關注 | SGS助力機器人國家重點研發項目系列-蘇州大學

移動機器人構建場景全局地圖，在動態復雜場景中作業，通過激光傳感器實時感知周圍環境信息，并實時基于當前時刻的激光數據和已經構建的全局地圖，應用蒙特卡羅定位算法確定相對于給定場景地圖的移動機器人的時間幀全局最佳位姿估計，從而實現準確的全局定位。基于當前全局定位所獲得的全局最佳位姿估計，對當前時間幀所獲得的激光數據點與地圖中的路標點進行逐一匹配并統計匹配點的數量，并同時考慮全局地圖中的固定路標點的權重系數等信息，計算獲得當前時間幀的全局定位置信度。當移動機器人出現周圍受動態障礙物的遮擋、場景變化與已經構建的地圖嚴重不符、以及人為的搬動造成的“綁架”等情況，會致使當前時間幀的全局定位置信度低于一定閾值，從而可判定移動機器人發生“迷路”現象。通過充電樁內部安裝的UWB模塊和移動機器人內部安裝的UWB模塊進行相互通訊測距，移動機器人不斷地獲得相對于充電樁的距離信息。移動機器人通過內部的慣性測量單元IMU也不斷地獲得相對于充電樁的角度信息。最終綜合考慮到由于UWB信息遮擋和系統本身等測距誤差因素，和IMU溫漂和零漂誤差，確定已經構建的全局地圖計算移動機器人可能的位置范圍，則最終確定位置范圍。在全局柵格地圖中的上述所確定的機器人可能的位置范圍，再次應用蒙特卡羅定位算法實現移動機器人的快速重定位，最終獲得移動機器人“迷路”之后的再次進行重定位的最佳位姿估計。

機器人在環境中利用傳感器獲取周圍環境數據，即時定位與地圖構建（SLAM）模塊接收傳感器數據，構建環境地圖，同時反修正機器人位姿。在地圖的可行區域內，生長兩棵快速搜索隨機樹，進行邊界點提取。通過mean-shift聚類算法對邊界點進行聚類處理，并根據邊界點的柵格狀態剔除無效的邊界點，引導機器人進行運動決策。在本項目中，基于邊界點的收益函數模型以及測距儀的波束模型，提出一種融合路徑信息豐富度的自主探索算法，預估機器人移動到邊界點的過程中感知到的環境信息；同時利用環境語義信息進行啟發式偏置采樣，建立語義-幾何信息關聯模型引導機器人探索決策，優先提取分配連續區域內的邊界點，保障連續區域探索的完整性，解決了感知不確定下機器人探索過程中徘徊現象嚴重等問題，進一步提高了機器人的探索效率。

機器人目標檢測算法的網絡主要涉及卷積層、逆殘差模塊、殘差模塊、池化層以及改進的金字塔池化層。在本項目中，采用輕量化網絡設計方法，基于隨機模型融合的數據增強，結合了圖像尺度變化和顏色變化的特點，有效增加了數據集的隨機性和豐富性。基于逆殘差改進的主干網絡，通過隔層使用逆殘差模塊替換原有卷積模塊，并有效結合網絡中的大小殘差融合提取的特征，并采用深度可分離卷積降低計算量。骨干網絡末端引入改進的空間金字塔池化層，從空間角度將深度語義信息進行多尺度池化，增加感受野范圍，進而提高多尺度、尤其是小物體的檢測性能。

基于掃地機器人、商超機器人和室外機器人拍攝的數據集圖片共超過7600多張，包含床、沙發、柜子、凳子、桌子、馬桶、垃圾桶、拖鞋、襪子、地毯、書、糞便、窗簾、扶梯、電梯、玻璃門、行人、貨架、購物車、樹枝、掃把、塑料袋、水瓶、簸箕、信封等多種典型物體。圖像數據集包含晴天、陰天、白天、黑夜等環境場景，并對數據集進行顏色改變、尺度變換、 隨機裁剪等數據增強操作，提高模型的泛化能力。