移動機器人定位方法研究綜述

張夢軒， 蘇治寶， 索旭東

(1.中國北方車輛研究所，北京 100072；2.智能移動機器人(中山)研究院，中山市 528437)

定位問題是移動機器人的一項重要研究內容，也是移動機器人實現路徑規劃、自主導航和決策的前提.在定位過程中，機器人利用內部及外部傳感器不斷感知周邊環境信息，經過一定的數據處理從而得到自身的位姿.傳統的基于模型的定位方法有相對定位和絕對定位兩種，它們容易受到來自環境及系統自身的不確定誤差的影響，對此研究者們提出了概率定位，構建系統的運動模型與觀測模型，并基于貝葉斯濾波原理實現位姿估計.近年來，隨著人工智能的興起，基于數據驅動的深度學習定位也得到了一定的發展.上述定位方法之間的關系如圖1所示.在傳感器配置方面，由于單一傳感器獲取信息存在局限性，且會受到自身性能的影響，多傳感器信息融合技術在移動機器人定位領域受到了越來越廣泛的關注，它充分利用不同傳感器的互補輸出信息，將融合后的結果作為位姿估計，從而提高了移動機器人的定位精度及可靠性[1].文中對幾類典型的移動機器人定位方法進行研究與比較，并總結多傳感器信息融合技術對于定位問題的重要意義，最后對移動機器人定位系統的發展提出展望.

圖1 移動機器人定位方法關系圖

1 相對定位

相對定位法又被稱為航位推算法，是移動機器人在給定初始位姿的條件下，依靠內部傳感器來估計每一時刻相對于前一時刻的位移和航向角的變化，從而確定當前位姿的方法[2]，常用傳感器有光電編碼器和慣性測量單元(IMU)[3]，見圖2.

圖2 Kuebler光電編碼器和TDK慣性測量單元

相對定位方法具有裝置簡單、成本低的優點，但由于其基本思想是隨時間整合增量運動信息，這便不可避免地導致了累積誤差，因此，該方法通常只能在短時間內使用.

2 絕對定位

絕對定位法又被稱為全局定位法，是移動機器人在全局參考框架下獲取位姿信息的方法，主要包括活動信標法、地標定位法和地圖匹配法3種.

2.1 活動信標法

活動信標系統是移動機器人領域一種常見的輔助設備，最典型的有源信標系統基于三邊測量法的原理(圖3)進行定位.在系統中通常有三個或多個位置已知的信號源，利用飛行時間信息，系統可以計算出固定信號源和機載接收器之間的距離，從而確定機器人的位置.全球定位系統(GPS)就是三邊測量法的一個應用實例[4].目前，使用GPS進行定位導航還面臨遮擋物或地形導致的周期性信號阻塞，以及多路徑干擾等問題.

圖3 三邊測量法原理圖

活動信標法的優點是允許高采樣率且具有可靠性，但較高的安裝和維護成本對其應用產生了一定的限制.

2.2 地標定位法

地標是通過機器人的傳感器感知識別的特征信息，它具有固定且已知的位置，可以是矩形、圓形、直線等幾何形狀，也可以是條形碼等附加信息，通常分為自然地標和人造地標兩種.自然地標是環境的一部分，具有機器人導航以外的功能，兩種常用的輔助機器人定位的特征提取算法是SIFT[5-6]和SURF[7-8].人造地標是指人為放置在環境中的物體或特殊設計的標記，可以通過激光、紅外、聲納和視覺傳感器進行檢測，僅為移動機器人定位導航功能服務.有研究者[9]使用二維碼作為人造地標，讓每個二維碼存儲唯一的文本字符串，指向室內環境的絕對坐標，如圖4.由此開發出高精度、高可靠性的室內導航系統.

圖4 以二維碼為人造地標的室內導航

地標定位法的優點是快速且使用方便，但特征的選取會直接影響特征描述、特征檢測和特征匹配的復雜性.

2.3 地圖匹配法

地圖匹配法[10]，是機器人利用傳感器創建環境地圖，再將局部映射與先前存儲的全局映射進行匹配，從而計算出自身在環境中位姿的技術，主要分為視覺定位和激光雷達定位.

2.3.1 視覺定位法

視覺定位是通過相鄰幀圖像特征匹配實現相機運動估計，可分為單目相機定位[11]、雙目相機定位[12]和深度相機定位[13].為了克服視覺定位在閉環時的累積漂移和姿態跳躍等問題，有研究者提出一種基于先驗地圖進行2D-3D線條匹配的單目相機定位方法[14]，從地圖中離線提取幾何3D線條，從視頻序列中在線提取2D線條，利用VIO的姿態預測和最小化對應關系進行匹配，從而實現位姿估計，見圖5.

圖5 基于2D-3D線條匹配的視覺定位效果圖

視覺定位法的優點是精度高、速度快，但是相機容易受到光照條件的影響，而且視角較小，一般不適用于室外環境的定位.

2.3.2 激光雷達定位法

激光雷達定位的中心思想是點云匹配[15].ICP(Iterative Closest Point)算法是影響最大、應用最廣的點云匹配算法，它利用最小二乘法使得源點云和目標點云對應點之間的歐氏距離最小，從而求解運動位姿；NDT(Normal Distributions Transform)算法是位姿跟蹤的另一經典算法，它將參考點云數據轉換成二維空間分段連續的概率密度函數，然后將當前幀進行旋轉平移，使得數據在參考幀的得分最高(圖6).

圖6 NDT配準示意圖

ICP族算法的優點在于匹配精度高，最初收斂過程較快，但缺點是難以保證實時性且對初始位置要求嚴格，對于該算法的改進主要集中在對于高密度點云進行篩選、提取描述子進行匹配、重新設計匹配方案3個角度[16-18]；NDT族算法的優點在于實時性強，魯棒性好，對初始位置的要求不高，而缺點在于精度較差，對于該算法的改進主要集中在對于點云柵格化的策略、統計學參數的選取、更新目標函數三個角度[19-21].

3 概率定位

無論是相對定位還是絕對定位，都會面臨不確定誤差的干擾.因此，基于概率統計的定位方法被提出，它的理論基礎是貝葉斯濾波[22]，核心步驟包括預測和更新兩步，前者利用上一時刻的系統狀態及里程計數據來預測這一時刻的系統狀態，后者利用點云匹配結果來更新這一時刻的系統狀態估計，不斷遞歸調用這兩個步驟，最終輸出迭代優化后的位姿估計(圖7).

根據濾波原理的不同，概率定位方法可以分為卡爾曼濾波定位法[23]、馬爾可夫定位法[24]和蒙特卡洛定位法[25].卡爾曼濾波定位法用于處理線性高斯系統，可以估計移動物體的位置和速度，并在可見條件下對物體進行跟蹤，后來研究者們又提出用于處理非線性系統的無跡卡爾曼濾波(UKF)[26]和擴展卡爾曼濾波(EKF)[27].為了突破卡爾曼濾波單峰高斯分布假設的限制，馬爾可夫定位法被提出，根據對狀態空間及模型表示方法的不同，分為拓撲馬爾可夫定位和柵格馬爾可夫定位.蒙特卡洛定位法(MCL)的基本原理是粒子濾波(PF)，相比與卡爾曼濾波方法，它易于實現且不受限于噪聲高斯分布；相比于馬爾可夫定位法，它有更高的計算效率，尤其在處理高維問題時不會弱化性能，因此在移動機器人領域得到了最為廣泛的應用.

MIGUEL等[28]基于MCL算法，利用3D雷達信息和GNSS信息提高戶外環境中移動機器人的定位精度，同時解決移動機器人的綁架問題；LIU等[29]基于MCL算法，利用視覺傳感器和2D激光測距儀實現室內定位，并提高了移動機器人在室內場景中重定位的精度；GE等[30]通過使用環境語義信息和雷達掃描信息，提出Text-MCL定位方法，提高了移動機器人全局定位的速度和成功率.

概率定位將相對定位與絕對定位進行了優勢互補，在保證計算效率的同時極大地降低了各種不確定誤差的干擾，提高了定位的精度與可靠性，但建模的準確性將直接影響其定位效果.

4 深度學習定位

相對定位、絕對定位和概率定位均為基于模型的定位方法，在建模過程中會面臨無特征區域、運動模糊、精確的相機校準等挑戰[31].而深度學習則通過數據驅動的方式為解決定位問題提供了新思路，學習方法可以利用高度壓縮的深度神經網絡作為通用近似器，并自動提取與任務相關的特征.YANG等[32]在視覺里程計中引入數據驅動(圖8)，顯著提高了系統的魯棒性；MA等[33]利用深度學習的方法完成SLAM中的語義標記，將抽象元素與人類可理解的術語聯系起來，用于解決定位問題；ZHOU等[34]通過將視圖合成作為一種自監督信號，從未標記的視頻中恢復自身的運動和深度；通過構建任務驅動圖，深度學習的表示還可以進一步支持高級任務，如路徑規劃[35]和決策[36].

深度學習定位對各種環境具有較好的適應性，可以在新場景中自行發現新的解決方案，但是學習技術要依賴于海量數據集才能提取統計上有意義的模式，并且相比于基于模型的方法，它的計算成本往往更大[37].

5 多傳感器信息融合技術

當面對復雜且不確定的環境及對象時，單一傳感器獲取的信息存在一定的局限性，同時還會受到自身性能的影響.因此，多傳感器信息融合技術在移動機器人定位領域得到了越來越廣泛的關注，它充分利用了不同定位傳感器的互補輸出信息，將融合后的結果作為機器人的位姿估計.

5.1 多傳感器信息融合算法

傳感器融合系統是一個復雜的信息系統，各種傳感器實時收集信息，各種信息之間也存在相互約束和影響[38].因此，信息融合算法是多傳感器融合定位的核心[39]，目前主要分為4類，分別是推理法[40]、分類法[41]、人工智能法[42]和濾波估計法[43].推理法主要基于D-S理論，該理論為處理傳感器信息的模糊性和不確定性提供了很好的解決方案；分類法中常用的聚類和融合算法是K-means，它基于歐幾里德距離來判斷目標數據，從而將具有更大相似度的數據收集并融合在一起以實現分類[44]；人工智能方法主要基于多源數據信息融合的人工神經網絡，通過學習算法分配網絡權重，同時推理多傳感數據的不確定性，然后利用神經網絡的信號處理能力和自動推理功能實現數據融合[45].濾波器估計方法利用相應的濾波器對系統狀態進行估計，由于其在動態和復雜狀態下具有更好的魯棒性和適用性，已成為最為廣泛使用的方法.

5.2 多傳感器信息融合技術在定位問題中的應用

為了解決模糊度問題，WAN等[46]提出一種可以在不同城市場景中實現厘米級定位精度的定位系統(圖9)，其中GNSS-RTK模塊基于卡爾曼濾波(KF)融合框架，最終實現了5-10 cm的RMS精度；為了解決移動機器人定位過程中對大角度旋轉的適應性問題，LI等[47]提出一種基于遞歸卷積神經網絡(RCNN)的架構用于融合點云數據和IMU數據，以增強定位系統的魯棒性和準確性；為了解決ESKF算法在高度非線性條件下估計精度下降的問題，SHAUKAT等人[48]提出RBF-ESKF多傳感器融合算法，利用RBF神經網絡改進誤差項來補償ESKF性能的不足，通過最速下降優化方法最小化來設計RBF神經網絡的權重和中心，實驗證明該方法相比于傳統的ESKF法具有更高的精度和可靠性.

圖9 城市場景中多傳感器融合定位效果圖

與單傳感器系統相比，多傳感器系統可以顯著降低不確定性的影響，并且在系統部分出現故障的情況下依然能夠提供有效信息，同時還有利于擴大測量范圍、提高分辨率，因此，在移動機器人定位問題中具有較高的研究價值.

6 結 論

文中對幾類典型的定位方法進行比較與分析.其中，概率定位基于貝葉斯濾波原理，將相對定位與絕對定位的結果同時用于系統狀態的估計，有效降低了不確定誤差的干擾，但建模的準確性是其主要限制；深度學習定位則憑借數據驅動的計算方式避免了建模難題，但對海量數據集的依賴和較高的計算成本是其主要限制.此外，隨著融合算法的發展，多傳感器信息融合技術被越來越廣泛地應用于移動機器人定位領域，該技術能夠有效提高系統的魯棒性，從而更好地適用于實際工程問題.綜上所述，對于移動機器人定位系統，有以下幾個方向值得深入研究：

1)深度學習方法的開發：隨著相關數據集的豐富與完善，深度學習方法將在點云匹配及信息融合技術中發揮更大的作用.

2)概率定位與深度學習定位融合：目前已有研究者嘗試將這兩種方法進行優勢互補，但相關領域依然存在較大的探索空間.