智能機器人原理與應(yīng)用 課件 第11章 家庭智能空間服務(wù)機器人系統(tǒng)

智能機器人原理與應(yīng)用“智能檢測技術(shù)與模式識別”研究所11家庭智能空間服務(wù)機器人系統(tǒng)智能空間是一種新的人機交互協(xié)作的復雜系統(tǒng)，它通過普適傳感器網(wǎng)絡(luò)，把大量的多模態(tài)傳感器和帶有嵌入式處理器的計算、信息設(shè)備相互連接起來，從而將計算智能分布和嵌入到環(huán)境與日常工具中，以滿足各種特定需要[7]。與服務(wù)機器人研究的最終目的一致，智能空間研究也是為了提高人的生活質(zhì)量；從技術(shù)層面上看，將智能空間技術(shù)與服務(wù)機器人技術(shù)結(jié)合起來，可以實現(xiàn)兩者優(yōu)勢的互補[8]：一方面，服務(wù)機器人只需與智能空間建立通信即可隨時隨地感知整個家庭環(huán)境，擺脫了必須集各種傳感器于一身的束縛；另一方面，服務(wù)機器人的引入大大提高了智能空間感知與執(zhí)行的主動性?？梢?，智能空間服務(wù)機器人的研究，是服務(wù)機器人技術(shù)與智能空間技術(shù)的完美結(jié)合，是不同于兩者的各自獨立發(fā)展，卻可以同時進行的另一條道路，其研究也必將豐富機器人和智能空間領(lǐng)域的相關(guān)理論。11.1家庭智能空間服務(wù)機器人系統(tǒng)介紹11.1.1家庭服務(wù)機器人1.家庭服務(wù)機器人研究尚不成熟當前的家庭服務(wù)機器人研究和應(yīng)用遠遠沒有達到我們的期望，這其中一部分原因是當前對服務(wù)機器人本身，包括智能、自主等方面的研究還不成熟：首先，機器人的智能程度較為低下，目前機器人的服務(wù)功能往往是通過使用者預(yù)先對機器人設(shè)置定時啟動，或通過遙控等設(shè)備發(fā)出指令為絕對前提，機器人缺乏主動智能；其次，機器人感知和自主運動能力尚待提高，為機器人本體配備更多的感知設(shè)備，難以從根本上解決機器人全局范圍內(nèi)有效信息的感知問題，反而導致了成本和計算開銷的增加。因此，機器人進入家庭作業(yè)仍受到很大的限制，其基本功能如定位、導航和物體識別等仍是最具有挑戰(zhàn)性的課題。11.1家庭智能空間服務(wù)機器人系統(tǒng)介紹11.1.1家庭服務(wù)機器人2.家庭服務(wù)任務(wù)的難度眾所周知，家庭服務(wù)機器人面對的是整個家庭環(huán)境及其中的各種目標，不同于工業(yè)現(xiàn)場固定和可編程的環(huán)境，其復雜性具體表現(xiàn)為以下幾個方面。(1)機器人工作環(huán)境為較為擁擠、混雜的家庭環(huán)境，且動態(tài)性較高；(2)家庭目標種類繁多特征各異，部分目標具有較強的移動性并在家庭環(huán)境進出；(3)家庭環(huán)境和目標相輔相承，融為一體，并無明確界限可分。由于上述因素的影響，造成了家庭環(huán)境及其中目標的多而混雜、異質(zhì)性和動態(tài)性，在此情況下，傳統(tǒng)的只適合在特定條件、特定場合下完成簡單任務(wù)的工作模式和處理方法將不能滿足家庭服務(wù)機器人任務(wù)的需要。11.1家庭智能空間服務(wù)機器人系統(tǒng)介紹11.1.2智能空間1.智能空間的特點近年來，伴隨計算機、信息和網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，出現(xiàn)了基于普適計算理論的智能空間技術(shù)，它是一種新的復雜系統(tǒng)，通過普適傳感器網(wǎng)絡(luò)，把大量的多模態(tài)傳感器安裝在室內(nèi)的多個位置，并將其與帶有嵌入式處理器的計算設(shè)備進行互連，從而將計算智能分布和嵌入到附有唯一識別標簽的環(huán)境與日常目標中，以實現(xiàn)對環(huán)境及其中目標的隨時、隨地感知，滿足各種特定任務(wù)的需要?？梢?，智能空間既可以提供對其所在環(huán)境的精確觀測信息，同時又具備高效快速的信息處理能力。11.1家庭智能空間服務(wù)機器人系統(tǒng)介紹11.1.2智能空間2.智能空間的應(yīng)用前景智能空間技術(shù)旨在建立一個以人為中心的充滿計算和通信能力的空間，讓計算機參與到日常活動中，使用戶能像與其他人一樣與計算機系統(tǒng)發(fā)生交互，從而隨時隨地、透明地獲得人性化的服務(wù)。從普適計算的角度來看，智能空間是普適計算理論研究的理想實驗平臺，同時作為一種集成化系統(tǒng)，智能空間也具有十分重要的應(yīng)用價值，在智能交通、應(yīng)急反應(yīng)、機器人等領(lǐng)域顯示出廣泛的應(yīng)用前景。11.1家庭智能空間服務(wù)機器人系統(tǒng)介紹11.1.3家庭智能空間服務(wù)機器人系統(tǒng)構(gòu)建背景1.家庭智能空間服務(wù)機器人系統(tǒng)的理念家庭智能空間服務(wù)機器人系統(tǒng)的建立主要是通過在室內(nèi)環(huán)境布撒各種信息檢測傳感器、用于數(shù)據(jù)處理和信息服務(wù)的計算主機、人-機交互的觸摸顯示器界面、網(wǎng)絡(luò)系統(tǒng)以及數(shù)據(jù)庫等軟硬件設(shè)施，從而將室內(nèi)家庭環(huán)境改造為遍布觀測和處理能力的信息空間，為服務(wù)機器人提供海量信息的環(huán)境信息，并通過無線傳輸方式與機器人交互，輔助機器人實現(xiàn)準確導航、精確定位等工作，進而完成抓取、運送、整理家具和物品等各種家庭服務(wù)任務(wù)。11.1家庭智能空間服務(wù)機器人系統(tǒng)介紹11.1.3家庭智能空間服務(wù)機器人系統(tǒng)構(gòu)建背景2.家庭智能空間服務(wù)機器人系統(tǒng)的系統(tǒng)構(gòu)成圖11.1給出了一種以攝像機為節(jié)點構(gòu)建智能空間傳感器網(wǎng)絡(luò)的家庭智能空間服務(wù)機器人系統(tǒng)示意圖。本章的研究同樣是基于攝像機節(jié)點來構(gòu)建智能空間傳感器網(wǎng)絡(luò)。攝像機1攝像機N智能空間攝像機網(wǎng)絡(luò)智能空間主機ZigBeeZigBee操作目標服務(wù)對象攝像頭圖11.1家庭智能空間服務(wù)機器人系統(tǒng)構(gòu)成11.2機器人同步定位、傳感器網(wǎng)絡(luò)標定與環(huán)境建圖眾所周知，機器人定位、傳感器網(wǎng)絡(luò)標定與環(huán)境建圖是物聯(lián)網(wǎng)機器人系統(tǒng)中三個相互耦合的基本問題，其有效解決是物聯(lián)網(wǎng)機器人系統(tǒng)提供高效智能服務(wù)的前提。本節(jié)提出了物聯(lián)網(wǎng)機器人系統(tǒng)同時機器人定位、傳感器網(wǎng)絡(luò)標定與環(huán)境建圖的概念，通過分析三者之間的耦合關(guān)系，給出同時定位、標定與建圖問題的聯(lián)合條件概率表示，基于貝葉斯公式和馬爾科夫特性將其分解為若干可解項，并借鑒Rao-Blackwellized粒子濾波的思想分別求解。首先，聯(lián)合傳感器網(wǎng)絡(luò)對機器人的觀測、機器人對已定位環(huán)境特征的觀測以及機器人自身控制量設(shè)計了位姿粒子的采樣提議分布和權(quán)值更新公式；其次，聯(lián)合傳感器網(wǎng)絡(luò)對機器人運動軌跡及已定位環(huán)境特征的觀測設(shè)計了傳感器網(wǎng)絡(luò)標定的遞推公式；然后，聯(lián)合傳感器網(wǎng)絡(luò)和機器人對(已定位或新發(fā)現(xiàn))環(huán)境特征的觀測設(shè)計環(huán)境建圖的遞推公式。給出了完整的同時定位、標定與建圖算法，并通過仿真實驗驗證了該算法的有效性。11.2機器人同步定位、傳感器網(wǎng)絡(luò)標定與環(huán)境建圖11.2.1問題簡化作為人們?nèi)粘Ｉ詈凸ぷ鞯闹匾獔鏊?，家庭或辦公室環(huán)境的布局結(jié)構(gòu)往往較為復雜，且其中目標種類繁多、特征各異并具有不同程度的動態(tài)特性。為方便分析，不妨將物聯(lián)網(wǎng)機器人系統(tǒng)進行合理簡化。首先建立機器人坐標系：以標識色塊的中心為坐標系原點，z軸方向垂直標識色塊向上，x軸方向為機器人前進方向，y軸方向由右手法則確定。假定機械手基座坐標系、PTZ云臺坐標系在機器人坐標系下的位姿均已離線標定。以初始建圖時刻的機器人坐標系作為世界坐標系，由于機器人運行在平行于地面的二維平面，不妨假設(shè)任意時刻機器人在世界坐標系z軸的投影始終為零。此外，環(huán)境目標往往分布在三維空間中，故本文將整個環(huán)境描述為世界坐標系下包含環(huán)境布局及其中目標的三維特征地圖，并通過機器人和傳感器網(wǎng)絡(luò)的實時交互來聯(lián)合構(gòu)建并共同維護該地圖。11.2機器人同步定位、傳感器網(wǎng)絡(luò)標定與環(huán)境建圖11.2.2模型求解從概率的觀點看，物聯(lián)網(wǎng)機器人系統(tǒng)同時定位、標定與建圖問題可以用概率密度來表示，即在已知機器人控制輸入序列、機器人對N個環(huán)境目標的觀測序列、傳感器網(wǎng)絡(luò)M個節(jié)點對機器人的觀測序列，以及傳感器網(wǎng)絡(luò)M個節(jié)點對N個環(huán)境特征的觀測序列的條件下，求解傳感器網(wǎng)絡(luò)M個節(jié)點的參數(shù)、機器人位姿、以及N個目標所構(gòu)成地圖的聯(lián)合后驗概率估計問題。基于Rao-Blackwellized粒子濾波的思想，機器人運動軌跡的遞歸估計由粒子濾波器完成，各粒子對應(yīng)傳感器網(wǎng)絡(luò)參數(shù)估計和特征地圖估計均由擴展Kalman濾波器完成。11.2機器人同步定位、傳感器網(wǎng)絡(luò)標定與環(huán)境建圖11.2.3算法描述通過前面的分解，并采用Rao-Blackwellized粒子濾波思想，在t時刻，物聯(lián)網(wǎng)機器人系統(tǒng)同時定位、標定與建圖問題的求解算法如下：Step1.基于粒子濾波的機器人定位(1)機器人位姿估計：采樣機器人位姿粒子；(2)位姿粒子權(quán)值計算：計算各位姿粒子的權(quán)值，歸一化；(3)計算有效粒子數(shù)，進行粒子重采樣；Step2.傳感器節(jié)點標定環(huán)節(jié)：基于EKF估計傳感器節(jié)點的位姿參數(shù)(1)預(yù)測更新；(2)根據(jù)傳感器節(jié)點對機器人觀測的觀測更新；(3)根據(jù)傳感器節(jié)點對已定位環(huán)境特征觀測的觀測更新；Step3.環(huán)境特征建圖環(huán)節(jié)：基于EKF估計環(huán)境特征的位置：(1)預(yù)測更新：(2)根據(jù)機器人對環(huán)境特征觀測的觀測更新；(3)根據(jù)傳感器節(jié)點對環(huán)境特征觀測的觀測更新。11.2機器人同步定位、傳感器網(wǎng)絡(luò)標定與環(huán)境建圖11.2.3算法復雜度分析同時定位、標定與建圖問題的本質(zhì)是多傳感器信息融合意義下的狀態(tài)估計問題。本文方法采用序貫方式融合兩類觀測信息進行狀態(tài)的觀測更新，針對每一類觀測，當同時存在多個該類觀測時，仍然采用序貫方式加以融合，如對于步驟Step2.(2)的觀測更新，當存在多個傳感器節(jié)點對機器人的觀測時，采用序貫方式融合多傳感器節(jié)點的觀測信息，同樣策略應(yīng)用于步驟Step2.(3)、Step3.(2)和Step3.(3)中存在多個同類觀測的情形。假定物聯(lián)網(wǎng)機器人系統(tǒng)中包含一個移動機器人和一個由M個節(jié)點構(gòu)成的傳感器網(wǎng)絡(luò)，且環(huán)境中包含N個特征點，本文算法中粒子個數(shù)選為K，在極端情形下，即各傳感器節(jié)點始終可以觀測到機器人和所有環(huán)境特征點，且機器人在任意時刻也都可以觀測到所有環(huán)境特征點時，本文算法所要融合的數(shù)據(jù)量最大，通過算法分析可知此情況下算法循環(huán)次數(shù)為K(M(N+1)+N(M+1))，或者說，本算法在最壞情況下的時間復雜度為O(KMN)。11.2機器人同步定位、傳感器網(wǎng)絡(luò)標定與環(huán)境建圖11.2.4實驗測試TimBailey提供了SLAM的matlab仿真程序和一個200m×200m的數(shù)據(jù)集，在此基礎(chǔ)上作如下改動：在地圖中隨機添加landmark和waypoint數(shù)據(jù)，其位置如圖11.2所示；機器人初始位置在原點處、方向朝左；控制周期為0.025s；機器人能夠得到距離和方位的觀測信息，觀測范圍為其前方半徑為30m的半球區(qū)域，觀測采樣周期0.2s，觀測噪聲的協(xié)方差矩陣為diag{0.01.0.01}，運動速率3m/s，運動噪聲的協(xié)方差diag{0.09,(3o)2}，實驗中所用到粒子濾波的采樣粒子數(shù)均取為100。圖11.2環(huán)境特征、傳感器節(jié)點和機器人運行路徑示意圖11.2機器人同步定位、傳感器網(wǎng)絡(luò)標定與環(huán)境建圖11.2.4實驗結(jié)果分析第一組仿真實驗進行機器人定位精度對比，分別采用EKF-SLAM、FastSLAM2.0與本文的物聯(lián)網(wǎng)機器人系統(tǒng)U-SLAM(ubiquitousrobotsystemSLAM,U-SLAM)方法進行對比，三類方法各運行50次，得到的機器人位置誤差的數(shù)學期望和方差如圖11.3所示，角度誤差的數(shù)學期望和方差如圖11.4所示。可以看出，傳統(tǒng)的SLAM方法中，EKF-SLAM算法僅利用機器人運動模型進行位姿估計而沒有考慮對環(huán)境的觀測信息，得到的定位誤差較大；FastSLAM2.0算法由于充分考慮機器人觀測信息，定位精度較高，但由于傳感器隨機器人運動，導致這兩種傳統(tǒng)SLAM方法都存在定位誤差隨運動時間明顯增大的缺陷。而對于本文U-SLAM，由于傳感器網(wǎng)絡(luò)各節(jié)點獨立于機器人，解除了觀測與機器人運動之間的數(shù)據(jù)耦合，在明顯提高機器人位姿估計精度的同時，估計的穩(wěn)定性也有大幅改善。圖11.4機器人角度誤差對比圖11.3機器人位置誤差對比11.2機器人同步定位、傳感器網(wǎng)絡(luò)標定與環(huán)境建圖11.2.4實驗結(jié)果分析第二組仿真實驗進行傳感器網(wǎng)絡(luò)標定精度對比，分別對僅依據(jù)運動方程的機器人位姿、依據(jù)FastSLAM2.0的機器人位姿，以及本文的物聯(lián)網(wǎng)機器人系統(tǒng)U-SLAM中聯(lián)合機器人位姿與環(huán)境特征這三類傳感器網(wǎng)絡(luò)標定方法進行對比，三類方法各運行50次，得到的傳感器網(wǎng)絡(luò)標定誤差的數(shù)學期望和方差如圖11.5所示。可以看出，僅依據(jù)運動方程的方法，機器人位姿估計誤差隨運動距離增加迅速，得到的標定結(jié)果誤差很大，難以滿足要求；依據(jù)FastSLAM2.0算法能夠有效減少機器人位姿估計誤差，從而提高了節(jié)點標定的精度，但由于僅考慮了節(jié)點對機器人的觀測，產(chǎn)生的標定誤差仍然較高。而對于本文U-SLAM，傳感器網(wǎng)絡(luò)各節(jié)點標定、機器人位姿估計相對獨立，解除了觀測與機器人運動之間的數(shù)據(jù)耦合，在明顯提高機器人位姿估計精度的同時，傳感器節(jié)點標定的精度和穩(wěn)定性也得到了大幅改善。圖11.5傳感器網(wǎng)絡(luò)標定誤差對比11.2機器人同步定位、傳感器網(wǎng)絡(luò)標定與環(huán)境建圖11.2.4實驗結(jié)果分析第三組仿真實驗進行環(huán)境建圖精度對比，分別對僅依據(jù)運動方程的機器人位姿、FastSLAM2.0的機器人位姿，以及本文的物聯(lián)網(wǎng)機器人系統(tǒng)U-SLAM中聯(lián)合機器人位姿與環(huán)境特征這三類環(huán)境建圖方法進行對比，三類方法各運行50次，得到的傳感器網(wǎng)絡(luò)標定誤差的數(shù)學期望和方差如圖11.6所示?？梢钥闯?，僅依據(jù)運動方程的方法，機器人位姿估計誤差隨運動距離增加迅速，導致建圖誤差很大，難以滿足要求；依據(jù)FastSLAM2.0算法能夠有效減少機器人位姿估計誤差，從而提高了建圖的精度，但由于僅考慮了節(jié)點對機器人的觀測，產(chǎn)生的標定誤差仍然較高。而對于本文U