SLAM在機器人中的應(yīng)用?

伴隨著人工智能、機器人、無人駕駛等技術(shù)的蓬勃發(fā)展，越來越多的相關(guān)智能產(chǎn)品出現(xiàn)在了我們的日常生活中，作為底層技術(shù)基石之一的SLAM也逐漸被大家所熟知。下面通過“機器人對于人類的意義”、“機器人為什么需要SLAM技術(shù)”和“搭載SLAM算法的機器人有哪些用途”這樣三個問題，來探討SLAM在機器人中的應(yīng)用。

一、機器人對于人類的意義

從某種意義上說，人類的軀體延展了人類的智能。互聯(lián)網(wǎng)技術(shù)和人工智能技術(shù)則是對人類智能的又一次延展，而機器人又對人工智能技術(shù)進行了延展，如圖1所示。這種延展性，是機器人對于人類的重要意義。

圖1  人類軀體和智能的不斷延展

人類學(xué)會使用工具，可以看成是人類軀體的第一次延展。試想一下在不會使用工具的遠(yuǎn)古時代，人類祖先只能靠采摘樹上的水果維持生計，就連那些美味的堅果由于無法被牙齒咬開而十分遺憾地遠(yuǎn)離了人類的食譜。當(dāng)人類學(xué)會了使用簡單的工具（比如石斧、長矛、弓箭等），就可以用這些工具劈開堅硬的食物外殼、捕殺野獸以及保衛(wèi)家園，這極大促進了人類的進步。再到后來學(xué)會制造和使用青銅器、鐵器、汽車、輪船、飛機等一系列更先進的工具，這大大突破了人類軀體自身所能觸及大自然的極限。

機器人的出現(xiàn)，可以看成是人類軀體的第二次延展。機器人相比于以往的單純工具顯然具有更高的自由度，能解決更復(fù)雜的問題。通常可以將人類的社會活動歸結(jié)為人適應(yīng)自然環(huán)境并改造自然環(huán)境的過程，站在技術(shù)的角度講就是人的社會活動是人與自然環(huán)境時時刻刻發(fā)生的交互行為的總和。機器人作為人類與自然環(huán)境發(fā)生交互行為的重要工具，機器人的行為當(dāng)然也就要圍繞與自然環(huán)境的交互而展開。機器人通過搭載的傳感器對環(huán)境進行感知，即傳感器是機器人系統(tǒng)的輸入端；機器人通過搭載的執(zhí)行機構(gòu)與環(huán)境進行交互，即執(zhí)行機構(gòu)是機器人系統(tǒng)的輸出端；決策作為機器人的中樞系統(tǒng)連接輸入端和輸出端，決策由低智能的認(rèn)知層和高智能的邏輯推理層構(gòu)成，常見的人臉識別、語音識別、機器人定位、機器人避障等都屬于低智能的認(rèn)知層，而復(fù)雜的邏輯推理目前在機器人中還比較難實現(xiàn)。

而互聯(lián)網(wǎng)技術(shù)的普及是對人類智能的又一次延展，我們可以借助互聯(lián)網(wǎng)巨大的信息存儲以及檢索能力來管理我們的知識（以前靠人腦維護這些知識則需要消耗掉我們很大一部分的心智），同時互聯(lián)網(wǎng)提供的便捷交流渠道加速了人類認(rèn)識并改造自然的進程。伴隨著互聯(lián)網(wǎng)技術(shù)而興起的人工智能技術(shù)則是對人類智能的進一步延展，如果將傳統(tǒng)互聯(lián)網(wǎng)技術(shù)看成是信息存儲、檢索和傳播的載體，那么人工智能技術(shù)則可以看成是對載體上的信息進行挖掘并應(yīng)用新信息的一種工具。簡單點說就是傳統(tǒng)互聯(lián)網(wǎng)技術(shù)本身并不生產(chǎn)信息而只是起到信息傳播的作用，信息仍然由使用它的人產(chǎn)生；而人工智能技術(shù)則可以從人產(chǎn)生的信息中生成新信息，即機器能發(fā)掘出人不知道的一些知識經(jīng)驗。

如果人工智能技術(shù)僅僅停留在虛擬的網(wǎng)絡(luò)和數(shù)據(jù)之中，那么其挖掘并利用新知識的能力很難擴展開來。可以說機器人是人工智能技術(shù)應(yīng)用能力的有效延展，特別是能自主移動的機器人極大地擴展了人工智能技術(shù)的應(yīng)用范圍，而基于SLAM的自主導(dǎo)航技術(shù)正是當(dāng)下實現(xiàn)機器人自主移動的熱門研究領(lǐng)域。

二、機器人為什么需要SLAM技術(shù)

雖然我們還沒有徹底搞清楚人類智能的本質(zhì)以及生命存在的意義這個終極哲學(xué)問題，但就目前取得的進展而言，人工智能技術(shù)和機器人無疑極大地增加了人與自然環(huán)境交互的可能性。讓機器人成為人的第二軀體，能極大地延展人與自然環(huán)境交互的范圍和速度。當(dāng)從量變發(fā)展為質(zhì)變時，就有可能讓人類擺脫自身軀體的局限而取得跨越式的發(fā)展。而這樣的機器人應(yīng)該具備高度的自主性，讓機器人實現(xiàn)完全自主化也就成了人類一直以來的夢想。所謂完全自主化，就是在沒有外界指令的干預(yù)下，機器人能通過傳感器和執(zhí)行機構(gòu)與環(huán)境自動發(fā)生交互，并完成特定的任務(wù)。比如，自主與人類發(fā)生語言和情感交流，自主識別、抓取和操控物體，自主移動等。完成這些特定任務(wù)的每一種底層技術(shù)都可以認(rèn)為是機器人時代的一種基礎(chǔ)設(shè)施，比如由語音識別、語音合成、自然語言理解等技術(shù)組成的語音交互基礎(chǔ)設(shè)施，由目標(biāo)識別、運動規(guī)劃、行為決策等技術(shù)組成的物體抓取基礎(chǔ)設(shè)施，由建圖、定位、路徑規(guī)劃等組成的自主移動基礎(chǔ)設(shè)施等。

• 自主移動 ---> SLAM導(dǎo)航
• 自主抓取
• 自主交互
•  ……

由于我們生活在一個三維空間環(huán)境中，在環(huán)境空間中移動是機器人與環(huán)境發(fā)生交互最基本的形式之一，因此自主移動也被譽為機器人自主化的“圣杯”。換句話說，要實現(xiàn)機器人的完全自主化，就必須先實現(xiàn)機器人的自主移動。試想一下如果人類擁有一個非常聰明的腦瓜子但卻被限制在固定的地方不能移動，那么人與人之間的交流將很大程度地被阻斷，人類的分工協(xié)作、社會生產(chǎn)、認(rèn)識并改造自然的能力也將不復(fù)存在。既然自由移動對于人類這么重要，那么作為人類第二軀體的機器人，其自主移動的重要性也就不言而喻了。

1.什么是自主移動

自主移動實質(zhì)上就是解決從地點A到地點B的問題，這個問題看似簡單，實則非常復(fù)雜。當(dāng)向機器人下達(dá)移動到地點B的命令后，機器人不免會問出3個頗具哲學(xué)性的問題，即“我在哪”、“我將到何處去”和“我該如何去”，如圖2所示。

圖2  自主導(dǎo)航的本質(zhì)

經(jīng)過近幾十年來的研究，形成了一套有效解決機器人自主移動的方案，即SLAM導(dǎo)航方案。SLAM導(dǎo)航方案由建圖（mapping）、定位（localization）和路徑規(guī)劃（path planning）3大基本問題組成，這3大問題互相重疊和嵌套又組成新的問題，也就是SLAM問題、導(dǎo)航問題、探索問題等，如圖3所示。

圖3  SLAM導(dǎo)航方案

2.什么是SLAM

SLAM用于解決定位和建圖兩個問題，也就是常說的同時定位與建圖。要搞清楚SLAM是怎么來的，就要先了解單獨的定位和建圖這兩個子問題。

對于單獨的定位問題來說，是在已知全局地圖的條件下，通過機器人傳感器測量環(huán)境，利用測量信息與地圖之間存在的關(guān)系求解機器人在地圖中的位姿。定位問題的關(guān)鍵點是必須事先給定環(huán)境地圖，比如分揀倉庫中貨架上粘貼的二維碼路標(biāo)，就是人為提供給機器人的環(huán)境地圖路標(biāo)信息，機器人只需要識別二維碼并進行簡單推算就能求解出當(dāng)前所處的位姿，如圖4所示。

圖4  基于已知全局地圖的定位問題

而對于單獨的建圖問題來說，是在已知機器人全局位姿的條件下，通過機器人傳感器測量環(huán)境，利用測量地圖路標(biāo)時刻的機器人位姿和測量距離與方位信息，很容易求解出觀測到的地圖路標(biāo)點坐標(biāo)值。建圖問題的關(guān)鍵點是必須事先給定機器人觀測時刻的全局位姿，比如裝載了GPS定位的街景繪制汽車，汽車由GPS提供全局定位信息，測量設(shè)備基于GPS定位信息完成對街道建筑物的測繪，如圖5所示。

圖5  基于已知全局位姿的建圖問題

很顯然，這種建立在環(huán)境先驗基礎(chǔ)之上的定位和建圖具有很大的局限性。將機器人放置到未知環(huán)境（比如火星探測車、地下巖洞作業(yè)等場景），前面這種上帝視角般的先驗信息將不再存在，機器人將陷入一種進退兩難的局面，即所謂的“先有雞還是先有蛋”的問題。

圖6  未知環(huán)境是先建圖還是先定位

如果沒有全局地圖信息，機器人位姿將無法求解；沒有機器人位姿，地圖又將如何求解呢？于是將機器人位姿量與地圖路標(biāo)點作為統(tǒng)一的估計量進行整體狀態(tài)估計，這是SLAM問題研究的起源。簡單點理解的話，SLAM的建圖與定位過程如圖7所示。

圖7  SLAM的建圖與定位過程

當(dāng)機器人來到一個完全陌生的環(huán)境之中，機器人通過傳感器（比如激光雷達(dá)）對該位置上能觀測到的環(huán)境物體進行掃描，這樣就獲得了一個很小的局部初始地圖。接著機器人就可以在移動的過程中利用這個局部初始地圖進行定位，這樣就能獲得下一個時刻機器人的位置。當(dāng)然在移動的過程中，機器人會掃描到環(huán)境中新的物體。這樣往復(fù)，機器人就可以不斷利用以往的地圖進行定位，同時在定位的基礎(chǔ)上對以往地圖進行更新。當(dāng)然，SLAM算法的實際實現(xiàn)過程要比這個復(fù)雜得多，涉及到概率論、狀態(tài)估計、優(yōu)化理論、感知融合等，這里就不具體展開了。

3.什么是SLAM導(dǎo)航

其實機器人的自主導(dǎo)航，就是在回答“我在哪”、“我將到何處去”和“我該如何去”這樣三個問題。僅僅依靠SLAM技術(shù)所提供的建圖和定位功能還無法實現(xiàn)機器人的自主移動，還需要將SLAM與導(dǎo)航算法以及人工規(guī)則等相結(jié)合，這種結(jié)合也就是所謂的SLAM導(dǎo)航。SLAM一方面為導(dǎo)航算法中的路徑規(guī)劃提供機器人定位信息，另一方面為導(dǎo)航算法提供可動態(tài)更新的全局地圖。而導(dǎo)航算法主要解決序貫決策問題，包括障礙物度量、路徑規(guī)劃、運動控制等研究課題。

圖8  SLAM導(dǎo)航

由于SLAM和導(dǎo)航是兩個相對獨立的系統(tǒng)，通常SLAM在導(dǎo)航應(yīng)用中有兩種模式。第一種模式，SLAM先運行建圖模式構(gòu)建好環(huán)境地圖后將地圖保存，接著載入已保存的全局地圖并啟動SLAM重定位模式提供定位信息。第二種模式，SLAM直接運行在線建圖模式，建圖過程中直接提供地圖和定位信息。后一種模式下的SLAM導(dǎo)航也稱為環(huán)境探索，利用已有地圖進行導(dǎo)航，然后導(dǎo)航控制機器人移動的過程又反過來更新了地圖。

三、搭載SLAM算法的機器人有哪些用途

目前以SLAM導(dǎo)航技術(shù)為支撐的自主移動應(yīng)用領(lǐng)域已經(jīng)十分廣泛了，涵蓋航天、軍事、特種作業(yè)、工業(yè)生產(chǎn)、智慧交通、消費娛樂等眾多領(lǐng)域。航天領(lǐng)域的典型應(yīng)用要屬火星探測車，在遙遠(yuǎn)的星球上自主移動無疑是一項必備的技能。軍事上借助自主移動的坦克、機器人士兵、飛機等，可以打一場無人化戰(zhàn)爭。在特種作業(yè)場合的自主移動機器人將發(fā)揮無可替代的作用，比如管道清洗、礦井作業(yè)、搶險救援、排爆、安防巡檢、深海勘探等。農(nóng)業(yè)上的應(yīng)用，比如自主栽培、自主除草、自主施肥、自主采摘等。還有自動駕駛汽車、機器人終端物流配送、全自動化工廠、機器人智慧養(yǎng)老、機器人餐廳、家庭服務(wù)機器人等。總之，就是用機器人去替代人類各種體力活的場合都用得到SLAM。下面結(jié)合更詳細(xì)的案例，來說明這些用途的廣泛性。

圖9  SLAM在機器人中的應(yīng)用

1.導(dǎo)覽機器人

如果一臺平板電腦被賦予了自動行走的能力，將具備巨大的應(yīng)用潛力。這里將要介紹的機器人講解員、迎賓機器人、引導(dǎo)機器人等案例就是其中的一些典型應(yīng)用，這些機器人通過SLAM技術(shù)實現(xiàn)自主移動，并通過搭載的可觸摸平板電腦終端以及語音交互技術(shù)與用戶進行交互。

像博物館、展覽館、陳列室這類以講解游覽為主的應(yīng)用場景，機器人講解員能很好地替代人類講解員高度機械重復(fù)的工作。在博物館的入口，游客可以挑選一臺空閑的機器人講解員，然后從機器人屏幕推薦的游覽路線中選擇出一條感興趣的路線，接著就可以在機器人的帶領(lǐng)下游覽路線中的各個展臺并聽取機器人在對應(yīng)展臺的講解。

圖10  機器人講解員

當(dāng)然在機器人講解員的基礎(chǔ)上添加專門的知識庫以及語音交互技術(shù)的支持，這樣的機器人就可以充當(dāng)迎賓機器人。機場問詢服務(wù)、醫(yī)院導(dǎo)診、銀行大堂接待、公司前臺等應(yīng)用場景，迎賓機器人都可以充當(dāng)一名辛勤的工作人員耐心提供咨詢服務(wù)以及相應(yīng)引導(dǎo)。

圖11  迎賓機器人

如果將地圖以及貨架商品等信息錄入機器人，那么機器人就可以提供更加詳細(xì)以及貼切的查詢指引服務(wù)。比如在大型商超，顧客可以通過機器人的指引從成千上萬件商品中找到需要商品的擺放位置。如果是在圖書館的話，可以用類似的方法找到想要查閱書籍的擺放位置。引導(dǎo)機器人除了可以為顧客提供查詢引導(dǎo)服務(wù)外，還可以充當(dāng)自主移動的購物車，并且是一塊具有移動屬性的天然廣告牌。

圖12  引導(dǎo)機器人

2.安防機器人

對于變電站、計算機機房、廠房等環(huán)境嚴(yán)酷惡劣的場景，日常的設(shè)備巡檢就可以交由機器人來完成，工作人員只需在遠(yuǎn)程進行分析判斷即可。利用SLAM自主移動技術(shù)、高清攝像頭、機械手臂、無線通信等，就可以搭建起一臺巡檢機器人。

圖13  巡檢機器人

上面提到的巡檢機器人都是與機器設(shè)備打交道，而下面這種安保機器人則主要是與人打交道。在巡檢機器人的基礎(chǔ)上，增加以人工智能技術(shù)為依托的各種物體識別、行為識別、輿情監(jiān)測等算法，就可以讓機器人在機場、游樂園、大型活動現(xiàn)場等場景提供日常安保服務(wù)。安保機器人上搭載的各種傳感器（紅外夜視、氣體傳感器、火焰?zhèn)鞲衅鳌⒔饘偬綔y器等）以及人工智能算法，可以對各種違禁品（比如打火機、酒精、管制刀具等）、可疑包裹、異常行為等進行識別并預(yù)警。

圖14  安保機器人

由于近年來疫情在全世界的大流行，防疫機器人也越來越受重視。體溫檢測、戴口罩識別、紫外線消殺、霧化消毒、空氣凈化等防疫工作，也越來越多的由防疫機器人來分擔(dān)完成。

其實將安保機器人稍加改裝，搖身一變就成了一臺防疫機器人。

圖15  防疫機器人

3.清掃機器人

相信大家一定已經(jīng)對家用掃地機器人不陌生了，最早的掃地機器人僅依靠紅外線傳感器和碰撞傳感器進行亂撞式的導(dǎo)航，也就是走到哪撞到哪，撞到障礙物后就換一個方向繼續(xù)前進。這種早期的掃地機器人顯然非常不智能且工作效率極低，后來的一種改進方案是掃地機器人主動向天花板投射散色的紅外線，如果掃地機器人能收到反射回來的紅外光就說明掃地機器人鉆進了桌子或椅子底下，這種方式能在一定程度上保證掃地機器人不被陷入導(dǎo)航困境，但是還是顯得比較“智障”。那么要如何讓掃地機器人顯得不那么“智障”呢？目前主流的掃地機器人基本都采用SLAM技術(shù)進行導(dǎo)航，主要是激光SLAM方案和視覺SLAM方案。激光雷達(dá)一般采用低成本的單線激光雷達(dá)，視覺傳感器則包括單目、雙目和RGB-D相機。目前搭載單線激光雷達(dá)的激光SLAM導(dǎo)航基本是掃地機器人的標(biāo)配，一些稍微高端點的掃地機器人還會在搭載單線激光雷達(dá)的基礎(chǔ)上搭載額外的雙目或RGB-D相機之類的進行更智能的避障輔助。

圖16  家用掃地機器人

隨著SLAM以及無人駕駛技術(shù)的逐步成熟，掃地機器人也越來越多的應(yīng)用于環(huán)衛(wèi)、公共場所、大型空間的清掃。環(huán)衛(wèi)清掃機器人典型應(yīng)用場景包括機場、火車站、大型商超、工地廠房、游樂園、公園等，傳統(tǒng)的環(huán)衛(wèi)車需要人來駕駛，而在傳統(tǒng)環(huán)衛(wèi)車上加裝激光雷達(dá)以及SLAM導(dǎo)航算法就能變成一臺無人駕駛環(huán)衛(wèi)車，這樣能大大節(jié)省人力提高效率。

圖17  無人駕駛環(huán)衛(wèi)車

4.配送機器人

上面提到的幾種機器人大都是提供某種服務(wù)或者完成某種作業(yè)任務(wù)，這里將介紹自動運載貨物的機器人應(yīng)用。用SLAM導(dǎo)航技術(shù)給機器人賦能后，機器人或無人車便能完成貨物的運輸和投遞任務(wù)。比較常見的應(yīng)用包括送餐機器人、送快遞機器人、酒店配送機器人等。

圖18  送餐機器人、送快遞機器人、酒店配送機器人

其實，除了送餐、送快遞、送酒店物品外，具備自主導(dǎo)航能力的機器人還可以配送很多其他東西。比如在智能泊車停車場，泊車機器人可以將汽車自動運送到指定車位。在港口，貨運機器人可以將輪船上卸載的集裝箱運送到碼頭對應(yīng)的存放區(qū)域。在工廠，AGV自主導(dǎo)航小車可以在各個產(chǎn)線之間幫忙運送各種生產(chǎn)原料以及成品。在養(yǎng)殖場，自主導(dǎo)航機器人可以完成飼料投喂以及農(nóng)副產(chǎn)品收撿。

圖19  智能泊車機器人

圖20  港口集裝箱貨運機器人

圖21  工廠AGV自主導(dǎo)航小車

圖22  養(yǎng)殖場自動投喂機器人

當(dāng)然生活中需要配送貨物的場景絕不僅以上列舉的這些，也就是說具備SLAM導(dǎo)航能力的配送機器人具有非常廣闊的應(yīng)用范圍。

5.家庭服務(wù)機器人

所謂家庭服務(wù)機器人，簡單點理解就是“機器人保姆”。端茶遞水、掃地做飯、照看小孩、陪伴老人等，可以說服務(wù)機器人是機器人發(fā)展的終極目標(biāo)之一。

圖23  家庭服務(wù)機器人

當(dāng)然這些功能非常炫酷的家庭服務(wù)機器人目前還比較少見，而更多是以智能玩具的角色出現(xiàn)。比如智能逗貓機器人、游戲?qū)?zhàn)機器人、教育陪伴機器人等。

圖24  智能逗貓機器人

圖25  大疆第一人稱游戲?qū)?zhàn)機器人

圖26  教育陪伴機器人

6.農(nóng)業(yè)機器人

雖然人類已經(jīng)踏進了工業(yè)化的時代，但農(nóng)業(yè)依然還沒有實現(xiàn)完全自動化。機器人（特別是搭載SLAM導(dǎo)航技術(shù)的自主移動機器人）在農(nóng)業(yè)領(lǐng)域的應(yīng)用，有望實現(xiàn)農(nóng)業(yè)生產(chǎn)的完全自動化。比如農(nóng)業(yè)采摘機器人、農(nóng)藥噴灑機器人、自動割草機器人等。

圖27  農(nóng)業(yè)采摘機器人

圖28  農(nóng)藥噴灑機器人

圖29  自動割草機器人

7.無人駕駛

有很多非技術(shù)的朋友會認(rèn)為無人駕駛汽車只需要依靠事先人為制作的高精地圖（比如谷歌地圖、高德地圖、百度地圖等），然后利用GPS和IMU進行慣性導(dǎo)航，同時利用激光雷達(dá)、毫米波雷達(dá)、超聲波雷達(dá)等進行避障就能實現(xiàn)無人駕駛了。其實仔細(xì)研究，顯然沒有這么簡單。

如果無人駕駛汽車完全行駛在道路場景完全不變化的封閉理想環(huán)境下，也就是道路兩旁的花草樹木永遠(yuǎn)保持原樣、馬路永遠(yuǎn)不發(fā)生維修和擴建、馬路兩旁的建筑物永遠(yuǎn)保持原樣不隨時間更迭、馬路上最好沒有其他車輛。這樣只需要給無人駕駛汽車導(dǎo)入事先人為制作好的高精地圖，基于這個不變的高精地圖無人駕駛汽車就可以實現(xiàn)高精度定位，并基于這個高精度定位以及避障傳感器實現(xiàn)自主導(dǎo)航與避障。

但是上面這種理想的一成不變的道路場景在實際生活中是不存在的，只有在游戲世界中能保證。前幾年國內(nèi)一些巨頭宣傳自己的無人駕駛汽車能在實際道路上行駛，其實都是選在場景單一不確定性極小的封閉高速公路中測試的。這些公司其實也知道，以目前的技術(shù)水平無人駕駛汽車大概還只能在封閉理想環(huán)境下運行，以規(guī)避道路上的各種不確定性。但不管怎么說，無人駕駛是未來的趨勢，這種趨勢將勢不可擋。

所以簡單點說，就是因為無人駕駛汽車所工作的道路場景具有極大的不確定性，所以無人駕駛汽車離不開SLAM技術(shù)。因為SLAM解決了“先有雞還是先有蛋”的問題，即可以應(yīng)對多變復(fù)雜的路況，并實時更新環(huán)境地圖和實時定位。其實SLAM是一種解決問題的思想，并不僅僅指代某種算法。SLAM的全稱是同時定位與建圖，也就是解決未知多變環(huán)境內(nèi)的定位與環(huán)境建模問題。SLAM的具體實現(xiàn)非常之多，經(jīng)典的激光SLAM、視覺SLAM、多傳感器融合SLAM、以及各種AI技術(shù)與SLAM相結(jié)合的方案，可以說SLAM是一個非常開放的研究話題。

值得慶幸的是，目前在一些環(huán)境相對穩(wěn)定的場景內(nèi)無人駕駛已經(jīng)得到了廣泛的應(yīng)用，比如校園通勤無人駕駛巴士、景區(qū)無人駕駛觀光車、無人貨運卡車、無人駕駛公交車等。

圖30  校園通勤無人駕駛巴士

圖31  景區(qū)無人駕駛觀光車

圖32  無人貨運卡車

圖33  無人駕駛公交車

8.特種作業(yè)機器人

曾經(jīng)有這樣一種說法，人類對地球海洋的了解可能比外太空還要少，足以見得對地球海洋的探索將具有極大的意義。由于深海是一個極具未知性、生存環(huán)境異常惡劣、人類通信技術(shù)很難訖及的地方，因此海底探索基本上要依賴水下機器人。水下機器人的自主導(dǎo)航與陸地機器人的自主導(dǎo)航既有許多相似性也有很多不同，比如SLAM導(dǎo)航技術(shù)在水下機器人中就不是基于激光雷達(dá)或視覺了，水下探測傳感器主要依靠超聲波傳感器（也就是常說的聲吶）。

圖34  水下機器人

當(dāng)前還有其他許多在特殊場合應(yīng)用的機器人，這里統(tǒng)稱為特種作業(yè)機器人。比如城市下水道檢修機器人、核廢物清理機器人、消防機器人、巖洞勘測機器人、垃圾回收機器人等。

圖35  城市下水道檢修機器人

圖36  福島核電站核廢物清理機器人

圖37  消防機器人

圖38  巖洞勘測機器人

圖39  垃圾回收機器人

9.軍工機器人

很多先進的科技成果都是源于軍工科技并且最早也是應(yīng)用于軍工，機器人其實也不例外。根據(jù)相關(guān)資料，很多年前美國發(fā)射的火星探測車上就已經(jīng)應(yīng)用了SLAM技術(shù)進行自主導(dǎo)航和環(huán)境探索。在遙遠(yuǎn)的外太空星球上，探測車在陌生環(huán)境的作業(yè)任務(wù)基本離不開SLAM技術(shù)。另外，還包括軍事補給運輸機器人、機器人士兵等。

圖40  火星探測車

圖41  軍事補給運輸機器人

圖42  機器人士兵

10.其他

上面列舉了大量SLAM在機器人中的應(yīng)用案例，其實SLAM技術(shù)還在其他很多方面有廣泛的應(yīng)用，比如三維建模、國土測繪、AR/VR等。

對于一個房產(chǎn)經(jīng)紀(jì)人，可以利用手持的SLAM建圖特別快速掃描現(xiàn)場的房屋以得到三維戶型信息，這樣就可以快速將信息錄入系統(tǒng)。房屋的三維戶型信息不僅對房產(chǎn)經(jīng)紀(jì)人有用，對裝修公司、住戶都有非常大的用處。

圖43  手持SLAM建圖儀

雖然借助于遙感衛(wèi)星能對大致的地形地貌進行測繪，但更精細(xì)的測繪還是要借助于無人機之類的近距離測繪。通常會在無人機上搭載超遠(yuǎn)距離多線激光雷達(dá)進行SLAM建圖，以完成對農(nóng)田、湖泊、山丘等的精細(xì)測繪。

圖44  測繪無人機

當(dāng)然AR/VR就更少不了SLAM技術(shù)的支持了，可以說SLAM技術(shù)已經(jīng)在慢慢滲透到生活的方方面面。

圖45  SLAM技術(shù)在AR/VR中的應(yīng)用

參考文獻(xiàn)

[1] 張虎，機器人SLAM導(dǎo)航核心技術(shù)與實戰(zhàn)[M]. 機械工業(yè)出版社，2022.

 

 

 

序

前言

編程基礎(chǔ)篇

第1章 ROS入門必備知識

1.1 ROS簡介 2

1.1.1 ROS的性能特色 2

1.1.2 ROS的發(fā)行版本 3

1.1.3 ROS的學(xué)習(xí)方法 3

1.2 ROS開發(fā)環(huán)境的搭建 3

1.2.1 ROS的安裝 4

1.2.2 ROS文件的組織方式 4

1.2.3 ROS網(wǎng)絡(luò)通信配置 5

1.2.4 集成開發(fā)工具 5

1.3 ROS系統(tǒng)架構(gòu) 5

1.3.1 從計算圖視角理解ROS架構(gòu) 6

1.3.2 從文件系統(tǒng)視角理解ROS架構(gòu) 7

1.3.3 從開源社區(qū)視角理解ROS架構(gòu) 8

1.4 ROS調(diào)試工具 8

1.4.1 命令行工具 9

1.4.2 可視化工具 9

1.5 ROS節(jié)點通信 10

1.5.1 話題通信方式 12

1.5.2 服務(wù)通信方式 15

1.5.3 動作通信方式 19

1.6 ROS的其他重要概念 25

1.7 ROS 2.0展望 28

1.8 本章小結(jié) 28

第2章 C++編程范式

2.1 C++工程的組織結(jié)構(gòu) 29

2.1.1 C++工程的一般組織結(jié)構(gòu) 29

2.1.2 C++工程在機器人中的組織結(jié)構(gòu) 29

2.2 C++代碼的編譯方法 30

2.2.1 使用g++編譯代碼 31

2.2.2 使用make編譯代碼 32

2.2.3 使用CMake編譯代碼 32

2.3 C++編程風(fēng)格指南 33

2.4 本章小結(jié) 34

第3章 OpenCV圖像處理

3.1 認(rèn)識圖像數(shù)據(jù) 35

3.1.1 獲取圖像數(shù)據(jù) 35

3.1.2 訪問圖像數(shù)據(jù) 36

3.2 圖像濾波 37

3.2.1 線性濾波 37

3.2.2 非線性濾波 38

3.2.3 形態(tài)學(xué)濾波 39

3.3 圖像變換 40

3.3.1 射影變換 40

3.3.2 霍夫變換 42

3.3.3 邊緣檢測 42

3.3.4 直方圖均衡 43

3.4 圖像特征點提取 44

3.4.1 SIFT特征點 44

3.4.2 SURF特征點 50

3.4.3 ORB特征點 52

3.5 本章小結(jié) 54

硬件基礎(chǔ)篇

第4章 機器人傳感器

4.1 慣性測量單元 56

4.1.1 工作原理 56

4.1.2 原始數(shù)據(jù)采集 60

4.1.3 參數(shù)標(biāo)定 65

4.1.4 數(shù)據(jù)濾波 73

4.1.5 姿態(tài)融合 75

4.2 激光雷達(dá) 91

4.2.1 工作原理 92

4.2.2 性能參數(shù) 94

4.2.3 數(shù)據(jù)處理 96

4.3 相機 100

4.3.1 單目相機 101

4.3.2 雙目相機 107

4.3.3 RGB-D相機 109

4.4 帶編碼器的減速電機 111

4.4.1 電機 111

4.4.2 電機驅(qū)動電路 112

4.4.3 電機控制主板 113

4.4.4 輪式里程計 117

4.5 本章小結(jié) 118

第5章 機器人主機

5.1 X86與ARM主機對比 119

5.2 ARM主機樹莓派3B+ 120

5.2.1 安裝Ubuntu MATE 18.04 120

5.2.2 安裝ROS melodic 122

5.2.3 裝機軟件與系統(tǒng)設(shè)置 122

5.3 ARM主機RK3399 127

5.4 ARM主機Jetson-tx2 128

5.5 分布式架構(gòu)主機 129

5.5.1 ROS網(wǎng)絡(luò)通信 130

5.5.2 機器人程序的遠(yuǎn)程開發(fā) 130

5.6 本章小結(jié) 131

第6章 機器人底盤

6.1 底盤運動學(xué)模型 132

6.1.1 兩輪差速模型 132

6.1.2 四輪差速模型 136

6.1.3 阿克曼模型 140

6.1.4 全向模型 144

6.1.5 其他模型 148

6.2 底盤性能指標(biāo) 148

6.2.1 載重能力 148

6.2.2 動力性能 148

6.2.3 控制精度 150

6.2.4 里程計精度 150

6.3 典型機器人底盤搭建 151

6.3.1 底盤運動學(xué)模型選擇 152

6.3.2 傳感器選擇 152

6.3.3 主機選擇 153

6.4 本章小結(jié) 155

SLAM篇

第7章 SLAM中的數(shù)學(xué)基礎(chǔ)

7.1 SLAM發(fā)展簡史 158

7.1.1 數(shù)據(jù)關(guān)聯(lián)、收斂和一致性 160

7.1.2 SLAM的基本理論 161

7.2 SLAM中的概率理論 163

7.2.1 狀態(tài)估計問題 164

7.2.2 概率運動模型 166

7.2.3 概率觀測模型 171

7.2.4 概率圖模型 173

7.3 估計理論 182

7.3.1 估計量的性質(zhì) 182

7.3.2 估計量的構(gòu)建 183

7.3.3 各估計量對比 190

7.4 基于貝葉斯網(wǎng)絡(luò)的狀態(tài)估計 193

7.4.1 貝葉斯估計 194

7.4.2 參數(shù)化實現(xiàn) 196

7.4.3 非參數(shù)化實現(xiàn) 202

7.5 基于因子圖的狀態(tài)估計 206

7.5.1 非線性最小二乘估計 206

7.5.2 直接求解方法 206

7.5.3 優(yōu)化方法 208

7.5.4 各優(yōu)化方法對比 218

7.5.5 常用優(yōu)化工具 219

7.6 典型SLAM算法 221

7.7 本章小結(jié) 221

第8章 激光SLAM系統(tǒng)

8.1 Gmapping算法 223

8.1.1 原理分析 223

8.1.2 源碼解讀 228

8.1.3 安裝與運行 233

8.2 Cartographer算法 240

8.2.1 原理分析 240

8.2.2 源碼解讀 247

8.2.3 安裝與運行 258

8.3 LOAM算法 266

8.3.1 原理分析 266

8.3.2 源碼解讀 267

8.3.3 安裝與運行 270

8.4 本章小結(jié) 270

第9章 視覺SLAM系統(tǒng)

9.1 ORB-SLAM2算法 274

9.1.1 原理分析 274

9.1.2 源碼解讀 310

9.1.3 安裝與運行 319

9.1.4 拓展 327

9.2 LSD-SLAM算法 329

9.2.1 原理分析 329

9.2.2 源碼解讀 334

9.2.3 安裝與運行 337

9.3 SVO算法 338

9.3.1 原理分析 338

9.3.2 源碼解讀 341

9.4 本章小結(jié) 341

第10章 其他SLAM系統(tǒng)

10.1 RTABMAP算法 344

10.1.1 原理分析 344

10.1.2 源碼解讀 351

10.1.3 安裝與運行 357

10.2 VINS算法 362

10.2.1 原理分析 364

10.2.2 源碼解讀 373

10.2.3 安裝與運行 376

10.3 機器學(xué)習(xí)與SLAM 379

10.3.1 機器學(xué)習(xí) 379

10.3.2 CNN-SLAM算法 411

10.3.3 DeepVO算法 413

10.4 本章小結(jié) 414

自主導(dǎo)航篇

第11章 自主導(dǎo)航中的數(shù)學(xué)基礎(chǔ)

11.1 自主導(dǎo)航 418

11.2 環(huán)境感知 420

11.2.1 實時定位 420

11.2.2 環(huán)境建模 421

11.2.3 語義理解 422

11.3 路徑規(guī)劃 422

11.3.1 常見的路徑規(guī)劃算法 423

11.3.2 帶約束的路徑規(guī)劃算法 430

11.3.3 覆蓋的路徑規(guī)劃算法 434

11.4 運動控制 435

11.4.1 基于PID的運動控制 437

11.4.2 基于MPC的運動控制 438

11.4.3 基于強化學(xué)習(xí)的運動控制 441

11.5 強化學(xué)習(xí)與自主導(dǎo)航 442

11.5.1 強化學(xué)習(xí) 443

11.5.2 基于強化學(xué)習(xí)的自主導(dǎo)航 465

11.6 本章小結(jié) 467

第12章 典型自主導(dǎo)航系統(tǒng)

12.1 ros-navigation導(dǎo)航系統(tǒng) 470

12.1.1 原理分析 470

12.1.2 源碼解讀 475

12.1.3 安裝與運行 479

12.1.4 路徑規(guī)劃改進 492

12.1.5 環(huán)境探索 496

12.2 riskrrt導(dǎo)航系統(tǒng) 498

12.3 autoware導(dǎo)航系統(tǒng) 499

12.4 導(dǎo)航系統(tǒng)面臨的一些挑戰(zhàn) 500

12.5 本章小結(jié) 500

第13章 機器人SLAM導(dǎo)航綜合實戰(zhàn)

13.1 運行機器人上的傳感器 502

13.1.1 運行底盤的ROS驅(qū)動 503

13.1.2 運行激光雷達(dá)的ROS驅(qū)動 503

13.1.3 運行IMU的ROS驅(qū)動 504

13.1.4 運行相機的ROS驅(qū)動 504

13.1.5 運行底盤的urdf模型 505

13.1.6 傳感器一鍵啟動 506

13.2 運行SLAM建圖功能 506

13.2.1 運行激光SLAM建圖功能 507

13.2.2 運行視覺SLAM建圖功能 508

13.2.3 運行激光與視覺聯(lián)合建圖功能 508

13.3 運行自主導(dǎo)航 509

13.4 基于自主導(dǎo)航的應(yīng)用 510

13.5 本章小結(jié) 511

附錄A Linux與SLAM性能優(yōu)化的探討

附錄B 習(xí)題