与人共存环境下服务机器人定位导航技术研究及应用

摘要

服务型移动机器人实现与人和谐共处的导航及服务，既需要提高机器人在人的未知运动干扰情况下定位导航方法的准确性和可靠性，又需要赋予导航行为对人的自然友好性；而机器人本体对人和外界环境有限的感知能力制约了其导航与服务性能的提升。论文针对人机共存的半结构化动态室内环境，深入研究了借助分布式感知的轮式移动机器人高性能定位和对人安全友好导航控制等方法和关键技术，实现了家庭智能环境下的服务机器人典型应用系统。
　　 论文首先针对机器人与全局监控摄像机组成的分布式视觉系统，提出了基于视觉特征的目标人快速检测与实时跟踪方法。将图像中人的轮廓特征用多尺度-多形状方向梯度直方图表达，采用机器学习法训练级联分类器实现人的快速检测，继而提取目标人的表观混合统计特征作为相似度量，采用自适应粒子滤波器对其连续地跟踪。算法对光照变化、背景混杂及人姿态变化等干扰具有一定鲁棒性，并降低了计算复杂度。将其用于服务环境下运动目标人的自动检测跟踪，实验验证了较高的准确率和实时性。
　　 为增强复杂动态室内环境下移动机器人自主定位导航的可靠性，提出了具有较高鲁棒性的扩展重采样Monte Carlo定位算法（ER-MCL），提高了环境部分变化和机器人被绑架两类未建模动态事件下的机器人全局定位鲁棒性；提出了改进的安全避碰导航控制算法，有效解决了对人和障碍物的快速平滑避碰。ER-MCL算法根据样本分布信息熵分析、过收敛检测与均匀性检测过程，选择适时引入新的马尔可夫链Monte Carlo（MCMC）重采样策略，克服了有效观测减少时粒子滤波器普遍存在的样本贫乏缺点。导航算法利用人的检测和机器人自定位结果，结合栅格全局路径规划与改进的平滑ND避障算法实现避碰导航。实验验证了在动态拥挤环境下机器人自主定位导航的高精度与鲁棒性。
　　 针对人机共处运动情况下基于地图的同时机器人定位与人位置跟踪问题（SLAP），提出了分布式感知协作的Rao-Blackwellized粒子滤波方法（RBPF），在机器人车载传感器自身位姿未知情况下实现了精确的人-机全局位置联合估计，增强了机器人定位的抗动态干扰能力。算法将联合概率密度函数进行分解以降低计算复杂度，在感知更新过程中融合机器人激光测距与全局视觉两种异质观测以加快迭代收敛，并采用Unscented卡尔曼滤波器（UKF）进行人的条件位置跟踪以提高精度。实验验证了该方法比条件粒子滤波算法（CPF）提高了计算效率，比单传感器的SLAP方法则加速了全局不确定性收敛过程。
　　 为赋予机器人导航行为对人的自然友好特性，提出了以预测人运动趋势的主动避让礼节为核心的机器人友好导航机制与实现方法，改善了机器人与人和谐共处的导航性能。机器人礼让导航方法将室内人的运动模式识别与运动估计相结合，预测人机相遇冲突情况，采用部分可观的马尔可夫决策过程（POMDP）对机器人的多种避让措施进行概率决策，提高了多源不确定性条件下避让控制的可靠性。进一步论述了符合人类社会习惯的机器人友好导航方法。实验验证了该方法比机械地避碰导航方式既提高了机器人导航效率，又能确保人的安全舒适感。
　　 将上述方法用于构建面向家庭陪护应用的服务机器人系统，结合智能环境下服务机器人系统的网络化、分布式多节点特性，合理设计了系统分层框架结构，将机器人友好导航、对人的跟随导航、手势控制导航、摔倒救援导航等多种典型功能进行系统集成。文中详细论述了设计原理和实现，给出了综合实验测试结果，验证了方法的有效性、可靠性和实用性。

目录

文摘

英文文摘

第一章 绪 论

1.1 移动服务机器人与应用

1.2 与人共存的机器人定位导航研究现状

1.2.1 目标人的检测与跟踪

1.2.2 环境感知与模型创建

1.2.3 机器人概率自定位方法

1.2.4 机器人避碰导航方法

1.2.5 智能环境下的机器人服务与导航应用

1.3 研究背景意义

1.4 论文研究内容及思路

1.5 论文的结构安排

第二章 与人和谐共处的机器人服务与导航

2.1 引言

2.2 与人和谐共处的服务机器人功能与设计

2.2.1 对人安全避碰的导航(OAN)

2.2.2 对人友好的导航(HFN)

2.2.3 自然友好的人机交互接口与服务

2.3 关键技术与相关基础知识

2.3.1 人的状态模型与感知途径

2.3.2 机器人的先验运动模型

2.3.3 环境栅格地图模型创建

2.3.4 机器人定位导航预备知识

2.4 主要存在问题与解决思路

2.4.1 目标人的快速检测与实时跟踪

2.4.2 复杂动态环境下机器人自主定位导航

2.4.3 人机共存运动时的联合全局定位

2.4.4 对人友好的机器人导航控制

2.5 本章小结

第三章 基于视觉的目标人快速检测与跟踪方法

3.1 引言

3.2 基于机器学习的图像中人体快速检测算法

3.2.1 多尺度-多形状HOG特征提取

3.2.2 分类器级联的监督学习

3.2.3 图像人体区域快速验证

3.3 基于自适应粒子滤波的实时目标人跟踪算法

3.3.1 加权颜色直方图特征

3.3.2 加权LBP纹理直方图特征

3.3.3 自适应粒子滤波跟踪器

3.4 多摄像机目标跟踪的策略与实现

3.4.1 样本有效性度量

3.4.2 多视角间的协作

3.5 实验结果与分析

3.5.1 图像中的人体检测结果与比较

3.5.2 单摄像机单人目标跟踪结果

3.5.3 多摄像机多人目标跟踪结果

3.6 本章小结

第四章 复杂室内环境下机器人自主定位与避碰导航的改进方法

4.1 引言

4.2 扩展重采样Monte Carlo定位算法(ER-MCL)

4.2.1 MCL存在问题

4.2.2 ER-MCL定位算法

4.2.3 含距离滤波器的观测模型

4.2.4 采样匹配性度量

4.2.5 马尔可夫链蒙特卡洛(MCMC)重采样

4.2.6 算法收敛性分析

4.3 复杂室内环境下的平滑避碰导航算法

4.3.1 动态环境下的全局路径规划器

4.3.2 改进的反应式平滑避障算法

4.4 对人安全避碰导航的实现

4.4.1 机器人车载传感器对人的检测

4.4.2 人的安全区域以及机器人避碰

4.5 实验结果与分析

4.5.1 已知环境下无动态物时的机器人全局定位

4.5.2 与人共存的动态环境下机器人全局定位鲁棒性

4.5.3 拥挤室内环境下的平滑避障导航性能

4.5.4 动态环境下对人避碰导航的有效性与局限性

4.6 本章小结

第五章 分布式多源感知协作的人与机器人联合全局定位方法

5.1 引言

5.1.1 同时机器人定位与人的跟踪(SLAP)问题

5.1.2 难点及解决思路

5.2 人的运动模型

5.3 单传感器条件粒子滤波算法(CPF)介绍

5.4 多传感器Rao-Blackwellized粒子滤波算法(RBPF)

5.4.1 联合估计分解的:Rao-Blackwell理论

5.4.2 多传感器RBPF算法

5.4.3 RBPF与CPF的比较

5.5 多摄像机/激光分布式感知的RBPF算法实现

5.5.1 分布式视觉协作感知

5.5.2 视觉与激光感知融合

5.5.3 人的条件位置UKF估计

5.6 实验结果与分析

5.6.1 仅使用视觉系统的跟踪精度

5.6.2 多源感知融合的定位精度与不确定性收敛

5.6.3 算法实时性分析

5.7 本章小结

第六章 对人友好的服务机器人导航方法

6.1 引言

6.2 预测人运动的机器人礼让导航方法概要

6.2.1 不确定性因素与决策

6.2.2 预测避让导航基本控制框架

6.3 室内场所语义下人的运动模式分析方法

6.3.1 抽象隐马尔可夫模型(AHMM)介绍

6.3.2 运动模式的AHMM建模方法

6.3.3 运动模式的RBPF近似推理方法

6.4 不确定性条件下预测人运动的避让导航方法

6.4.1 长期行径预测

6.4.2 短期运动预测

6.4.3 预测导航的POMDP决策

6.5 融合社会习惯因素的友好导航(HFN)设计与实现

6.5.1 不侵犯个人空间

6.5.2 保持对人可视性

6.5.3 遵守行驶靠向习惯

6.5.4 对运动人的预测避让

6.5.5 多约束融合的运动规划

6.6 验证结果与分析

6.6.1 人的运动模式识别与运动预测结果

6.6.2 机器人自主预测避让导航的有效性

6.6.3 分布式感知辅助的全局预测避让导航

6.6.4 存在多人运动情况下的适应性

6.6.5 不确定性下预测避让导航的可靠性

6.6.6 友好导航(HFN)的性能验证

6.7 本章小结与讨论

第七章 面向家庭服务的系统应用与实现

7.1 引言

7.2 服务机器人智能环境系统的建立

7.2.1 服务应用场景与智能环境实例

7.2.2 智能环境系统分层结构

7.2.3 辅助性仿真平台软件

7.3 智能环境下的机器人服务与导航实现原理

7.3.1 服务对象的状态监视与交互服务

7.3.2 对人安全友好的服务机器人导航

7.4 智能环境下的系统功能实现

7.4.1 分布式节点的设计与实现

7.4.2 多节点的网络化组织与通信

7.4.3 系统功能集成与客户端开发

7.5 系统功能应用与验证

7.5.1 手势识别与交互式导航实验

7.5.2 摔倒检测与主动救援导航实验

7.5.3 目标人的跟随运动实验

7.5.4 对人友好的导航实验

7.6 系统综合性能分析

7.6.1 实时可靠性分析

7.6.2 安全友好性统计学分析

7.7 本章小结

第八章 总结与展望

8.1 论文研究工作总结

8.2 未来的工作展望

参考文献

致谢

攻读博士学位期间完成的学术论文