（精密仪器及机械专业论文）面向多机器人编队的基于视觉的定位系统研究.pdf

摘要 摘要 在过去的十年里，移动机器人的群体协作因具有如高容错性，高有效性以及 可扩展性等优点得到了广泛的关注。多机器人系统在未知环境下的许多应用具有 广泛的前景，如协调操作，建筑测量，以及协作制图等等。在这些应用中，一组 机器人以一定编队的形式来完成任务，效果较之单机器人更为优越。 定位是机器入领域的一个关键技术，它主要解决机器人如何获知其在所属环 境的位姿，以及机器人之间相对位姿等问题。目前，大部分定位方法都只针对于 局部定位，很少人考虑多机器人编队的全局定位问题。为了简单化，这些方法， 往往假设机器人具有全局定位能力。本文旨在提出一种新的用于解决未知环境下 多机器人编队全局定位问题的方案，在该方案中同时考虑了全局和局部定位。本 文的两个主要工作包括定位系统和定位策略。 第一，本文提出了一种可用于多机器人编队系统的有效的基于天花板视觉的 定位方案。每个机器人上都装备有朝着天花板看的摄像头，而没有必要使用昂贵 且较难标定的传感设备( 如激光传感器和全景摄像头等) 。目前大部分天花板视 觉研究工作都局限于单机器人运用。本文将天花板视觉系统扩展多机器人编队应 用中，并使用新的特征检测和数据相关方法。基于匹配的局部定位用于计算机器 人之间的相对位姿，而同步定位与制图法( s l a m ) 用于全局定位。对于数据相关 这一s l a m 的关键步骤，本文也给出了解决方法。为了平衡鲁棒性和复杂度，一种 改良型的j c b b ( 联合相容性分支界定法) 用于快速且准确的获得优化的特征匹配 假设 第二，本文提出了三种定位策略用于解决多机器人编队系统的全局定位，以 满足不同任务和环境要求。第一种策略只全局定位领航机器人，而其他机器人则 通过局部定位获知全局信息，这种方法简单易行，只需要全局定位一个机器人， 但是机器人之间得相互靠近，以保证视场重叠：第二种则在每个机器人上使用同 步定位与制图法来实现全局定位，这种策略不需要多个机器人足够靠近，但因为 每个机器人都有自身的定位坐标系，所以需要将所有机器人的定位结果归整到一 个世界坐标系下；第三种使用公用的s l a m 服务器( 可装在某一台机器人上) 来 实现机器人的全局同步定位，并共享同一幅全局地图。这种方法每个机器人的硬 件要求较低，但定位服务器的硬件要求非常高。策略的选择取决于实际环境状况 和任务要求。最后，一组移动机器人的实验结果表明了所有这三种策略都具有很 好的定位性能。 摘要 本文提出了一种基于视觉的方案，用于解决室内多机器人编队的定位问题。 这种定位方法不仅能用于多机器人编队中，而且在其他一些多智能体任务中也具 有很好的应用前景。本文研究成果能有效的应用于室内环境下( 如医院，机场， 仓库和购物大厅等等) 的机器人自动化，从而帮助人们从繁重的体力劳动中解脱 出来。 关键词：多机器人编队同步定位与制图机器人视觉系统天花板视觉 ab s t r a c t a b s t r a c t o v e rt h ep a s td e c a d e ，c o o p e r a t i o no fs w a r mo fm o b i j er o b o t sh a sb e e nw i d e l y s t u d i e df o rh i g he r r o rt o l e r a n c e ，e m c i e n c y a n ds c a l a re x t e n d i b i l i t y am l ：l l t i r o b o t s y s t e mh a se ) d l i b i t e da d v a n t a g e s 内rv a r i o u ss e r v i c e sa n ds u r v e i l l a n c e si na nu n l ( n o w n e n v i r o m e n t e x a m p l e si n c l u d ec o o p e r a t i v em a n i p u l a t i o n ，b u i l d i n gm e a s u r e m e n t ，a n d c o o p e r a t i v em a p p i n g i n m a n yo ft h e s ea p p l i c a t i o n s ， t h er o b o t si nat e a ma r e c o n t r o l l e da saw h o l et of o l l o wr e q u i r e df o r m a t i o n st oa c c o m p i i s ht a s k sw i t hs a t i s 6 e d o 、_ e r a l lp e r f b r m a n c e l o c a j i z a t i o ni sak e yt e c t u l o j o g yt oa d d r e s sh o wt h er o b o t sl o c a l i z et h e m s e l v e si n t h eo p e r a t m ge n v i r o 啪e n ta n dh o w t h e yo b t a i nt h e i ri n d i v i d u a lp o s e sw i t hr e s p e c tt o t h et e a m m o s to ft h ep r e s e n ta p p r o a c h e sp u tt h ef o c u so nt h el o c a ll o c a l i z a t i o n 。n l y ， a n d 危wo ft h e md i s c u s sh o wt o g l o b a l l yl o c a l i z et h er o b o t si nt h em u l t i r o b o t f o r m a t i o n s f o rs i m p l i c i t y ，m a n yw o r k sj u s ta s s u m et h a tt h er o b o t se m p l o ya b s o l u t e p o s 沁i o n i n gc a p a b i l i t y ，t h i st h e s i ss t u d ya i m st od e v e l o pan e w 行a m e w o r kf o rg i o b a l l o c a l i z a t i o no fam u l t i - r o b o tf o r n l a t i o ns y s t e m 近a nu n k n o w ni n d o o re n v i r o n m e n t b o t hg j o b a ia n dj o c a ll o c a h z a t i o n sa r ea d d r e s s e di nt h i sr e s e a r c h t w on l a i nw o r k s r e p o n e di nt h i st h e s i sa r el o c a l i z a t i o ns y s t e ma n dl o c a l i z a t i o ns t r a t e g i e s f 打s t ，a ne m c i e n tc e i l i n gv i s i o nb a s e dl o c a l i z a t i o n 疔a m e w o r ki sd e v e l o p e df o r m u l t i r o b o tf o r m a t i o n s ac a m e r ap o i n t i n gu p w a r dt oc e i l i n gi si n s t a l l e do ne a c hr o b o t s u c ht h a tt h e r ei sn on e e dt ou s ee x p e n s i v ea n dh a r d l yc a l i b r a t e ds e n s i n ge q u i p m e n t ( i ，e ，l a s e r s e n s o r sa n do n m i d i r e c t i o n a lc a m e r a s ) t h em a j o r i t yo fe x i s t i n gw o r k s u s i n gt h ec e i l i n gv i s i o nh a v ec o n c e n t r a t e do nt h es i n g kr o b o ta p p l i c a t i o n so n l y 。t h i s t h e s i sm a k e s 锄e x t e n s i o no fa p p l y i n gt h ec e 订i n gv i s i o n s y s t e mt o m u l t i r o b o t b r i n a t i o n s ，u s i n gn e w l yd e v e l o p e df b a t u r ed e t e c t i o na n dd a t aa s s o c i a t i o nt e c h n o l o g i e s m a t c h - b a s e dl o c a ll o c a l i z a t i o ni su s e dt oc a l c u l a t et h er e l a t i v ep o s e sa m o n g s tt h e r o b o t s ，a n ds i m u l t a n e o u sl o c a l i z a t i o na n dm a p p i n g ( s l a m ) i su t i l i z e df o rg l o b a l l o c a l i z a t i o n d a t aa s s o c i a t i o n ，ak e yi s s u eo fs l a mp r o c e s s ，i sw e l lc o n s i d e r e di nt h i s s t u d y f o rb a l a n c eo fr o b u s t n e s sa n di m p l e m e n t a t i o ns i m p l i c i t y ，am o d i 行e dj c b b ( j o i n tc o m p a t i b i l “yb r a n c ha n db o u n d ) i sd e v e i o p e dt ob eu s e dt oo b t a i na n o p t i m i s t i cf b a t u r em a t c hh y p o t h e s i sq u i c k l ya n da c c u r a t e l y s e c o n d ，t h r e ei o c a l i z a t i o ns t r a t e g i e s a r ep r o p o s e df o rg l o b a ll o c a l i z a t i o no fa m u l t i r o b o t 稻r m a t i o ns y s t e m ，t om e e td i f f e r e n tt a s ka n de n v i r o m e n tr e q u i r e m e n t s a b s t r a c t t h em s ts t r a t e g yi st og l o b a l l yl o c a l i z eo n er o b o to n l y ( i e ，l e a d e r ) a n dt h e nl o c a l i z e t h eo t h e r sb a s e do nr e l a t i v ep o s e s 锄o n g s tt h er o b o t s t 1 1 i ss t r a t e g yi s r e l a t i v e l ye a s y t oi m p l e m e n ts m c eo n l yo n er o b o tn e e d st ob el o c a l i z e dg l o b a l l y t h er o b o t sm u s t w o r kp h y s i c a l l yc l o s ee n o u g hs u c ht h a tt h e yh a v eo v e r l a p p e dc e i l 洫go b s e r v a t i o i l sf o r 1 0 c a ll o c a l i z a t i o n t h es e c o n ds t r a t e g yi st h a te a c hr o b o tl o c a l i z e si t s e l fi f l d i v i d u a l l y b yi m p l e m e m i n gs l a m s i r l c e a l lt h er o b o t sa r ef a c i l i t a t e dt o p r o c e s ss l a m i n d e p e n d e m l y ，t h e ya r en o tr e q u i r e dt ow o r kc l o s ep h y s i c a l l y w i t ht h i ss t r a t e g y ，e a c h r o b o th a si t so w nl o c a l i z a t i o n 丘a m e ，a n di ti sn e c e s s a r yt ou n i f yl o c a l i z a t i o nr e s u l t so f a l lt h er o b o t si nt h ec o m m o nw o r l d 仔a m e t h et m r ds t r a t e g yi st ou t i l i z eac o m m o n s l a ms e r v e r ，w h i c hm a yb ei r l s t a l l e do n o n er o b o t ，t og l o b a l l yl o c a l i z ea l lt h er o b o t s s i m u l t a n e o u s l y ，b a s e do nas h a r e dg l o b a lm a p t h i ss t r a t e g yd o e sn o tr e q u i r ee v e r y r o b o tt oh a v es a l mp r o c e s s m gc 印a b i l i t y ，b u th a sr e l a t i v eh i g hd e m a n df o rt h e c o m m o ns l a ms e r v e rt oa c c o m p l i s ht h ec o m p l e xt a s k s e l e c t i o no fs t r a t e g yw i l lb e b a s e do na c t u a le n v i r o m n e n t a ls i t u a t i o n 龇l dt a s kr e q u i r e m e n t e x p e r 曲e n t sa r ef i n a l l y p e r f o r m e do nag r o u po fm o b i l er o b o t st os h o wt h a ta l lt h et h r e es t r a t e g i e se x h i b i t g o o dl o c a l i z a t i o np e r f o r m a n c e t h i s r e s e a r c h p r o v i d e s av i s i o n _ b a s e ds o l u t i o n南rt h el o c a l i z a t i o no fi i l d o o r m u l t i r o b o t f o r m a t i o n s t h e p r o p o s e d v i s u a ll o c a l i z a t i o n n l e t h o d o l o g i e s h a v e p o t e n t i a lp r o s p e c t sn o to n i ymm u 王t i - r o b o tf o n n a t i o l l s ，b u ta l s omo t h e rg e n e r a l m u l t i a g e n t t a s k s t h er e s e a r c h o u t p u t sw i l le v e n t u a l l yb e n e mt h ea u t o m a t i c a p p “c a t i o n sm i n d o o re n v i r o n m e n t ，s u c ha sh o s p i t a l ，a i r p o r t ，d e p o s i t o r ya n ds h o p p 血g m a l l ，a n dr e l e a s ep e o p l e 丘o ml a b o r i o u sw o r k s k e yw o r d s ：m u h i - r o b o tf o r m a t i o n ，s i m u l t a n e o u sl o c a l i z a t i o na n dm a p p m g ，r o b o t i c v i s i o ns y s t e m ，c e i l m gv i s i o n i v 中国科学技术大学学位论文原创性声明 本人声明所呈交的学位论文，是本人在导师指导下进行研究工作所取得的成 果。除已特别加以标注和致谢的地方外，论文中不包含任何他人已经发表或撰写 过的研究成果。与我一同工作的同志对本研究所做的贡献均已在论文中作了明确 的说明。 作者签名： 签字r 期兰糊 中国科学技术大学学位论文授权使用声明 作为申请学位的条件之一，学位论文著作权拥有者授权中国科学技术大学拥 有学位论文的部分使用权，即：学校有权按有关规定向国家有关部门或机构送交 论文的复印件和电子版，允许论文被查阅和借阅，可以将学位论文编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。本人 提交的电子文档的内容和纸质论文的内容相一致。 保密的学位论文在解密后也遵守此规定。 函么丌口保密( 年) 作者签名： 弹 导师签名： 签字日期：二逸翌纠 签字同期：一 第l 章绪论 1 1 背景 第1 章绪论 近年来随着对复杂任务的技术解决方案需求的同益增长，多机器人协作系 统的研究越柬越受人们关注。在这些新的应用领域中，相比智能化程度较高，鞍 昂贵的单机器人，使用多个廉价机器人会更方便更便宜，而且有些任务也足单个 机器人所难以完成的，必须通过多个机器人的协作才能完成。在多机器人系统中， 对多个位置的同步感应和反应能力比单机器人系统在鲁棒性、效率、和应用可行 性方曲更加有优势。即使有一个或几个机器人出错，多机器人系统的冗余性仍能 保证任务j 颐利完成，而且机器人个体同步行为也使得整个群体比单个机器人能更 快更高教的完成任务。从长远的发展来看，批量生产的廉价多机器人系统在成本 上更具优势，特别是在一些负重，高危险性应用上。对于一些需要多个体协作、 共享信息的仟务，多机器人的方案是必然选择，而且其他单机器人不能完成的任 务也可山多机器人完成。由于多机器人协作完成任务上具有明显优势，因此得到 了人们闩益关注，它在各个领域的应用也越来越广泛，比如自动高速公咯系统 1 ，飞行队列控制”“，无人水下机器人群“_ 卫星群，探险”_ ，监控“，救援 。4 柬知环境的制图1 ，分布式操作“以及大型物体的运输“”1 等等 圈1l 口然界的编队实例蚁群，候鸟群段鱼群等 在多机器人学中，人们主要集中在对一些基本的标准问题进行研究，比如搬 运，编队、搜索、分类、围捕以及跟踪等。在这些问题中，编队问题可以酷是非 常典型的一类问题，它不仅是一类广泛存在的标准问题，也是其它许多标准问题 的基础之一。自然界中随处可见编队行为，如图ll 所示的蜂群，候鸟群鱼群 等等“。在这些高度鲁棒性的系统中，队员服从领队，而不会和别人相撞。类似 地，如图l2 所示在许多多机器人应用中，如在协调操作上使用多机器人编 第1 章绪论 队具有明显的优势，可以明显的增加系统可行性、精度、鲁棒眭、灵活度、性价 比、以厦成功率等等。例如，在文献。中多个u a v 的目标垂派应用，以及文献” 的多个a u v 水f 物体搜索中，采用多个智能体协作方式来执行任务，成功率大大 提高。此外如果多个智能体能以一定的方式来协同控制，性价比能达到最人化， 比如，多个飞行器如粜采取v 形编队e 行，燃料效率就能达到虽高。还有，太空 e 船在执行深空干涉测量任务时，如采用多个微型飞船代替单个大型飞船，小仅 能降低成本，还能提高系统鲁棒眭咀及测量精度”。 阁毯隧 图1 2 编队的实际麻州 e 机编孰，坦克集群，和摊机器人编队 1 2 问题阐述 本文旨在研究未知室内环境下多机器人编队系统的全局定位问题。如前一节 所述，多机器人编队系统优势明显，近年来在一些室内环境中的应用需求在不断 增长，如医院，机场仓库和商场中，机器人保持着一定的队形，完成搬运，建 筑制图，或协作装配等等。 众所俐知，多机器人系统在环境中的自我定位能力不仅是一个基本标准问 题，而甩也是很多任务能够完成的关键，例如目的地到达、区域探测，勘探避 障以及轨迹跟随等自我定位和对感兴趣区域的定位，可以| 兑是所有高级导航操 作的基础，因此多机器人的定位问题经常被认为是机器人学中有重要现实意义的 共键问题。如果没有丁定位，机器 不知道它们在哪，要去哪，进一步的控制 也就无从实现。定位的精密程度可高可低，由具体的应用场合决定，但是如果彻 底没何定位，机器人的自主控制就无从谈起， 曰w ，人部分的定位方法匍堤为单机器人| 殳汁的，或者只是简单的扩展到多 机器人应用中。而在多机器人编队中，需要实现更为复杂的控制目标机器人需 要排成并保持一定的形状，或者根据环境或任务的变化适当改变形状，虽然编队 系统足有多个单机器人组成，但是针对单个机器八的算法并不定适合编队系 统。多机器人编队系统的定位问题可咀分成两个子问题：局部定位和全局定位。 。旦机器人群体开始编队，就需要不断的计算和型新机器人之蚓的相对位置和打 第1 章绪论 向，以供编队控制使用。通过局部定位，机器人能获得这种相对位置和方向角。 而全局定位能为整个机器人系统直接提供在已知或先前学习得到的地图中的位 置和方向( 也就是在环境中的位姿) ，并且能提供每个机器人在地图中的具体位 置。全局定位是多机器人编队技术中的一个关键问题，可是，大部分编队研究人 员都只是假设其系统能被全局定位，并没有在真实环境中实现。如图1 3 所示的 仿真例子中，一组机器人沿着一个圆形轨迹( 虚线) 运动，并保持三角形状，很 明显从图中可以看出如果机器人缺乏全局定位能力，任务不能被很好的完成。 图1 3 无全局定位情况下的机器人群体的轨迹跟踪。 在多机器人编队系统中，如何选择传感器也是一个关键问题，它与定位问题 的解决方案密切相关。主动传感器如超声心和激光测距仪强2 3 已经在单机器人系统 得到了广泛应用。可是这些主动传感器会相互串扰，尤其是当各个机器人上的传 感器同时工作时，各个传感器的感知信息不能被有效的分辨出来，这就可能造成 多机器人系统中的混乱甚至崩溃。此外，超声传感器的精度十分有限，只能用于 一些简单的应用中( 如避障等) ，或者只是作为其他高精度传感器的辅助器件。 尽管激光测距仪精度很高，但是它价格昂贵且扫描和计算分析的时间消耗较大， 另外由于激光器需要向环境中发射激光，所以它在日常生活中使用并不安全。而 被动传感器摄像头，因其信息量大、计算速度快、精度高，安全，以及成本低廉 的优势，不失为一种非常有效的传感器，特别是近年来摄像头工业和计算机视觉 的飞速发展，摄像头在移动机器人学中的使用已是一种必然趋势。全景摄像头心3 圳 是应用于多机器人编队的主要传感器之一，它不仅有全方向的视场范围，而且方 向检测非常简单。可是由于全景摄像头的固有性质，将整个3 d 环境信息压缩在 一张图像上，矫正难度大，距离信息较难测量。双目或三目摄像头踊1 也常用于多 机器人系统中，但是由于其价格昂贵，在每个机器人上都安装并不现实。而我们 的研究，旨在提出一种有效而且廉价的视觉系统，即每个机器人都只安装一个普 通摄像头。 峙、， - 眇o 磐 氟 传删 知 一吾 _ 一 ， ， ，一一 。太白 ，f 、 如广弘 夕 长 分删 一 ，o、 艇 d j 心 口 ，6 第l 章绪论 1 3 研究目标 博士论文工作的研究目标如下： 1 ) 提出一种适用于室内环境，针对多机器入编队的，新型的，基于天花板视觉 的定位系统 本文将提出一种新型的基于天花板视觉的定位系统，利用同步定位与制图 ( s l a m ，s i m u l t a n e o l i sl o c a l i z a t i o na n dm a p p i n g ) 技术，解决多机器人编队系统 中的定位问题。该系统不仅能用于单机器人的定位，还能有效的实现多机器人定 位，包括局部定位和全局定位。 2 ) 提出针对多机器人编队问题的多种定位策略 实际的多机器人运用中，常常会有不同的任务和坏境的要求，如硬件，精 度，编队鲁棒性，工作场所，以及可扩充性等等。这些不同的要求将通过提出不 同的定位策略来满足。 3 ) 通过实验来验证所提出方案的有效性 在我们的室内实验室环境下，利用三个轮式移动机器人，通过多个实验( 包 括仿真和真实实验) 来验证所提出方法的有效性，包括基于天花板视觉的定位系 统，基于匹配的局部定位，以及三种全局定位策略。 1 4 方法论及其意义 1 4 1 提出一种适用于室内环境，针对多机器人编队的，新型的，基于 天花板视觉同步定位与制图的定位系统 我们针对多机器人编队问题的特点，提出一种有效的基于天花板视觉同步定 位与制图的定位方案。所谓天花板视觉乜6 馏1 ，即是通过在机器入上安装一个向天 花板看的单目摄像头，来实现机器人在室内环境的定位。天花板视觉的尺度不变 性能够使得数据相关变得简单，而且可只考虑特征点的旋转和剪切变形。特征点 的相似性在实际应用中并不会造成太大问题，因为除了灯，还有许多其他种类的 特征可以被天花板视觉系统做检测，如，管道，通风口，消防设施，以及墙壁上 的特征等等。以上这些特性，都使得天花板视觉非常适合室内环境下的，有低成 本要求的多机器人应用。 利用天花板视觉系统，即使不使用诸如激光或全景摄像头这些昂贵，较难标 4 第1 章绪论 定的传感设备，也能实现机器人的精确定位。尽管天花板视觉已经被研究了许多 年了，但是它的应用主要局限在单机器人运用中。本文将把天花板视觉的思想扩 展到多机器人的应用中，并使用新的特征检测和数据相关算法。在所提出的天花 板视觉系统中，机器人之间的相对位姿由基于特征匹配的局部定位法计算而得， 而机器人的全局位置则通过同步定位与制图法( s l a m ) 泅3 获得。 1 4 2 提出一种有效的数据相关方法 为了解决s l a m 过程中的数据相关问题，我们提出一种改良型的联合相容性分 支界定法。目前，针对数据相关问题，研究人员已提出了许多方法。s e 等人口们 利用s i f t ( s c a l e i n v a r i a n tf e a t u r et r a n s f o n n ) 算子来关联特征，d a v i s o n 等人b 则使用基于块匹配的算法和粒子搜寻策略来解决数据相关问题，这两种方法都比 较耗时。n e i r a 等人 3 2 提出两个算法：基于m a h a l a n o b s 距离的最近邻法( n n ) ， 和联合相容性分支界定法( j c b b ) 。由于天花板和墙上的特征都彼此相似，因此 块匹配法并不适用于天花板视觉系统。n n 比较容易实现，但是它并不稳定，容易 造成误匹配。j c b b 则比较稳定，因为它把同一幅图像中的特征作为一个整体来匹 配，但是当观察量比较多的时候它就非常耗时。本文提出一种改良的j c b b 法，来 简化算法过程，并能快速准确的得到优化的特征匹配组。 1 4 。3 多机器人编队的不同定位策略 根据不同任务和环境要求，我们提出了三种针对于多机器人编队系统的全局 定位策略。第一种只全局定位某一个机器人( 即领航机器人) ，而其他机器人则 通过局部定位获知全局信息，这种方法简单易行，但是机器人之间得相互靠近， 以保证视场重叠( 只有视场足够重叠，才能实现基于匹配的局部定位算法) ；第 二种则在每个机器入上使用同步定位与制图法( 即s l a m 法) 来实现全局定位，这 种策略不需要多个机器人足够靠近，但是由于每个机器人都有自己独立的坐标系 统，所以要求将所有机器人的定位结果都归整到同一个世界坐标系下；第三种使 用公用的s l a m 服务器来实现机器人的全局同步定位，这种方法每个机器人的硬件 要求较低，但定位服务器的硬件要求非常高。哪种策略更适用，要视具体的环境 和任务要求而定。 1 5 结论 第1 章绪论 本章主要论述了多机器人编队定位研究的背景，目标，以及本文工作所使用 的方法及其意义。本文的研究重点将放在提出一种新颖的，基于天花板视觉的， 针对室内未知环境下多机器人编队的定位方案，以使机器人能有效且准确地组成 编队或者根据环境任务的变化适当改变队形。多机器人编队的局部和全局定位问 题都将在文中加于解决。对于s l a m 过程中的数据相关问题，一种有效的数据相关 方法将提出来用于快速准确的获得优化的特征匹配组。此外，一种基于匹配的局 部定位方法将用于计算机器人之间的相对位姿。为了能够全局定位多机器人编队 系统，本文提出了三种不同的策略。最后，室内办公室环境下的实验将用来验证 所提出方法的有效性。 本文接下来的章节组织如下。第二章论述目前已有的定位方法，以及关于多 机器人编队的研究。第三章将介绍我们的实验平台( 轮式移动机器人) 的定位与 运动学模型，紧接着是第四章，介绍一种仿真环境下的针对多机器人编队的，基 于s l a m 的定位方案。第五章介绍一种实际环境下的，新颖的，基于天花板视觉的， 利用s l a m 的定位系统。第六章提出实际环境下的多种定位策略。最后，在第七章 中，给出本文工作的总结以及展望。 6 第2 章国内外研究现状 第2 章国内外研究现状 本章将主要论述目前国内外机器人定位方法的研究现状。首先我们将介绍针 对单个机器人的定位技术，其实是各种针对多机器人系统的定位技术，最后简单 介绍多机器人编队技术。本文的研究重点是针对多机器人编队系统的定位。 2 1 定位技术 移动机器人在环境中的定位不仅是机器人学中的一个基础问题，而且是完成 许多任务的先决条件。解决移动机器人的定位具有非常重要的实际意义。在现有 的机器人学文献中，研究者们提出了各种各样的定位方法。这些方法可大致分为 两类：单机器人定位和协作定位( 即多机器人定位) 。 2 1 1 单机器人定位 2 1 1 1 基于航位推测法的定位方法 航位推测法( 即里程计法) 是一种常用的定位方法。其原理是，根据机器人 的运动学模型和机器人每个轮子的旋转量，计算出机器人的位置和方向角。这种 方法具有简单，成本低以及短程导航精度高等优点。堪删。但是，航位推测法有一 个致命的不足，即它的定位误差会随着时间不断累积，从而导致机器人在长距离 导航或旋绕运动时的定位可靠性严重降低。这种误差累积和许多因素相关，比如 轮子错位，码盘精度有限( 时域和空域) ，轮子直径不一致，轮子打滑，以及机 器人运动平面不平整等等汹侧。在这些因素的综合影响下，航位推测法的误差通 常会随着时间曾发散式增大。 为了提高定位精度，研究人员尝试了很多种方法。一些研究人员利用实验标 定法来矫正里程计的误差，从而提高航位推测法的定位精度，如b o r e n s t e m 和 f e n g h 们通过分析导致里程计误差的机械学和运动学因素，提出了一种估计对称性 误差的标准测试法( u m b t e s t ) ，c h o n g 和k l e e m a i l h 则利用u m b t e s t 去除对称性 误差，并且分析和计算出了扩展卡尔曼滤波器的协方差矩阵，m o o n 等列通过研 究差动机器人运动学中速度和加速度对定位精度的影响，提出了一种保持直线运 动轨迹的方案，m a i t m e l l i 等h 在移动机器人导航的过程中，对机器人位姿和里 程计误差( 包括对称和非对称性误差) 进行同步估计，并给出了实验结果，r o y 引 提出了一种在线标定法，该方法利用外部传感信息，将机器人的旋转量和平移量 第2 章国内外研究现状 解耦成两个独立部分，对它们分别进行对称误差估计，提高了定位精度。另外一 些研究人员则利用传感器融合技术。通过融合多种传感器的感知信息，大大提升 机器人的定位精度，例如，文献妇仉鸲3 将光学陀螺仪( 价格$ l 0 0 0 、$ 2 0 0 0 ) 融入到单 程计的测量值中，帮助减小速度和加速度的估计误差。通常，使用多种传感器会 增加系统成本以及硬件复杂度。 航位推测法通过综合移动机器人轮子上的码盘信息估计出机器人的位置和 方向角，机器人从某个初始位置出发，它的位置和方向角随着时间持续更新。这 种方法有两大缺点：首先，机器人的初始位置需要指定；其次，一旦定位失败。 机器人不能重新找到它所在的位置。对此，研究人员提出了基于路标的定位方法。 2 1 1 2 基于路标的定位方法 为了增加定位的可靠性，研究人员提出了两种主要的方法。它们的区别在于 是否使用环境结构信息。各种传感技术，包括视觉，超声，以及激光测距仪等都 能运用于这两种方法中h 引。第一种定位方法是，通过不断使用环境中的路标信息 来减小里程计法的误差汹3 。一种常用的实现方式是，事先给定环境路标的位置， 然后根据传感器所感知的路标信息，来确定机器人的位姿7 侧。另外一种方式是， 机器人根据一系列优化规则选择它的路标，然后利用这些路标来矫萨它的位置 。第二种定位方法是，通过将机器入当前所在位置感知的传感信息与已知环境 模型进行匹配，实现机器人的定位。例如，文献嵋p 5 9 3 使用超声和激光测距仪的感 知信息来匹配环境几何模型，以及文献哪n 使用图像来匹配更高层次的空i 、日j 结构 模型。 同步定位与制图法( s l a m ) 是目前最重要的一种基于路标的定位技术，属于 上述的第二种基于路标的定位方法，其作为机器人研究领域中重要的一个分支， 愈来愈受关注。所谓同步定位与制图，即是移动机器人在探测未知环境过程中， 在绘制所探测环境的地图的同时确定其自身在环境中的位姿。定位与制图是s l a m 中两个相辅相成的过程，精确的定位能提高地图精度，而精确的地图又能反过来 提高定位精度。针对s l a m 问题，研究人员提出了很多方法。 扩展卡尔曼滤波器( e i ，e x t e n d e dk a l m a nf i i t e r ) 是解决s l a m 问题的主要方 法之一，它在s l a m 中的应用源自于一系列具有开创性的工作阳引。到目前为止， 应用最广泛的在线算法都仍是基于e k f 的。e k f 通过计算高斯后验概率求得坏境 特征和机器入的位置。在s l a m 中，由于地图中的特征都是通过不准确的运动平 台获取的，因此特征的误差估计都是相关的。e k f 的联合后验概率分布估计正好 能很好的解决这个问题。但是，高斯后验概率的计算会明显加重系统计算负担， e k f 的每次更新时间与地图大小的二次方成正比，此外高斯后验概率的协方差矩 8 第2 章国内外研究现状 阵的存储也需要相当于地图大小的二次方的空间。如此二次时空要求使得s l a m 所能应用的环境尺寸大受限制。在实际应用中，e k f 只能用于创建具有几百个特 征点的地图。针对上述问题，研究人员提出了许多比卡尔曼滤波器更加有效的算 法。 g u i v a n t 和n e b o t 哺引通过改进e k f 提出了一种所谓的压缩式e k f ( c e k f ， c o m p r e s s e de k f ) 。算法将测量得到的路标累积在一个局部小地图中，仅需d ( 七2 ) 的空间存储和计算复杂度，而与整个地图大小无关。m a r t i n e z c a m i n 等73 利用 u n s c e n t e d 卡尔曼滤波器旧3 将s l a m 模型和测量方程进行泰勒展开，从而避免了 卡尔曼滤波器的线性化问题。算法采用了基于更新的一致性检验，能够用于户外 大环境的定位制图任务。 s t h r u n 等人哺铲7 叫研究了机器人位姿与环境特征之间的相关性问题，将信息 矩阵中数值较小的元素删除，并通过补偿信息丢失，使信息矩阵进一步稀疏化( 只 需d ( 砌) 的存储空阳j ) ，从而构成了稀疏扩展信息滤波器s e i f 。使用s e i f 可以使 得更新时l 日j 为常数，不会随地图的增大及特征增加而变化。 s t h r u n 等”提出了基于e m 算法n 5 的s l a m 解决方案，将地图创建转化为基 于机器人运动和感知模型的概率约束条件下的最大相似度估计问题。此外，他们 还将m a r k o v 定位方法运用于机器人的位置估计中，从而避免局部最小化问题。 算法可方便实现对历史估计的离线更新，具有很好的地图创建和定位性能。算法 已成功地运用于他们所研制的博物馆导游机器人m i n e r 、，a 上。 粒子滤波器是一种基本统计工具，其基于采样集合的本质可实现几乎任何概 率分布，因此能等到比e l 江或者u i 汀更加准确的估计，更加逼近b a y e s i a n 优 化估计。m o n t e m e r l o 等h 2 吖叫首先提出了将粒子滤波器口们和扩展卡尔曼滤波器相集 成的s l a m 解决方案，即f a s t s l a m 算法。如果机器人的确切路径已知，则路标 位置的确定可分解成k 个独立估计子问题，每个子问题对应于一个路标。 f a s t s l a m 利用粒子滤波器对机器人路径进行估计。路标位姿估计利用卡尔曼滤 波器实现，每个不同路标采用独立的滤波器。为了提高算法处理效率，f a s t s l a m 算法用树结构表示路径位置的不确定性，并在此基础上完成采样集合的更新处 理，最终算法复杂度降低为d ( ml o g 门) ，存储空间降为d ( 胁) ，大大优于基于 e k f 的s l a m 算法。f a s t s l a m 能够解决路标不确定性问题，这是相比于其他算 法的一个独特优点。但是，算法的有效性仅限于粒子数量不太大的情况，目前还 不清楚粒子的数量与环境复杂度之间的关系。利用类似的粒子滤波器方法， d e l l a e r t 等 引提出了一种基于聚合算法的m o n t ec a r l o 定位方法。这种方法还通过 天花板上的多亮度测量值来对机器人进行辅助全局定位。s i m 等 刮提出基于 r a o b l a c k w e l l i s e d 粒子滤波器的b a y e s i a n 方法，并利用立体视觉来实现s l a m 。 9 第2 章国内外研究现状 p a s k i n 等 刀提出了一种基于瘦节点滤波器( t j t f ，t h i nj u n c t i o nt r e ef i l t e r ) 的地图创建算法。算法利用节点树表示空间环境，树的每个边对应于一个分割线， 用直接或间接节点的依耐性来表达相关性，通过分析该图的变化过程，找到并剔 除一些较弱冗余依耐性节点以简化推理过程，最终利用b a y e s i a n 近似推导方法 实现s l a m ，其计算复杂度为d ( k 3 刀) 。与此相类似，f r e s e 等口刚也提出一种树地 图算法，用二值树表示层次式环境结构，当需要融入新的测量值时，对从叶节点 到根节点之间的相关点进行全面更新。相对于t j t f 算法，该方法的计算复杂度 仅为p ( k 3 l o g 甩) ，但算法在解决线性化问题上有待于进一步研究。 f o l k e s s o n 等 帅将图论方法运用于s l a m 中，利用测量子空间( m s p a c e ) 来表征特征坐标 中的对称性和约束条件。 b o s s e 等旧列将地图分成多个子地图，从而避免了路标估计更新的计算问题。 c a s t e l l a n o s 等旧副提出s p m a p 地图( t h es y m m e t r i e sa n dp e r t u r b a t i o n sm a p ) 创建 方案，利用全局和局部参考帧来实现s l a m 。根据路标帧，在全局参考帧范围内 进行特征集估计。每个特定的机器入状态均对应于一个参考路标帧，不同的参考 帧之间的约束用于