商业化移动机器人的感知系统设计

近30年来，无论是在学术界还是工业界，机器人领域都得到了快速发展。虽然已经取得了大量的研究进展，但机器人的实际应用还相当有限。大多数部署的机器人要么是工作在特殊的、或对控制要求很高的环境中（如工厂装配线上的机械臂，或大型仓库中的自动导引车），要么是功能单一的微型机器人（如机器人吸尘器，或智能无人机）。其他类型的机器人系统要么还在学术研究中，要么只在少数试验性的地方运行，包括自动驾驶车、服务机器人（用于酒店、购物中心等）、包裹运送机器人、紧急救援机器人等。阻碍机器人广泛应用的因素主要有两个：制造成本和技术成熟度。

IROS2019发表的论文“Perception System Design for Low-Cost Commercial Ground Robots: Sensor Configurations, Calibration, Localization and Mapping”提出一个product—ready机器人感知系统，设计稳定并具有长远性的自动化设备来解决这个问题，包括传感器的选择和配置，以及算法和实现。特别地，此低成本系统利用了一个单目相机，一个短程二维激光测距仪，车轮编码器和惯性测量单元。相对于“最简单”的设计角度（用最少的传感器数量实现自动化机器人[1][2][3]），此系统传感设置相对复杂，但理论上的困难不大。但是，从冗余传感和实际应用的角度来看，设置的4个传感器具有互补性的特点，能够实现机器人的稳健运行，理论问题极少，故障率也很低。成本方面，完整的传感器设备只需300美元左右(量产时甚至低至100美元)，而且我们提出的在线算法只需要一个现代ARM处理器的一个内核就可以完成。本文的另一个关键贡献是详细的算法设计和有效的实现，使移动机器人能够自主移动以进行“在任何地方的应用”。特别是我们提出了一个单步厂内批量校准算法，能够有效、准确地校准传感器的内部和外部参数；通过紧密耦合的传感器融合实现的定位算法，用于执行区域探索、重新定位和传感器在线校准；映射算法，生成精确的混合地图，用于商用机器人的长期部署。该文在算法设计上，并没有把重点放在“数学新颖”，而是从“系统设计”上下功夫，推动低成本商用机器人走向现实。

1、相关工作

根据机器人传感器系统和算法的设计，相关工作可以分为两类：一类是依靠数量最少的传感器（一个或两个）[1][2][3][4][5]，另一类是使用多个传感器的，类似于我们的传感器，但有其自身的局限性[6][7][8][9]。

A. 具有最少(1-2个)传感器的系统

在机器人系统中使用的各种传感器中，摄像头（RGB相机或深度相机）和激光测距仪（单光束或多光束）是最受欢迎的传感器，通过这些传感器设计出了各种自主的算法。这些传感器可以支持机器人在适当的环境下完全自主。例如，摄像头在3-30Hz下可以提供对周围环境的密集感知，其感知信息可用于进行3D SLAM[2][10]。摄像机在体积、成本和功率方面的优势使其易于集成到不同类型的机器人，甚至是微型机器人中[2]。深度摄像机也可以作为机器人的主要传感器，提供定位、绘图、避障等功能[5][11]。与深度相机相比，LRF通常具有更大的视野（FOV）和更长的感应距离，因此也被广泛应用于商业机器人[1][4]。此外，由于近年来MEMS技术的发展，相机往往与IMU集成在一起。这使得机器人在剧烈运动或挑战性的环境下，具有更好的比例估计能力，同时也有更好的系统稳定性[3][12][13]。类似地，LRF传感器也可以借助于IMU，实现性能的提升[14]。研究人员还致力于将IMU与车轮编码器集成在一起，在缺乏外在感受器的传感器长期使用，而产生不可避免的漂移时，产生准确的死角估计[15]。

B. 带有冗余多传感器系统的系统

目前，自动驾驶是最具挑战性的机器人研究项目之一，通常情况下，自主驾驶汽车会配备精确但昂贵的GNSS-INS系统、数十台雷达传感器、多个RGB摄像头和多个多光束LRF [6]。为了使类似级别的自动驾驶汽车更具有经济性和可行性，开发出了依靠相机和3D感应LRF的系统，以代替昂贵的GNSS-INS系统[7][16]。在这些系统中，3D感应LRF要么采用成本较高的多光束LRF，要么采用旋转2D LRF，但其应用在商业机器人时也有其自身的局限性（如旋转转子的价格和生命周期、机器人工业和结构设计的挑战等）。要开发地面机器人，车轮编码器是低成本但高效的传感器。然而，大多数利用车轮编码器的系统只关注于具有平坦表面的环境[9][8]。红外和超声波传感器在机器人系统中也得到了广泛的应用。虽然它们可以用于定位和测绘，但由于精度和分辨率较低，主要用于避障[17]。本文提出了我们的机器人感知系统设计，由摄像头、单光束LRF、IMU和车轮编码器组成。这样的系统成本较低，可以保证在大多数常见的环境下（“任何位置”）的稳健性能。这些都是上述任何一种系统无法同时实现的目标。

 

2、传感器的配置分析

传感器配置和讨论 机器人传感器可分为两种类型：本体感觉传感器（测量机器人自身的运动）和外部感觉传感器（感知周围环境）。为了发挥其互补的感知能力，机器人通常配备本体感受和外感传感器。

1）本体感觉传感器。

由于IMU和车轮编码器具有互补性，因此本设计集成了IMU和车轮编码器。IM/U可以测量高帧率（≥100Hz）下移动框架的角速度和比力（重力影响的局部线性加速度），其测量结果可用于描述机器人在3D空间中的运动。虽然IMU在机器人应用中得到了广泛的应用，但由于其性质，即使与其他传感器融合，也有一定的局限性。有几种情况会导致运动估计失败。例如，机器人静止、以恒定的圆周速度或直线速度运动等[3][18]。此外，由于IMU不能直接获得线性速度估计，当机器人在具有挑战性的环境中导航时，迭代估计器的本地化估算值可能会始终落入局部最小值，从而导致估计性能低下，甚至出现发散[19]。然而，这些挑战都可以通过集成车轮编码器来克服，因为车轮编码器直接提供速度估计。另一方面，车轮编码器只能对机器人在二维平面上的运动进行表征。这些互补的特性使IMU和车轮编码器成为一对完美的本体感知传感器，而且它们的成本都很低。

表I显示，当IMU和车轮编码器融合在一起时，运动估计效果显著提高。

2）外窥式传感器

一种短距离低成本的2D LRF和一个单目摄像头通过设计集成。基于视觉的机器人系统可以在其捕获的图像包含足够多的静态的、可区分的信息（例如，稀疏的特征点[12]、半密集点云[10]、CNN特征等[20]）时成功地工作。虽然大多数情况下如此，但仍然有很多环境不符合这个假设，尤其是建筑物内部和跨建筑物的环境（黑暗的环境、场景少、移动物体多、光照条件变化等）。另一方面，LRF具有较大的FOV（200-360度），并且在光照条件下具有很强的鲁棒性，并具有丰富的环境特征。低成本的LRF的弱点是检测范围短（不能用于室外导航）、无法捕捉3D信息、噪声大。前两个问题可以通过相机很好地弥补，而第三个问题可以通过基于概率估计的传感器融合来改善。

3）完整的设计 

众所周知，本体感知传感器和外部感知传感器提供的信息是互补的，因此两者的集成可以提高机器人感知系统的性能。因此，我们在设计机器人时，将上述传感器一起设计，即摄像头、LRF、IMU、车轮编码器。构建机器人感知系统需要考虑好的另一个关键因素是传感器与传感器的刚性连接和精确的时间同步。虽然可以设计算法来在线估计时空校准参数[12]，但可能会影响系统性能，引入使用风险，因此我们把这一点作为对制造商的强烈要求。

3、实验与结果

结果表明，在室内和室外场景中，部署的“IMU和车轮编码器融合”比其他替代方案有很大的优势。在室内，平均定位误差为5cm左右，室外为35cm左右。此外，还进行了全自动机器人系统的实验。搭载感知系统的机器人可以通过带有规划和控制模块的预定路径，进行自主导航。2019年2月14日-24日期间，在阿里巴巴西溪园区内进行了共计84次测试，室外总行程16.7公里（见图2）。在测试过程中，仅有一次失去本地化时进行了人为干预（这是由于我们的软件不成熟造成的）。通过以上对比，可以看出所提出的方法的有效性。另一方面，当执行同样的任务时，甚至在一天内多次需要人工干预[8]。此外，当运行在Nvidia Jetson TX2上时，所提出的定位算法只占用一个ARM内核（相当于A73），并且达到优化操作平均35毫秒，而平均关键帧频率低于5Hz。这表明所提出的方法可以很容易地在低成本的处理器上实时运行。