的使用确保了i d c 算法可以非常精确地估计出旋转分量 和平移分量，而且收敛速度也明显快于i c p 算法。传统的方法一般使用最小方差方法同时 估计旋转分量和平移分量，并使用定点迭代来提高结果的质量但为了保证可靠地收敛， 必须给出位姿的初始估计。f e n g 的方法中，平移分量仍然用最小方差方法获得，非线性 的旋转分量使用搜索距离函数获得，从而提高了旋转分量的估计精度。g u t m a n n 使用特 殊的滤波器减少参与对应的距离数据的数引鲫。 ( a )( b ) 图1 4i d c 算法：( a ) 最近邻方法，( b ) 距离匹配点规则 f i g 1 4 i d ca l g o r i t h m ：( a ) n e a r e s tn e i g h b o u rr u l e ，( b ) m a t c h i n g - r a n g e - p o i n tr u l e 王珂：基于视觉一激光的移动机器人自定位研究 h i n k e l 等首先提出基于角度直方图( a n g l eh i s t o g r a m ) 的自定位方法【6 l 】唧j 。假设激 光数据中每两个相邻点表示一条线段，计算所有相邻点间线段的角度并离散化，对这些 线段的角度分布进行统计，即得到角度直方图( 如图1 5 所示) 。由于机器人的旋转只会 引起直方图的相移，而平移远小于扫描范围，只会引起直方图在幅值上的变化，因此角 度直方图的分布基本上与平移和旋转无关，可以由此得到两个直方图间的相移信息，即 机器人的旋转角度。平移分量也可以使用类似的方法计算。为了降低距离数据噪声对结 果的影响，d u b r a w s k i 提出另一种实现角度直方图的方法【6 2 】。其中，角度直方图不再从 距离数据中计算得出，而是表示离散角度方向上线段的累积长度。近年来，k a i l i n g e m a n n 等在h a y a i 系统中提出极坐标扫描匹配方法嘟】。 五 2 图1 5 角度直方图 f i g 1 5a n g l eh i s t o g r a m 1 2 2 国内移动机器人自定位研究概述 国内对移动机器人的自定位研究起步虽然较晚，但经过近几年的发展也取得了很大 进步，大多数研究尚处于跟踪借鉴国外研究经验的阶段岬】。与国外自主移动机器人自定 位研究状况相对应，本节对将国内的研究成果与现状进行简要介绍。 文献【6 5 】综述了室内自主移动机器人的定位技术，提出一种通用的控制结构，对其 中与定位相关的地图结构、位姿估计方法进行了详细介绍，指出了地图构造、全局定位、 数据关联、同步定位与地图构造、信息融合方法及存在的问题。此外，文献【6 6 】- 6 8 】阐 述了近几年来流行的基于概率定位的各种方法，对概率定位方法的关键技术进行了分析 并探讨了未来的发展趋势。 文献【6 9 对航迹推算定位法进行了研究，提出了一类移动机器人的基于轨迹的运动 大连理工大学博士学位论文 学新模型，将改进的推算定位法与主动灯塔法相结合，提出用于室内移动机器人的定位 方法。文献 7 0 】提出了一种基于多假设跟踪的自适应蒙特卡罗定位改进算法。该算法根 据粒子间空间相似性采用核密度树聚类算法对粒子群进行聚类，每