定位技术

通常是指机器人领域的定位技术,see SLAM for details

来源:artint.info
简介

定位问题:假设一个机器人想根据自己的活动的历史和传感器的数据来知道自己的位置,这一问题就是定位问题。

Figure 1: 一个定位的信任网络

Figure1 展示的就是一个定位问题的信任网络。Loc_i指在时间i下的位置信息。变量Obs_i是在时间i的观察变量。对于每个时间点i,这里用Act_i代表活动的状态。在这里,假设机器人的活动都是可以观察的。

这个模型的动态流程:在时间i下,机器人所在位置 Loc_i,观察到Obs_i,然后机器人进行活动,会观察到 Act_i。之后时间就会 i+1,当然,位置也会变为 Loc_i+1。它在时间t下的观察取决于时间t的状态。机器人在 t+1时的位置取决于时间t的位置和时间t的活动。它的位置是有对于之前的位置,之前的观察变量,之前的活动是一个条件概率,基于给定的时间t和时间t时的位置。

定位问题决定了机器人的位置,关于它的观察历史的方程,如下:

P(Loct| Obs0, Act0, Obs1, Act1, ..., Actt-1,Obst).

考虑定位的领域

如上图所示,定位的区域从0至15,共16个位置。在每个时间i下,机器人会处在{0,1,...,15}的任位置之上。

  • 在2,4,7和11的位置旁有门
  • 机器人有传感器可以自动检测是否在门的前面,这个可以当作在时间i下的观察变量Obs_i(有门,没有门)。假设它符合条件概率分布:P(Obs=door | atDoor) = 0.8P(Obs=door | notAtDoor) = 0.1atDoor 只有在2,4,7和11的状态时,才为真。notAtDoor 在其他的状态下为真。因此,观察是局部的,很多状态会提供相同的观察量,所以会有一些噪声的:在20%的情况下,机器人会在门附近,但是传感器错误地给出了一个没有门的观察结果。还有在10%情况下,机器人不在门旁,传感器记录下有门的结果。
  • 机器人每一次都可以向左移动,向右移动,或者保持静止。假设在stillaction是决定性的,但对运动行为是动态随机。只是因为它进行直接行动 goRight并不意味着它是一步正确的向右走-它可能仍然停留,或向右走两步,甚至最终在任意位置(例如,如果有人捡起机器人进行移动)。假设下面的动态,每个位置L:P(Loc_t+1= L | Act_t=goRight ∧Loc_t=L) = 0.1P(Loc_t+1= L+1 | Act_t=goRight ∧Loc_t=L) = 0.8P(Loc_t+1= L+2 | Act_t=goRight ∧Loc_t=L) = 0.074P(Loc_t+1= L' | Act_t=goRight ∧Loc_t=L) = 0.002 for any other locationL'.所有位置运算都是模16。行动goleft的原理相同。

机器人从未知位置开始,必须确定其位置。

似乎域太模糊了,传感器太吵了,动态太随机了,什么都做不了。然而,在给定的行动和观测的历史时,计算机器人的当前位置的概率是可能的。


Figure 2:位置分布图。 0至15的位置。底部的数字给出了机器人在特定动作和观察序列之后的位置的后验概率。bar的高度与后验概率成正比。

假设它不知道它在哪里,并体验以下观察:观察到门,向右走,观察没有门,向右走,然后观察到门(observe door, go right, observe no door, go right, and then observe door.)。位置4是最可能的当前位置,后验概率为0.42。也就是说,根据图1的网络:

位置7是第二个最有可能的当前位置,后验概率为0.141。位置0, 1, 3、8, 12和15是最不可能的当前位置,后验概率为0.011。

您可以通过在the localization上使用applet来查看其他观察序列的效果。

示例2:让我们用另一个传感器来对上面的实例增加数据。假设,除了一个门传感器,还有一个光传感器。鉴于状态,光传感器和门传感器是有条件独立的。假设光传感器不是很有信息量,它只能给出是否是可以检测到任何光的“是”或“否”的信息,而且这是非常嘈杂的,取决于位置。那么它的网络就是如下所示(有两个传感器):

  • Loc_t是机器人在t时刻的位置
  • Act_t是机器人在t时刻的动作
  • D_t是t时刻的门传感器值
  • L_t 它是t时刻的光传感器值

利用L_iD_i可以相互结合光传感器和门传感器的信息。这是传感器融合的一个实例。考虑到信任网络模型,没有必要定义任何新的传感器融合机制;standard probabilistic inference标准概率推理结合了两个传感器的信息。

【出处:Atificial Intelligence ,URL:http://artint.info/html/ArtInt_162.html#id1

发展历史

机器人目前已经遍布军事、工业、民用等各大领域,并还在不断的发展中,目前移动机器人技术已获得了可喜的进展,研究成果令人鼓舞,但对于实际应用的需求还需要长时间的发展,相信随着传感技术、智能技术和计算技术等的不断提高,智能移动机器人一定能够在生产和生活中扮演人的角色。那么移动机器人定位技术主要涉及到哪些呢?经总结目前移动机器人主要有5大定位技术。

1. 声波导航定位技术

超声波导航定位的工作原理也与激光和红外类似,通常是由超声波传感器的发射探头发射出超声波,超声波在介质中遇到障碍物而返回到接收装置。通过接收自身发射的超声波反射信号,根据超声波发出及回波接收时间差及传播速度,计算出传播距离S,就能得到障碍物到机器人的距离,即有公式:S=Tv/2式中,T—超声波发射和接收的时间差;v—超声波在介质中传播的波速。当然,也有不少移动机器人导航定位技术中用到的是分开的发射和接收装置,在环境地图中布置多个接收装置,而在移动机器人上安装发射探头。

1922年 美国泰勒和杨建议在两艘军舰上装备高频发射机和接收机以搜索敌舰。1971年 加拿大伊朱卡等3人发明全息矩阵雷达。与此同时,数字雷达技术在美国出现。radar用于定位的技术最早的为其拉开了帷幕。

2.视觉导航定位技术

在视觉导航定位系统中,目前国内外应用较多的是基于局部视觉的在机器人中安装车载摄像机的导航方式。在这种导航方式中,控制设备和传感装置装载在机器人车体上,图像识别、路径规划等高层决策都由车载控制计算机完成。

视觉导航定位系统主要包括:摄像机(或CCD图像传感器)、视频信号数字化设备、基于DSP的快速信号处理器、计算机及其外设等。现在有很多机器人系统采用CCD图像传感器,其基本元件是一行硅成像元素,在一个衬底上配置光敏元件和电荷转移器件,通过电荷的依次转移,将多个象素的视频信号分时、顺序地取出来,如面阵CCD传感器采集的图像的分辨率可以从32×32到1024×1024像素等。

3.GPS全球定位系统

如今,在智能机器人的导航定位技术应用中,一般采用伪距差分动态定位法,用基准接收机和动态接收机共同观测4颗GPS卫星,按照一定的算法即可求出某时某刻机器人的三维位置坐标。差分动态定位消除了星钟误差,对于在距离基准站1000km的用户,可以消除星钟误差和对流层引起的误差,因而可以显着提高动态定位精度(GPS的精度也分为军方使用和民用之间的划分)。

该系统由美国政府于1970年代开始进行研制,并于1994年全面建成。使用者只需拥有GPS接收机即可使用该服务,无需另外付费。GPS信号分为民用的标准定位服务(SPS,Standard Positioning Service)和军用的精确定位服务(PPS,Precise Positioning Service)两类。由于GPS无须任何授权即可任意使用,原本美国因为担心敌对国家或组织会利用GPS对美国发动攻击,故在民用讯号中人为地加入选择性误差(即SA政策,Selective Availability)以降低其精确度,使其最终定位精确度大概在100米左右;军规的精度在十米以下。2000年以后,比尔·克林顿政府决定取消对民用讯号的干扰。因此,现在民用GPS也可以达到十米左右的定位精度。

GPS对于室外的定位(建筑少,空旷的地区)效果很好,但是在室内或是建筑很多的城市里效果会收到影响。

4.机器人光反射导航定位技术

典型的光反射导航定位方法主要是利用激光或红外传感器来测距。激光和红外都是利用光反射技术来进行导航定位的。

激光全局定位系统一般由激光器旋转机构、反射镜、光电接收装置和数据采集与传输装置等部分组成。

工作时,激光经过旋转镜面机构向外发射,当扫描到由后向反射器构成的合作路标时,反射光经光电接收器件处理作为检测信号,启动数据采集程序读取旋转机构的码盘数据(目标的测量角度值),然后通过通讯传递到上位机进行数据处理,根据已知路标的位置和检测到的信息,就可以计算出传感器当前在路标坐标系下的位置和方向,从而达到进一步导航定位的目的。

5.机器人定位技术是SLAM技术(Simultaneous Localization and Mapping即时定位与地图构建)。

1986年,最早提出将概率用于SLAM 问题的是在IEEE Robotics and Automation Conference held in San Francisco, California上提出的R.C. Smith和P. Cheeseman的研究中。当时是概率用于AI和Robot的时代。在1990s,Hugh F. Durrant-Whyte的队伍是最早投身于问题的解决中,证明了无穷大数据限制下SLAM的存在性。STANLEY 和 JUNIOR的自动驾驶的汽车,在Sebastian Thrun的带领下,赢得了DARPA大挑战,也参加了第二年的DARPA城市挑战赛,包括SLAM系统,赢得了大满贯,让世界瞩目。大众市场的SLAM实现,现在出现了可以在消费机器人吸尘器如Neato xv11。谷歌和其他人的自驾汽车现在已经在一些美国州的公共道路上获得驾驶执照。

SLAM(Simultaneous Localization and Mapping,即时定位与地图构建),自1986年被提出以来,主要用于研究机器人移动的智能化。对于完全未知的室内环境,配备激光雷达等核心传感器后,SLAM技术可以帮助机器人构建室内环境地图,助力机器人的自主行走。

SLAM问题可以描述为:机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和传感器数据进行自身定位,同时建造增量式地图。一些研究人员一直在寻找应用估计理论方法映射和定位问题;其中包括Peter Cheeseman,Jim Crowley,Hugh DurrantWhyte。

【出处:新浪新闻, URL:http://www.sohu.com/a/127972540_447946】

主要事件

年份事件相关论文/Reference
1986Smith, R. C., & Cheeseman, P.最早提出将概率用于SLAM 问题Smith, R. C., & Cheeseman, P. (1986). On the representation and estimation of spatial uncertainty. The international journal of Robotics Research, 5(4), 56-68.
1991Leonard, J. J., & Durrant-Whyte, H. F.使用beacon进行定位。Leonard, J. J., & Durrant-Whyte, H. F. (1991). Mobile robot localization by tracking geometric beacons. IEEE Transactions on robotics and Automation, 7(3), 376-382.
2000Fox, D., Burgard, W., Kruppa, H.,实现多机器人的定位Fox, D., Burgard, W., Kruppa, H., & Thrun, S. (2000). A probabilistic approach to collaborative multi-robot localization. Autonomous robots, 8(3), 325-344.
2002Se, S., Lowe, D., & Little, J.使用视觉特征进行定位Se, S., Lowe, D., & Little, J. (2002). Mobile robot localization and mapping with uncertainty using scale-invariant visual landmarks. The international Journal of robotics Research, 21(8), 735-758.
2007Davison, A. J., Reid, I. D., Molton, N. D., & Stasse, O.提出实时的SLAM系统Davison, A. J., Reid, I. D., Molton, N. D., & Stasse, O. (2007). MonoSLAM: Real-time single camera SLAM. IEEE transactions on pattern analysis and machine intelligence, 29(6), 1052-1067.
2014Engel, J., Schöps, T., & Cremers, D.构建单目的SLAM系统Engel, J., Schöps, T., & Cremers, D. (2014, September). LSD-SLAM: Large-scale direct monocular SLAM. In European Conference on Computer Vision (pp. 834-849). Springer, Cham.

发展分析

瓶颈

移动机器人的导航定位中,因为超声波传感器自身的缺陷,如:镜面反射、有限的波束角等,给充分获得周边环境信息造成了困难,因此,通常采用多传感器组成的超声波传感系统,建立相应的环境模型,通过串行通信把传感器采集到的信息传递给移动机器人的控制系统,控制系统再根据采集的信号和建立的数学模型采取一定的算法进行对应数据处理便可以得到机器人的位置环境信息。

GPS对于室外的定位(建筑少,空旷的地区)效果很好,但是在室内或是建筑很多的城市里效果会受到影响。另外,GPS导航系统也不适应用在室内或者水下机器人的导航中以及对于位置精度要求较高的机器人系统。

激光测距具有光束窄、平行性好、散射小、测距方向分辨率高等优点,但同时它也受环境因素干扰比较大,因此采用激光测距时怎样对采集的信号进行去噪等也是一个比较大的难题,另外激光测距也存在盲区,所以光靠激光进行导航定位实现起来比较困难,在工业应用中,一般还是在特定范围内的工业现场检测,如检测管道裂缝等场合应用较多。

未来发展方向

在定位上,很多算法以及不同的方式都已经得到了很好的效果,但是室内定位,以及对精度更高的要求,运算量的负载等都还是很多研究课题的重点内容。

Contributor:Ruiying Cai

相关人物
塞巴斯蒂安 · 史朗
塞巴斯蒂安 · 史朗
Sebastian Thrun 是德国的创新者,企业家教育家和计算机科学家。他是 Kitty Hawk Corporation 的首席执行官,也是 Udacity 的董事长兼联合创始人。在此之前,他曾担任谷歌副总裁兼研究员,斯坦福大学计算机科学教授,之前是卡内基梅隆大学。在谷歌,他创立了谷歌 X 和谷歌的自动驾驶汽车团队。
简介
相关人物