【《移动机器人室内建图导航技术发展研究的国内外文献综述》5900字】

致谢-5554-移动机器人室内建图导航技术发展研究的国内外文献综述移动机器人在诸多场景中工作，需要借助自身携带的各种信息传感器对环境轮廓信息进行采集，采集的数据经过SLAM框架下各种算法的处理使机器人能够在当前环境中实现建图、导航等功能[15]。SLAM技术经过多年的发展，随着实际需求的增加，相关算法也在不断优化迭代，从早期单一传感器实现SLAM，到后面逐渐向着多传感器融合的方向发展，机器人技术日趋智能化、高效化[16]，因此本节首先从早期简单SLAM进行阐述介绍，介绍SLAM技术在发展过程中具有重大突破的诸多算法，到后面逐步进入到多传感器信息融合阶段，着重介绍国内外多传感器信息融合的主流技术现状。1SLAM相关传感器及定位算法机器人能够自主进行导航等工作任务，首先就要解决机器人在陌生环境中的定位问题[16]。多种类型的信息传感器出现为解决这一问题提供了必要的基础支持，目前大多数研究就是在机器人本体上安装多种传感器，比如陀螺仪、全球卫星导航定位系统（GPS）等实现机器人自身的定位。通过安装激光雷达、单目相机、双目相机、深度相机等实现机器人对环境信息的感知[17]。SLAM应用领域广泛，按其应用行业可分为两大类，即工业领域和商业领域[18]。商业用途方面，目前应用最为成熟的是扫地机行业，而扫地机是移动机器人中首先使用SLAM技术的，例如国内的科沃斯、塔米扫地机、岚豹扫地机都是采用SLAM算法结合激光雷达或者摄像头的方法[19]，让扫地机可以绘制较高质量的室内地图，在此基础上进行导航等任务，成功步入了智能导航的阵列。除了扫地机之外，SLAM技术在其他服务机器人也有大量应用，例如商场导购机器人、银行机器人、无人机、自动驾驶等，可见SLAM技术的关键性[20]。工业用途主要是集中在AGV领域，随着电商仓储领域以及制造业对机器人柔性化搬运的需求不断增加，使SLAM技术迎来越来越广阔的市场[21]。将SLAM技术应用在AGV物流小车上后，可以不用人工去预先铺设任何轨道就可以使AGV完成导航等任务，对工厂生产线的升级改造和导航路线的变更都带来了极大的便利性，同时使机器人具备实时避障功能，环境适应能力更强，不仅如此，SLAM技术还能够实现多AGV小车的协调控制[22]。目前国内有一些AGV企业都已开始将SLAM技术应用到AGV上，借此实现真正的柔性导航。用在SLAM技术上的传感器主要分为两大类，一种是激光雷达，而另一种是摄像头，为此，业内人士也将SLAM分为激光SLAM和视觉SLAM[23]。视觉SLAM相比激光SLAM起步较晚，在理论、技术和产品落地上都相对不成熟。基于视觉的SLAM方案目前主要有两种实现路径，一种是基于RGBD的深度摄像机，比如Kinect；还有一种就是基于单目、双目或者鱼眼摄像头的。视觉SLAM目前尚处于进一步研发和应用场景拓展的阶段[24]。激光SLAM和视觉SLAM的优缺点如表1-1所示[25]。表1-1激光SLAM与视觉SLAM优缺点优/缺点激光SLAM视觉SLAM优点可靠性高、技术成熟建构简单，安装方式便捷建图直观、精度高无传感器探测距离限制构建的地图可用于路径规划可提供环境语义信息缺点探测距离有限受光照影响大，低纹理环境无法工作安装结构有要求运算量大，构建的地图无法直接用于路径规划地图缺乏语义信息构建地图时存在累计误差机器人在运行时，不管是建图还是导航，其功能的实现都必须在获取精确定位的基础上进行。根据参考坐标系的不同，定位技术一般可以分为相对定位和绝对定位两种[26]。如今最典型的绝对定位方法是美国的全球卫星导航系统GPS（GlobalPositioningSystem,GPS)。由于导航定位系统在军事、基础设施建设等方面的重要性日趋提升，世界各国也都在加紧自己的全球卫星导航系统的研发，目前技术较为成熟的有我国自主研发的北斗导航系统、俄罗斯的GLONASS，欧洲的GALILEO，这些导航系统都将对人类未来的生活产生深刻的影响[27]。GPS系统主要是通过卫星提供位姿信息来实现定位，因此在无法接受卫星信号的场景下，GPS系统就无法发挥定位作用，如在室内环境、水下、山洞等环境下[28]。在早期，磁罗盘在定位导航方面被广泛应用，它是一种依赖地磁固有指向性来提供空间绝对姿态的一种设备，在航海导航、飞机飞行姿态获取等领域都有广泛应用，但是由于它是依赖地磁进行导向的，因此它也更容易受到磁场的干扰，当载体的运动状态发生较大的突变时，其测量误差较大，因此不适合在高海拔或者高纬度等磁性干扰比较大的地方使用[29]。在机器人领域，由于机器人大部分应用场景都是在室内环境中，室内环境封闭、狭窄、复杂的特性致使先前用于室外的定位技术都无法很好的应用到机器人身上[30]，为使机器人在室内环境中实现精确的定位，相对定位技术由此而生。相对定位技术利用载体上的各种传感器对环境信息进行采集，然后结合载体本身的运动信息，根据载体初始状态推算出各个时刻下机器人在环境中的位置和姿态，从而实现自身相对于环境之间的位置关系描述[31]，但是这种方法同样存在累计误差大的缺点，时间越长累计误差越大。如今随着SLAM技术的不断发展，针对相对定位技术的传感器也越来越多，如下图1-1所示的双目相机、激光雷达、惯性测量单元（IMU）、毫米波雷达等[32]。这些应用到SLAM领域的传感器大致可以分为两类，一类是内感传感器，其主要测量的是机器人自身的运动数据，例如IMU测量的是机器人实时的角速度和线加速度，轮式编码器测量的是机器人电机的转速信息。另一类是外感传感器，外感传感器是以机器人自身为原点对环境进行信息采集，通过静态环境的数据来实现自身的定位，比如激光雷达和毫米波雷达，激光雷达通常是根据激光束在空间中反射回来的信息来实现距离的测量[33]。单/双目相机根据小孔成像原理，实现环境信息的获取，应用较广泛的有RGB-D相机，它是一款主动/被动传感器，环境信息投影到成像平面，同时相机主动发出红外光，通过结构光或者ToF技术实现环境中障碍物距离相机的深度探测，技术性能较优越的还有英特尔的RealSence系列产品和微软的kinetic等产品[34]。a惯性测量单元b双目摄像头c毫米波雷达d激光雷达图1-1传感器类别针对不同的应用场景和功能需求，移动机器人通常搭配多个传感器实现自身位置信息和环境信息的获取，同时根据各个传感器各自的优缺点，进行互补性的搭配能够有效提高机器人建图导航性能[35]，不同的传感器其优缺点如下表1-2所示。表1-2SLAM传感器类别传感器类别精度优点缺点双目相机厘米级环境信息丰富，定位精度高受光照影响大，定位算法复杂惯导米级成本低，易安装累计误差大激光雷达厘米级定位精度高，扫描速度快在雨雾及沙尘天气下使用受限磁罗盘度级体积小，功耗低易受磁场干扰GPS米级全局定位，使用方便信号易受天气和环境的影响RGB-D相机厘米级可获得环境的深度信息测量距离短，易受红外光干扰2多传感器融合技术发展现状随着机器人应用领域的不断拓展，对机器人智能化要求也越来越高，如何在复杂的室内环境下获取精确的环境信息辅助机器人实现定位导航等功能是目前亟待解决的首要问题。由于单一传感器只能获取部分环境特征信息，已无法满足机器人适应复杂环境的要求，因此多传感器融合技术逐渐得到众多研究者的重视，并且已成为目前SLAM技术领域的研究热点[36]。像人类和其它动物一样，将声音、图像、气味等感觉器官获取到的信息进行综合处理就会让我们得出更加准确的判断，机器人同样如此，对多种传感器获取到的环境信息数据进行融合可以提高机器人对所探测环境障碍物的信息获取能力[37]。目前，在战场态势感知、交通物流、医疗救助、气象侦测等领域中，多传感器融合技术得到了广泛应用和重视。数据融合是一个多线程、多层面的数据处理流程，通过融合算法将来自多个传感器的环境信息数据进行检测、估计、相关、组合等处理。其示意图如下图1-2所示图1-2多传感器数据融合多传感器融合算法通过整合更多的传感器数据来提高机器人在室内环境下的系统性能。其中涉及建图算法、定位算法、路径规划算法等。经前面的分析，相机由于能够获取到更多的环境信息且成本低，广泛应用于室内移动机器人[38]，因此，本文主要介绍相机与其他传感器进行融合的相关算法。单目视觉中相机的相对运动信息采用定位算法通过相邻帧间的基本矩阵获取，但是提取出的运动尺度恢复效果较差，极大的影响定位精度。为解决此问题，能够得到尺度信息的相机应该首先被考虑使用，如RGB-D相机，ZED双目相机，但是这类相机同样会存在一些不可避免的问题，如基线长度太长导致相机体积过大不易安装的问题，太短又导致无法得到高可靠性的定位精度的问题，另外一种方式是使用惯性测量装置来提供运动的尺度信息，比如惯性测量单元（IMU），IMU由于能够提供高频率和较稳定的尺度信息现已被广泛应用于各种传感器融合算法当中[39]。VINS（VisualInertialNavigationSystem）算法是香港科技大学沈劭劼团队提出的单目视觉与惯导融合的SLAM方案，采用基于优化和滑动窗口的VIO（VisualOdometry），使用IMU预积分构建紧耦合框架，并且具备在线外参标定、自动初始化、闭环检测、重定位以及全局位姿图优化等功能。在该算法中，单目相机与IMU进行数据融合，将IMU的高动态性和相机视觉的高精度优点结合起来，这些年来，尤其是在无人机这类高动态性的场合中应用最为广泛，因此备受SLAM领域研究者的青睐。Langelan与其同事将IMU坐标系的位姿信息和地图点信息添加到扩展卡尔曼滤波的状态向量中进行计算，这种方法的优势在于能够将传感器获取到的信息最大化利用[40]，但是会存在在算法运行过程中，算法效率会因状态向量的增加而逐渐降低的问题，为解决此计算效率低下的问题，Roumeliotis与其同事通过对扩展卡尔曼滤波的状态向量进行边缘化处理来提高算法的效率，保证了在每次滤波时只保留状态向量中的IMU位姿并将其它的地图点边缘化，降低了计算的复杂度[41]，但是这种方法会在边缘化的时候使系统的可观性发生变化导致算法的连续性随着时间的增加而变的越来越差。明尼苏达大学MARS实验室的Anastasios提出了一种多状态约束视觉惯性导航算法MSCCKF，这种算法通过限定状态向量中的成分来保证状态向量中位姿的数量和地图点保持在一定限度之下，在新的位姿和地图点被添加进来后，旧的位姿和地图点会被边缘化，从而可以最大化保证算法的精确性[42]。近年来随着计算机技术的发展，计算机的运算能力不断提升，使更复杂的SLAM算法实现实时性成为可能。为得到更加精确的运算结果，优化技术也逐步被加入到SLAM算法中[43]，例如在VINS算法中Strasdata等人从两方面进行对比，一是在精度方面，二是和基于优化的方法进行对比，研究了滤波算法的局限性，通过采用优化的方法，不管是在精度上还是全局一致性上都要比基于滤波的方法更加优越。Leutengger等人通过采用IMU动态方程进行状态的预测，将预测出的视觉观测值和状态进行紧耦合优化，将IMU的累计误差还有速度也当做被优化的变量放到优化的过程中去，通过这种方法可以得到更加准确的估计值[44]。但是会存在位姿在每次优化后会产生改变的问题，为避免对算法的实时性形成较大的影响需要对IMU的预测进行重先计算。Forster等提出了基于流形的IMU离散预积分算法，该方法通过将IMU传感器的高频率信号采用积分的方法转换到低频率上，最后通过基于流形的方式对数据进行处理，进而提取积分中一部分有关初值的变量来保证在每一次优化过程中都不再对积分结果进行重复更新，不仅如此，还可以保证低频率的相机位姿得到约束，大大提高了数据精度。如今在自动化与无人化的大趋势下，SLAM技术的重要性更加凸显，SLAM技术日趋完善并逐步渗透到人类社会的各个方面，因此其带来的广阔的市场使得国内外涌现出了一大批优秀的机器人研发生产企业，如表1-3列出了目前国内外在机器人领域取得较好成绩的部分企业。表1-3国内外SLAM技术研究企业企业基本情况技术优势布科思2014年成立，主营机器人、传感器以及定位导航方案主要使用激光雷达，结合超宽带技术、超声波和红外实现定位米克力美2009年成立，主要研发制造自主移动机器人采用激光SLAM方案高仙2013年成立，主要提供移动机器人柔性导航控制模块高仙SLAM2.0技术方案提高了SLAM多项技术指标，且将导航环节涵盖了进来，为用户提供了一套完整的机器人自主定位、建图和导航应用系统远形时空成立于2016年，专注于视觉SLAM技术的研发和产品化2017年完成了研发高定位精度和高稳定性的单目视觉导航模块灵喵2015年成立，提供室内外通用模块化激光SLAM自主定位导航系统解决方案主打产品NAVI-BOX(自主导航盒子），应用领域涵盖了几乎所有类型的自主机器人场景思坦德2016年成立，主要专注于移动机器人以及物流解决方案供应融合多种传感器数据（激光雷达、里程计、惯性测量单元、摄像头等），帮助机器人获得场景地图信息，从而使机器人具备自主移动、路径规划、场景理解等能力。思岚科技2013年成立，主营激光雷达即模块化自主定位导航解决方案其SLAMWARE是一种单模块化的机器人自主定位导航系统速感科技2014年成立，机器视觉解决方案提供商其VSLAM算法可以融合多种传感器数据获得稳定且准确的位置姿态信息，并且可帮助机器人等智能设备获取三维空间环境信息，使其具备自主移动、路径规划、场景理解等能力。参考文献曹文祥,冯雪梅.工业机器人研究现状及发展趋势[J].机械制造,2011,49(02):41-43.陈卫东,张飞.移动机器人的同步自定位与地图创建研究进展[J].控制理论用,2005(03):455-460.黄剑雄,刘小雄,章卫国等.基于视觉/惯导的无人机组合导航算法研究[J].计算机测量与控制,2021,29(02):137-143+149.田野,陈宏巍,王法胜等.室内移动机器人的SLAM算法综述[J/OL].计算机科学:1-26[2021-03-12].张大伟,苏帅.自主移动机器人视觉SLAM技术研究[J].郑州大学学报(理学版),2021,53(01):1-8.林国聪,薛斌强,王冬青.基于图优化的SLAM后端优化算法研究[J].电子设计工程,2020,28(24):6-10+16.丁歆甯.基于机器视觉的室内定位与地图构建研究[D].南京邮电大学,2020.周建伟.基于多传感器的移动机器人自主探索建图系统的研究与实现[D].南京邮电大学,2020.王馨阁,田宗强,陈文涛等.基于改进RBPF的激光SLAM算法研究[J].安徽工程大学学报,2020,35(06):18-25.李宏达,范继祥.基于ROS的轮式机器人建模与路径规划仿真[J].哈尔滨师范大学自然科学学报,2020,36(06):16-23.徐波,陈欢,田定胜等.基于Dijkstra的智能巡检机器人避障算法[J].供用电,2020,37(12):74-80.刘刚,葛洪伟.视觉惯导SLAM初始化算法研究[J/OL].计算机科学与探索:1-11[2021-03-12].李荣冰,王智奇,廖自威.激光雷达/MEMS微惯性组合室内导航算法研究[J].传感