智能移动机器人导航控制技术综述

李成进，王 芳

(1.海军驻昆明地区军事代表办事处，昆明 650000；2.航天科工智能机器人有限责任公司，北京 100074)

智能移动机器人导航控制技术综述

李成进1，王 芳2

(1.海军驻昆明地区军事代表办事处，昆明 650000；2.航天科工智能机器人有限责任公司，北京 100074)

智能移动机器人在制造业、服务业、军事、星际探测等领域获得了广泛的应用，导航是智能移动机器人实现自主控制需要解决的重要问题。对不同领域智能移动机器人导航技术发展现状进行了调研。针对环境感知与建模、定位和路径规划等机器人导航控制关键技术，深入分析了其实现方法。在此基础上归纳出智能移动机器人导航控制未来的发展趋势。

智能移动机器人；导航；环境感知；定位；路径规划

0 引言

20世纪90年代，以计算机技术、微电子技术、信息技术、网络技术等为标志的现代科技革命进入快速发展阶段，成为促进机器人技术发展的内在推动力，机器人技术得到了飞速发展。智能移动机器人是能够依靠自身携带的传感器感知理解外界环境，根据任务需要实时决策，进行闭环控制，以自主或半自主方式进行作业，在已知或未知环境中具有一定自我学习和适应能力的新型机器人。目前，智能移动机器人在制造业、服务业、军事、星际探测等领域获得了广泛的应用，并将对未来科技的发展以及人类生活方式产生深远的影响。导航是智能移动机器人实现自主控制需要解决的重要问题，是指移动机器人通过传感器和学习，感知环境和本身状态，实现有障碍环境中指向目标自主运动的过程。

1 智能移动机器人发展现状

以美国、德国、日本等为代表的机器人技术发达国家对机器人自主导航技术开展了较为深入的研究，目前已取得了一些成果，具有自主导航功能的机器人在工业、服务、外星探测、军事等领域获得了不同程度的应用。

移动机器人最成功的应用是在机场、码头、工厂中实现物流自动化的自动导引车(Automated Guided Vehicle,AGV)，如图1(a)所示。AGV一般配备车载计算机、通信装置和物料装卸装置，随着科技的发展，整机复杂性和自动化程度都大大提高。常用的导航方式有视觉导引、磁导引、电磁导引和惯性导引等[1-2]。

在电力、煤矿等领域可采用智能移动机器人代替人工完成危险作业或枯燥的重复作业。例如，卡内基梅隆大学机器人研究中心所开发的Groundhog全自主矿井探测机器人可用于探测井下环境，精确绘制井下立体地图[3]，如图1(b)所示。在我国变电站自动巡检机器人已获得了初步应用。目前变电站巡检机器人以磁道导航为主，典型产品如1(c)所示山东电科院研制的巡检机器人。

外星探索是自主移动机器人的一个重要应用方向。从20世纪60年代开始， NASA就开始着手研制火星探索用的机器人，以便在火星上软着陆后进行移动并收集火星表面生态数据。自1997年机器人索杰纳的火星之旅取得成功后， “勇气”号、“机遇”号、 “好奇”号等机器人(如图1(d)所示)相继开始了火星探测工作，具备了一定的自主导航功能，并发回大量有价值的信息。

近10年以来，在美国陆军、DARPA的一系列无人作战装备项目(如FCS、UPI等)的资助下，一些先进无人作战装备目前已试验性地应用于美军的反恐战争中。MULE(骡马)是由洛克希德·马丁公司研制的多功能通用/后勤无人车，如图1(e)所示。MULE系列多用途机器人战车安装了自动导航系统(Autonomous Navigation System，ANS)等先进的车载电子设备。MULE具备自主导航能力，但在穿越严酷地形，或当地形变化影响了规划路点时，仍由人来控制[4]。

无人驾驶汽车作为一种特殊的轮式机器人，是计算机科学、模式识别和智能控制技术高度发展的产物[5]。无人车技术吸引了全球各大汽车厂商、互联网公司的关注。2005年，基于斯坦福大学无人驾驶技术，Google公司开始涉足无人车研发并不断完善，已在美国加州、内华达州等多州获得上路许可。目前Google无人车(如图1(f)所示)成功行驶70万英里，在此期间由电脑控制的汽车行驶平稳，无意外事故发生，基本具备商用推广条件。

(a)AGV

(b)Groundhog

(c)变电站巡检机器人

(d)“好奇”号火星车

(e)MULE

(f)Google无人车

2 智能移动机器人导航关键技术分析

导航是智能移动机器人实现自主控制需要解决的重要问题。智能移动机器人导航可分解为“我在哪里？” “目标在哪里？”和“怎样到达那里?”三个问题。前两个问题通过确定机器人在工作环境中的位置及相对目标的位置偏差来解决。该工作环境在机器人内部的表示称为环境模型或地图。机器人确定环境模型的过程称为环境建模。基于环境模型以及机器人的位置，第三个问题路径规划才能够解决。环境建模、定位和路径规划被称为机器人导航的三要素[5]。

2.1 环境感知与建模

为了实现智能移动机器人自主导航，需要根据多种传感器信息识别多种环境信息：如道路边界、地形特征、障碍、引导者等，在无人驾驶汽车导航中还需要识别交通标志、典型路口等信息。机器人通过环境感知确定前进方向中的可达区域和不可达区域，确定在环境中的相对位置，以及对动态障碍物运动进行预判，从而为局部路径规划提供依据[6]。

可用于机器人环境感知的传感器包括以下几类。

1)视觉传感器：具有信号探测范围宽、目标信息完整、获得环境信息的速度快等优势，在机器人导航中获得了广泛应用。可见光成像方式可用于白天气象条件良好情况下，识别环境中的道路分界、地形特征、障碍物等；红外成像方式可用于恶劣气象条件、夜间光照较差等环境，以及预警环境中的行人、车辆、动物等热目标。由于视觉信息本身不携带距离信息，为了从图像中获得距离等度量信息，立体视觉是通常采用的方案。

2)激光雷达：具有探测距离远(几十米，甚至上百米)、测量精度高，可进行线扫描和面扫描等特点，广泛应用于机器人防撞和环境建模。线扫描激光雷达只能得到环境的二维模型，面扫描激光雷达可以得到环境的三维模型。

3)毫米波雷达：工作在毫米波段，工作频率通常在30～300GHz。毫米波雷达扫描可用于防撞。相比于视觉传感器、激光雷达，毫米波穿透雾、烟、灰尘的能力强，具有全天候、全天时的特点。

4)红外测距传感器：波长大约在几百nm范围内。不受电磁波的干扰，非噪声源，可实现非接触性快速测量，价格低廉。物体颜色、方向、周围光线会导致测量误差，测距范围较近，一般在3m左右。

5)超声波测距传感器：频率在2000Hz以上的机械振动波，传播具有一定的方向性，价格较低。比红外传感器精确，但易发生镜面反射导致测距出错，波束角较大，反射目标点的准确方位难以确定。

上述各类传感器在移动机器人环境感知和建模中发挥着不同的作用。其中超声波、红外测距传感器由于测量精度有限，一般只用于障碍物检测，而不用于环境特征识别与建模。毫米波雷达主要用于无人驾驶或辅助驾驶的防撞报警。视觉传感器和激光雷达是移动机器人环境感知和建模的最常用传感器，表1对两类传感器感知信息内容和常用感知算法进行了归纳总结[7-13]。

表1 各传感器感知信息及方法

由于各类传感器工作机理、作用范围、适用环境不同，感知信息的种类和能力也不尽相同。通常一个机器人需配备多种传感器，采用多信息融合技术综合利用多传感器信息，消除冗余，并加以互补，从而提高对环境变化的适应性，使机器人能够获取更完备的环境信息。

根据环境模型的形式可以将环境建模分为基于概率格、几何信息、拓扑信息、三维环境信息的环境建模。根据环境模型的坐标系，可以将其分为局部建模和全局环境建模。在环境建模技术方面，依次出现了基于传感器的单元分解建模技术、几何建模技术、拓扑建模技术，自1990年以来，概率技术在环境建模领域逐渐占据主导地位，包括扩展Kalman滤波(EKF)、极大似然估计法(MLE)。在复杂未知环境中，由于先验知识的匮乏和环境的不确定性，使得并发环境建模与定位方法(SLAM)成为研究热点，但推广到工程应用，还需要在实时性、鲁棒性和准确性三个方面取得突破[14]。

2.2 定位

移动机器人必须具有定位的能力，其目的就是确定机器人在运行环境中相对于世界坐标系的位置及航向。目前机器人定位方法分为以下几类[15-16]。

1)卫星定位：在室外无遮时，可以利用卫星定位系统对机器人定位。但是在城市、隧道、室内等环境下，因卫星信号遮挡无法应用。可采用双天线卫星定位系统获得航向，航向精度与基线长度有关。

2)惯性定位：通过对固联在载体上的三轴加速度计、三轴陀螺仪进行积分，获得载体实时、连续的位置、速度、姿态等信息，但惯性误差经过积分之后都会产生无限的累积，因此纯惯性导航不适合长时间的精确定位。

3)航位推算：通过车轮上安装的光电编码器对车轮转动圈数进行记录，来计算载体的位置和姿态。由于是一种增量式定位方法，定位误差会随时间累计。对于非轮式机器人或是机器人行驶在崎岖路面轮子存在打滑的情况，可采用视觉方法获得里程信息。

4)电子地图匹配：利用图像处理技术，将实时获取的环境图像与基准图进行匹配，从而确定载体当前的位置，匹配的特征可以为设定的路标、特定的景象或是道路曲率。电子地图匹配特别适用于对机器人系统长时间的定位误差进行校准。

以上定位方式中，惯性导航以及基于里程计的航位推算为相对定位方式，可以获得连续的位置、姿态信息，但存在累积误差；卫星定位、电子地图匹配等定位方式为绝对定位，可以获得精确的位置信息，但难以获得连续姿态信息。相对定位与绝对定位方式存在较强的互补性，通常采用将两者结合的组合定位方法。通常以相对定位为主导航方式，以卫星、里程、地图信息等为辅助手段，利用Kalman滤波等算法对各导航设备误差进行估计，以减少组合后系统的导航误差。

2.3 路径规划

路径规划则是导航研究的一个重要环节和课题。路径规划主要涉及的问题包括[17-18]：1)利用获得的移动机器人环境信息建立较为合理的模型，再利用某种算法寻找一条从起始状态到目标状态的最优或次优的无碰撞路径；2)能够处理环境模型中的不确定因素和路径跟踪中出现的误差，使外界对机器人的影响降到最小；3)利用已知信息来引导机器人动作，从而得到相对更优的行为策略。

根据机器人掌握环境信息的程度不同，可分为两种类型：一个是基于环境先验信息已知的全局路径规划；另一个是基于传感器信息的局部路径规划，后者环境是未知或部分未知的，即障碍物的尺寸、形状和位置等信息必须通过传感器获取。全局路径规划方法通常包括：自由空间法、可视图法、栅格法、拓扑法等，各算法的原理及特点如表2所示。局部路径规划方法通常包括：人工势能法、遗传算法、模糊逻辑法、神经网络法等，各算法的原理及特点如表3所示。

表2 全局路径规划方法分析

表3 局部路径规划方法分析

3 智能移动机器人导航技术发展趋势

1)从已知环境、结构化环境导航向未知环境、非结构化环境导航发展

已知环境导航技术相对成熟，如工厂、码头AGV，变电站巡检机器人等，已有成熟产品投入使用。结构化环境中，由于环境要素已知且规则，其环境建模、定位较为简单，自主导航易于实现。在未知环境中或非结构化环境中，由于先验知识缺乏或是环境要素难以辨识，而感知信息不完备或环境存在干扰，机器人环境建模和定位存在困难，自主导航难度较大。外星探测机器人、军用机器人均涉及未知、非结构化环境导航，相关研究成为当前研究热点。SLAM被认为是机器人实现自主导航的有效途径。

2)新技术、新产品的出现为机器人导航提供了新的解决途径

一些新技术、新产品可能源于其他领域，但为机器人导航控制提供了新的解决方法，值得关注。例如围绕个人移动终端的室内定位技术方兴未艾，基于Wi-Fi、蓝牙、ZigBee、超宽带的多种方案趋于成熟，并投入市场应用。将这些技术与机器人导航技术相结合，为机器人室内导航开辟了新思路。微软的Kinect体感游戏机可进行图像编码并主动投射近红外光谱，已成为机器人室内导航的新装备，用以替代昂贵的激光雷达进行环境建模和定位。

4 结论

当机器人走出限定的范围，走向更广阔的空间时，导航成为制约机器人在更大范围内推广应用的瓶颈技术，也是智能移动机器人真正实现自主控制的关键技术。环境建模、定位与路径规划是智能移动机器人导航的基本问题，相关的理论研究自20世纪70～80年代以来已较为完备。随着科技的进步，新技术、新产品的出现为机器人导航提供了更多解决方案，为自主移动机器人走向工程应用创造了条件。

[1] 徐骁,赵永康,廖超,等.一种基于RFID的AGV电磁导引新方式[J]. 物流技术,2011,30(1):138-141.

[2] 龙水军,汪焰恩,魏生民,等.基于彩色轨迹引导的AGV视觉导航方案研究[J]. 工具技术,2014,48(1):74-77.

[3] Thrun S, Thayer S, Whittaker W， et al. Autonomous exploration and mapping of abandoned mines[J]. IEEE Robotics & Automation Magazine, 2004, 11(4):79-91.

[4] Silver D, Bagnell J A, Stentz A. Learning from demonstration for autonomous navigation in complex unstructured terrain[J]. The International Journal of Robotics Research, 2010,29(12): 1565-1592.

[5] Luettel T, Himmelsbach M, Wuensche H J. Autonomous ground vehicles-concepts and a path to the future[J]. Proceedings of the IEEE, 2012,100(5): 1831-1839.

[6] 于金霞,王璐，蔡自兴.未知环境中移动机器人自定位技术[M]. 北京：电子工业出版社,2011.

[7] 王燕清,陈德运,石朝侠.基于单目视觉的非结构化道路检测与跟踪[J]. 哈尔滨工程大学学报, 2011, 32(3): 334-339.

[8] 史晓鹏,何为,韩力群.采用Hough变换的道路边界检测算法[J]. 智能系统学报, 2012, 7(1): 81-85.

[9] 杨象军,项志宇,刘济林.基于四线激光雷达的校园道路的检测与跟踪[J]. 传感器与微系统, 2013, 32(9):134-138.

[10] Han J, Kim D, Lee M, et al. Enhanced road-boundary and obstacle detection using a downward-looking LIDAR sensor [J]. IEEE Transactions on Vehicular Technology, 2012, 61(3):971-985.

[11] Gim S,Meo I, Park Y, et al.Drivable road recognition by multilayered LiDAR and vision [J]. Intelligent Autonomous Systems, 2013(12):43-56.

[12] 谷明琴,蔡自兴,何芬芬.形状标记图和Gabor小波的交通标志识别[J]. 智能系统学报,2011,6(6):526-530.

[13] 李新,禹翼.基于SIFT算法的交通标志识别[J]. 制造业自动化, 2012,34(5):10-12.

[14] 戈英民,刘丁.动态环境下基于路径规划的机器人同步定位与地图构建[J]. 机器人,2010,32(1):83-90.

[15] 陶敏, 陈新, 孙振平. 移动机器人定位技术[J]. 火力与指挥控制, 2010, 35(7): 169-172.

[16] Cho S Y, Wan S C. Robust positioning technique in low-cost DR/GPS for land navigation [J]. IEEE Transactions on Instrumentation and Measurement, 2006, 55(4): 1132-1142.

[17] 蔡自兴,贺汉根,陈虹, 等.未知环境中移动机器人导航控制理论与方法[M]. 北京：科学出版社，2009.

[18] 郭小勤. 未知环境下移动机器人遍历路径规划[J]. 计算机工程与设计，2010, 31(1):172-174.

Review of Navigation Control Technology of Intelligent Mobile Robot

LI Cheng-jin1, WANG Fang2

(1.Navy Military Representative Office in Kunming Area, Kunming 650000, China；2.Aerospace Science & Industry Intelligent Robot Company Limited，Beijing 100074，China)

Intelligent mobile robot is widely used in the areas of manufacturing, service industry, military and interplanetary exploration. Navigation is one of the primary problems of autonomous control of intelligent mobile robot. The current status of the navigation technology of intelligent mobile robots in various areas was investigated. The approaches of crucial points of navigation control, which include environmental perception and mapping, localization and path planning, were deeply analyzed. Based on above all, the trends of navigation control of intelligent mobile robot is summarized.

Intelligent mobile robot; Navigation; Environmental perception; Localization; Path planning

10.19306/j.cnki.2095-8110.2016.05.005

2015-12-11；

2016-01-29。

李成进(1970-)，男，高级工程师，主要从事惯性导航定位方面的研究。E-mail:hbhcmthjz@sina.com

TP242

A

2095-8110(2016)05-0022-05